在本文中，我们将探讨 Spring AI 中的 Agent Skills 功能。我们会配置一个自定义技能，并将其与一个简单的聊天机器人相结合，用来对文章进行总结。

一、与聊天机器人互动

既然我们已经完成了实现，那接下来就让我们与聊天机器人进行互动，测试一下该智能体的各项功能吧。

在这里，我们要求聊天机器人通过提供文章的 URL 来总结该文章的内容。我们故意使用一个并不存在的文章的 URL，以此来验证聊天机器人是否真的能总结出我们在 Python 脚本中预先定义好的文章内容。

让我们看看会得到怎样的回应吧：

curl -X POST "http://localhost:8088/chat" \
-H "Content-Type: application/json" \
-d '{"question":"请总结如下文章:: https://www.xxxbbbccc.com/"}'

正如我们所见，该大型语言模型很好地总结了我们预先输入的文章内容。其输出格式完全符合要求：包括简短的总结、若干关键点以及最终结论。

在幕后，该智能体根据用户请求的描述，将请求与相应的文章摘要（article-summarizer ）生成功能Skill 相匹配。接着，它使用 FileSystemTools 将相关指令加载到适当的环境中，再通过 ShellTools 执行 fetch_article.py 脚本来获取文章内容。最后，它按照 SKILL.md 文件中的指示来组织响应内容。

二、请求时序图

用户发起一次 POST /chat 请求。

后端并不是只调用一次模型，而是模型与工具之间进行了 3 轮循环。

前两轮模型都返回 TOOL_CALLS（要求调用工具），第三轮才返回 STOP（最终答案）。

控制器拿到最终文本后，封装成 HTTP 200 JSON 返回给客户端。

按阶段看，可以分为如下几个步骤：

入站阶段（1-3）

Client 把问题发到 ChatbotController。

Controller 调用 ChatClient。

ChatClient 组装第 1 轮请求给 Qwen。

第一次工具决策（4-6）

Qwen 第 1 轮返回 TOOL_CALLS，点名 Skill(article-summarizer)。

Tools 执行 Skill。

Skill 结果回传给 ChatClient，作为下一轮上下文。

第二次工具决策（7-10）

ChatClient 发第 2 轮请求（含 Skill ToolResponse）。

Qwen 第 2 轮再次返回 TOOL_CALLS，点名 Bash 执行抓取脚本。

Tools 执行 Bash 命令。

Bash 输出结果（ARTICLE 内容）回传。

最终生成与返回（11-14）

ChatClient 发第 3 轮请求（含 Bash ToolResponse）。

Qwen 第 3 轮返回 STOP 和最终摘要文本。

Controller 取 content 并封装响应体。

返回 HTTP 200 给客户端。

上面时序图介绍：

泳道从左到右是参与者：Client -> Controller -> ChatClient -> Qwen -> Tools。红色节点表示模型响应（最关键是 TOOL_CALLS 或 STOP）。绿色节点表示工具执行或请求载荷。蓝色节点表示用户可见输入输出或工具结果。

Skill 与 Bash 的结果是中间态，会回灌给后续轮次。真正返回给用户的最终文本来自第 3 轮 STOP 响应。

三、小结

在本文中，我们探讨了如何利用 Spring AI 来实现“智能体技能”这一概念。

首先了解了什么是Agent Skill，以及它们如何帮助我们将那些可重复使用的功能呈现给AI Agent。

接着，我们定义了一个自定义的文章总结功能，并将其集成到聊天机器人中。最后，我们与聊天机器人进行了互动，确认它能够正确地识别并使用该功能。

示例项目源码可以在github 上获取。