企业官网建设流程全解析

1. 从一次真实的踩坑说起：为什么单智能体搞不定旅游规划

你可能也遇到过这种场景：想用一个大模型一次性生成"北京三日游"的完整方案，结果它要么把天气编得离谱，要么景点和行程对不上号，改一处又崩另一处。我试过把提示词写到八百字，模型依然会在"下雨天安排户外徒步"这种低级错误上翻车。根本原因不在于模型不够强，而在于一个智能体同时扛了太多职责——它既要查天气、又要选景点、还要排日程，注意力被稀释，任何一环出错都会污染整条链路。

多智能体系统（Multi-Agent System）解决的正是这个问题。它的思路很朴素：把复杂任务拆成若干子任务，每个子任务交给一个"专家智能体"，专家之间通过结构化的数据传递协作，最后由汇总智能体整合输出。就像一家旅行社，有专门查天气的、专门做景点调研的、专门排行程的，各司其职再拼成完整方案。

Google 开源的 ADK for Java（Agent Development Kit）把这套协作模式做成了可编排的组件：LlmAgent定义单个智能体，SequentialAgent和ParallelAgent负责编排执行顺序，outputKey机制让上游智能体的输出能被下游用占位符引用。对 Java 开发者来说，这意味着不用切换到 Python 生态，就能在企业级项目里落地多智能体。

这篇内容适合三类人：一是已经会写 Java、想入门 Agent 开发的后端工程师；二是想给现有系统加 AI 能力的架构师；三是被单智能体"幻觉"折磨过、想找结构化方案的同学。下面我会给出可复制的项目骨架、三个智能体的完整配置、运行验证步骤，以及如何通过 TaoToken 统一 Key/API 通道接入模型，让你跑通一次完整的协作规划任务。

2. TaoToken 前置：把模型接入这件事先理顺

在写智能体代码之前，有个容易被忽略但很关键的前置问题：模型通道。ADK for Java 默认走 Google AI Studio 的 API Key，但在实际项目里，你往往需要统一管理多个模型的调用、控制成本、或者让团队共用一套凭证。这时候用 TaoToken 做统一入口会省很多事。

TaoToken 是一个模型 API 聚合通道，官网在 https://taotoken.net/?utm_source=taotoken_aicg_blog_end&utm_medium=csdn&utm_campaign=rewrite&utm_content= ，它提供 OpenAI 兼容的接口格式，API 端点是 https://taotoken.net/api 。对 ADK 项目来说，你只需要把 base URL 和 Key 配好，智能体里的模型调用就会走这条通道，不用改业务代码。

具体操作分三步。第一步，登录控制台创建 API Key，地址是 https://taotoken.net/console?utm_source=taotoken_aicg_blog_end&utm_content=console&utm_campaign=rewrite ，在"API Keys"页面生成一个 Key 并复制保存。第二步，如果你不确定该用哪个模型，可以先去模型对话页面 https://taotoken.net/models?utm_source=taotoken_aicg_blog_end&utm_content=model_chat&utm_campaign=rewrite 试跑一下，确认模型能正常响应再写进代码。第三步，把 Key 和 base URL 写进项目的配置文件，后面智能体初始化时会读取。

注意：API Key 属于敏感凭证，不要硬编码进 Java 源码提交到仓库。建议用环境变量或application.properties配合.gitignore管理。

如果你后续要做长期编码或 Agent 开发，可以考虑 Coding Plan，地址是 https://taotoken.net/coding-plan?utm_source=taotoken_aicg_blog_end&utm_content=coding_plan&utm_campaign=rewrite ，它针对高频调用场景做了额度优化。接入文档在 https://taotoken.net/doc?utm_source=taotoken_aicg_blog_end&utm_content=doc&utm_campaign=rewrite ，遇到参数问题可以对照查。

3. 可复制配置：ADK 项目骨架与三个智能体

3.1 Maven 依赖与项目结构

先建一个标准 Maven 项目，pom.xml里加入 ADK 和 Jackson：

<dependencies> <dependency> <groupId>com.google.adk</groupId> <artifactId>adk-java</artifactId> <version>0.3.0</version> </dependency> <dependency> <groupId>com.fasterxml.jackson.core</groupId> <artifactId>jackson-databind</artifactId> <version>2.15.2</version> </dependency> </dependencies>

项目结构建议这样组织，职责清晰，后面加智能体不会乱：

travel-planner-multiagent/ ├── pom.xml ├── src/main/java/com/example/travel/ │ ├── TravelPlannerApplication.java │ ├── agents/ │ │ ├── WeatherAgent.java │ │ ├── AttractionAgent.java │ │ └── ItineraryAgent.java │ └── tools/ │ └── WeatherTool.java └── src/main/resources/application.properties

application.properties里配置 TaoToken 通道：

taotoken.api.key=你的_API_KEY taotoken.api.base=https://taotoken.net/api taotoken.model=gemini-2.0-flash

3.2 工具类：WeatherTool

智能体要调用外部能力，得先有工具。这里用一个模拟天气查询的工具，实际项目里替换成真实天气 API 即可：

package com.example.travel.tools; import com.fasterxml.jackson.databind.JsonNode; import com.fasterxml.jackson.databind.ObjectMapper; import com.fasterxml.jackson.databind.node.ObjectNode; import java.util.Random; public class WeatherTool { private static final ObjectMapper MAPPER = new ObjectMapper(); private static final Random RANDOM = new Random(); public JsonNode getWeather(String city) { String[] conditions = {"晴朗", "多云", "小雨", "大雨", "阴天"}; String condition = conditions[RANDOM.nextInt(conditions.length)]; int temperature = 5 + RANDOM.nextInt(30); ObjectNode result = MAPPER.createObjectNode(); result.put("city", city); result.put("condition", condition); result.put("temperature", temperature); return result; } public String getWeatherAdvice(JsonNode weather) { String condition = weather.get("condition").asText(); if (condition.contains("雨")) { return "建议携带雨具，选择室内活动"; } else if (condition.equals("晴朗")) { return "适合户外活动，注意防晒"; } return "天气适宜，可正常出行"; } }

3.3 三个智能体的配置

天气智能体负责查天气并输出建议，关键是outputKey("weatherInfo")，这个键会被下游引用：

package com.example.travel.agents; import com.example.travel.tools.WeatherTool; import com.google.adk.agents.LlmAgent; public class WeatherAgent { public static LlmAgent create() { WeatherTool tool = new WeatherTool(); return LlmAgent.builder() .name("weather-agent") .description("查询目的地天气并提供出行建议") .instruction(""" 你是一个专业的天气查询助手。 根据用户提供的城市名称，使用WeatherTool查询天气， 返回包含温度、天气状况和出行建议的格式化报告。 """) .model("gemini-2.0-flash") .tools(tool) .outputKey("weatherInfo") .build(); } }

景点智能体通过{weatherInfo}占位符拿到天气结果，再结合用户偏好推荐：

package com.example.travel.agents; import com.google.adk.agents.LlmAgent; public class AttractionAgent { public static LlmAgent create() { return LlmAgent.builder() .name("attraction-agent") .description("根据天气和用户偏好推荐景点") .instruction(""" 你是一个景点推荐专家。 根据天气信息 {weatherInfo} 和用户偏好（如历史文化、美食等）， 推荐3-5个适合的景点，包含简介和建议游览时间。 """) .model("gemini-2.0-flash") .outputKey("attractions") .build(); } }

行程智能体整合前两者的输出，生成每日行程：

package com.example.travel.agents; import com.google.adk.agents.LlmAgent; public class ItineraryAgent { public static LlmAgent create() { return LlmAgent.builder() .name("itinerary-agent") .description("整合天气和景点信息，生成完整行程") .instruction(""" 你是一个行程规划师。 根据天气信息 {weatherInfo} 和景点推荐 {attractions}， 结合用户天数要求，生成详细的每日行程，包含餐饮和交通建议。 """) .model("gemini-2.0-flash") .outputKey("itinerary") .build(); } }

3.4 主类：并行 + 顺序混合编排

这是整个系统的核心。天气和景点两个智能体没有依赖关系，可以并行跑；行程智能体依赖前两者的结果，必须等它们完成后再执行。ADK 用ParallelAgent和SequentialAgent嵌套就能表达这个流程：

package com.example.travel; import com.example.travel.agents.AttractionAgent; import com.example.travel.agents.ItineraryAgent; import com.example.travel.agents.WeatherAgent; import com.google.adk.agents.LlmAgent; import com.google.adk.agents.ParallelAgent; import com.google.adk.agents.SequentialAgent; import com.google.adk.runners.FlowRunner; import com.google.adk.sessions.InMemorySessionStore; public class TravelPlannerApplication { public static void main(String[] args) { LlmAgent weatherAgent = WeatherAgent.create(); LlmAgent attractionAgent = AttractionAgent.create(); LlmAgent itineraryAgent = ItineraryAgent.create(); ParallelAgent researchAgent = ParallelAgent.builder() .name("research-agent") .description("并行收集天气和景点信息") .subAgents(weatherAgent, attractionAgent) .build(); SequentialAgent travelPlanner = SequentialAgent.builder() .name("travel-planner") .description("旅游规划师") .subAgents(researchAgent, itineraryAgent) .build(); FlowRunner runner = FlowRunner.builder() .sessionStore(new InMemorySessionStore()) .build(); String userQuery = "我想去北京旅游3天，喜欢历史文化和美食，帮我规划一下"; System.out.println("用户输入: " + userQuery); String result = runner.run(travelPlanner, userQuery); System.out.println("最终行程:\n" + result); } }

4. 验证请求：跑通一次完整的协作规划

代码写完后，直接运行TravelPlannerApplication的main方法。如果 TaoToken 通道配置正确，你会看到控制台先打印用户输入，然后经过几秒的模型调用，输出类似下面的行程：

用户输入: 我想去北京旅游3天，喜欢历史文化和美食，帮我规划一下 最终行程: 【第一天】 上午：参观故宫博物院（历史文化的精髓，建议3-4小时） 中午：在故宫附近的四季民福烤鸭店享用北京烤鸭 下午：游览景山公园，俯瞰故宫全景 晚上：逛王府井小吃街，品尝北京特色小吃 【第二天】 上午：前往颐和园（皇家园林，建议3-4小时） 中午：在颐和园附近品尝老北京炸酱面 下午：参观圆明园遗址公园 晚上：观看老舍茶馆的京剧表演 【第三天】 上午：游览天坛公园（了解古代祭天文化） 中午：在前门大街品尝爆肚、卤煮等小吃 下午：逛大栅栏商业街，购买伴手礼

验证成功的标志有三个：一是天气信息被景点推荐正确引用（比如天气是"小雨"，景点推荐里应该出现室内场馆）；二是景点列表和行程里的地点能对应上；三是行程天数符合用户要求的 3 天。如果这三点都满足，说明outputKey的传递链路是通的。

想单独验证模型通道是否正常，可以先去模型对话页面 https://taotoken.net/models?utm_source=taotoken_aicg_blog_end&utm_content=model_chat&utm_campaign=rewrite 发一条测试消息，确认返回正常再排查代码。如果要做更复杂的编码类 Agent，Coding Plan 的额度更适合高频场景。

5. 本篇常见错排查

报错一：outputKey引用的占位符为空。现象是行程智能体拿到的{weatherInfo}是空字符串。原因通常是上游智能体的outputKey名字和下游instruction里的占位符拼写不一致，比如一个写weatherInfo、另一个写weather_info。排查方法：把三个智能体的outputKey和占位符列出来逐一比对，大小写敏感。

报错二：并行智能体输出互相覆盖。如果两个并行智能体用了同一个outputKey，后完成的会覆盖先完成的。解决方法是给每个智能体分配唯一的 key，比如weatherInfo和attractions分开。

报错三：模型调用返回 401 或 403。这是 TaoToken 通道配置问题。检查application.properties里的 Key 是否复制完整、base URL 是否写成https://taotoken.net/api（注意不要多加路径）。如果 Key 没问题，去控制台 https://taotoken.net/api-keys?utm_source=taotoken_aicg_blog_end&utm_content=api_keys&utm_campaign=rewrite 确认 Key 状态是否正常、额度是否充足。

报错四：FlowRunner报 session 相关异常。多半是InMemorySessionStore没有正确初始化，或者多次运行共用了同一个 store 导致状态污染。每次运行前新建一个 store 实例即可。

报错五：行程智能体忽略了天气建议。这不是代码错误，而是提示词问题。在instruction里明确要求"如果天气为雨，行程必须包含室内活动"，模型会更严格地遵守约束。

6. 继续深入：从 Demo 到可用系统

跑通这个 Demo 后，你可以沿着几个方向扩展。一是把WeatherTool换成真实天气 API，让数据不再是随机的。二是引入LoopAgent，让行程智能体在检测到"景点距离过远"时自动重新规划。三是用 Sub-Agents 模式，让主智能体根据用户问题动态决定调用哪些子智能体，而不是固定流程。

如果你打算把这套东西接入现有 Java 企业应用，建议先把模型通道统一到 TaoToken，这样后续换模型、加额度、做监控都不用改业务代码。接入文档在 https://taotoken.net/doc?utm_source=taotoken_aicg_blog_end&utm_content=doc&utm_campaign=rewrite 有完整的参数说明，Claude Code 相关的接入示例在 https://taotoken.net/claude-code?utm_source=taotoken_aicg_blog_end&utm_content=claude_code&utm_campaign=rewrite 也能找到参考。

多智能体的价值不在于智能体数量多，而在于职责边界清晰、数据流转可控。把这三个智能体的协作跑顺了，你再去拆解更复杂的业务场景，思路会清晰很多。