Умные процессы на Spring AI

Искусственный интеллект перестал быть отдельным модулем или «дополнением» к процессам — теперь он становится полноценным участником цепочек обработки заявок, тикетов и взаимодействия с клиентами. В Reunico мы активно внедряем AI-агентов в процессы, а для реализации гибкой логики на Java используем фреймворк Spring AI, вышедший в релиз в 2025 году.

В этой статье мы расскажем:

• зачем вообще Java-разработчикам AI-агенты,
  

• почему существующие SDK неудобны,
  

• как именно работает Spring AI,
  

• как создать полноценного агента для обработки писем, продаж и поиска по базе знаний.

Проблема: внедрить AI в Java-приложение не так просто

Большинство существующих SDK и библиотек для LLM строятся вокруг Python. Java-разработчики сталкиваются с тремя ключевыми проблемами:

1. Vendor lock-in

Если подключить, например, OpenAI Java SDK, то вся логика будет привязана к API одного вендора. Перейти на Anthropic, Mistral, Azure OpenAI или локальную LLM — задача уже сложнее.

2. Нет интеграции со Spring Boot

Большинство SDK не поддерживают:

• DI (Dependency Injection),
  

• application.yml,
  

• конфигурирование через проперти.

3. LangChain4j, хоть и мощный, не дружит со Spring Boot

Это Java-адаптация LangChain — хорошая в плане AI, но совершенно не интегрированная в Spring Boot. То есть разработчикам нужен инструмент, который сочетает возможности LangChain и удобство Spring.

Решение — Spring AI

Spring AI — свежий фреймворк от Spring, выпущенный в мае 2025 года. Он:

• полностью интегрирован со Spring Boot,
  

• абстрагирует работу от вендора LLM,
  

• предоставляет единый интерфейс для любых моделей,

• поддерживает RAG, embedding-хранилища и структурированные ответы, и при этом остаётся минималистичным и понятным.

Как выглядит конфигурация Spring AI и базовый клиент:

Пример: как AI-агент обеспечивает классификацию входящих писем

Один из типовых кейсов в Camunda-процессах — распределение входящих заявок (тикетов) по нужным процессам.

Здесь показана модель BPMN: письмо приходит → AI определяет тип → передача в нужный процесс → ручная обработка, если нужно.

Алгоритм простой:

1. По ID тикета достаём письмо.
   

2. Загружаем каталог услуг → каждая услуга связана с конкретным процессом в Camunda.
   

3. Просим AI-агента: сопоставить контекст письма с услугами.
   

4. Сохраняем выбранную услугу в переменные процесса.

Таким образом, AI становится «умным маршрутизатором» внутри процесса.

Использование AI-агента в продажах

Теперь более сложный кейс: входящая заявка в продающий процесс.

AI должен:

• понять, какую услугу запрашивает клиент,

• определить, хватает ли данных,

• если нет — сформировать корректный запрос уточнений.

Это позволяет автоматизировать первые коммуникации с клиентом и сократить ручную работу.

Чтобы агент мог работать ⇒ нужна база знаний

Для корректной работы модели нам нужно:

1. Регламенты процессов
   

2. Документы по услугам и продуктам
   

3. FAQ, шаблоны и т.п.
   

4. Семантический поиск по этим данным

Теперь посмотрим:

• как создаётся векторное хранилище (через PGVector),

• как делается UserType для хранения embedding,

• как выполняются запросы по косинусному сходству.

RAG-подход: пусть агент сам формирует поисковый запрос

Здесь подробно показан промпт: агенту даётся инструкция, как сформировать запрос в базу знаний.

AI возвращает структурированный JSON-ответ, который легко десериализуется в Java-класс.

Это позволяет:

• безопасно получать ответ в нужном формате,

• избегать «галлюцинаций»,

• контролировать обязательные поля.

Добавление контекста через Advisor

Spring AI позволяет включить custom-advisors — механизмы, которые автоматически модифицируют запрос перед отправкой в модель.

Реализация такого Advisor:

• добавление контекста,
  

• enrichment данных,
  

• привязка запроса к текущему пользователю, услуге и т.д.

Мета-схема для ответа: строгая типизация агента

Далее показано, как описывается Java-класс, чтобы Spring AI построил метасхему для агента:

• boolean поля,
  

• списки,
  

• строки,

• человекочитаемые описания каждого поля.
  

Таким образом, AI знает, какие виды данных он обязан вернуть.

Полный цикл работы агента

1. Письмо → Spring Boot → Camunda
   

2. AI-агент определяет тему
   

3. Делает запрос в векторное хранилище
   

4. Формирует структурированный ответ
   

5. Процесс продолжает выполнение без ручного участия

Результаты можно увидеть в реальных логах активности:

Использование базы знаний в обучающих заявках

AI извлекает параметры для подготовки коммерческого предложения:

• название компании,
  

• БИН,
  

• даты обучения,
  

• количество участников,
  

• программа,
  

• индивидуальные требования.

Агент сам анализирует письмо и формирует набор структурированных данных.

Зачем нужно переопределять температуру модели?

Повышаем температуру для генерации более живых, разнообразных сообщений. Это важно, если мы хотим:

• персонализировать письма,
  

• сделать формулировки менее шаблонными,

• улучшить user experience.
  

Что в итоге?

AI-агенты позволяют автоматизировать:

• распределение тикетов,
  

• первичную коммуникацию,
  

• классификацию писем,
  

• уточнение данных,
  

• формирование запросов,
  

• работу с документацией,
  

• подготовку данных для Camunda-процессов.

А Spring AI делает внедрение этих агентов доступным любому Java-разработчику.

Самое важное: Camunda 8.8 приносит новую эру AI в процессах

С выходом Camunda 8.8 платформа делает огромный шаг вперёд: теперь AI становится полноправной частью процессной оркестрации. Помимо автоматического создания AI-агентов, в новой версии появились и встроенные Camunda AI Connectors, которые позволяют использовать LLM «из коробки» без написания кастомных интеграций. 

Больше информации о новинках версии вы можете найти здесь.