Java AI智能体开发实战指南：从零构建企业级智能代理案例

随着大语言模型（LLM）的普及，Java AI智能体开发已经不再是科幻小说中的概念，而是企业级应用中实实在在落地的技术方案。AI智能体（Agent）能够自主感知环境、制定计划、调用工具并执行任务，在客服、内容生成、无人共享服务等领域展现出了极强的实用价值。本文将从零开始，结合企业级技术栈（Spring Boot、MyBatis Plus、UniApp等），手把手带您构建一个具备记忆、工具调用和流程控制能力的智能代理案例。

为什么选择 Java 做 AI 智能体？ 在大规模企业系统中，Java 生态的稳定性、丰富的第三方库（如 LangChain4j、Spring AI）以及成熟的微服务架构（Spring Cloud）使其成为构建生产级 AI 系统的语言。

---

一、AI智能体核心架构设计

一个典型的 AI 智能体包含以下几个核心模块：

1. 感知模块：接收用户输入（文本、图片、语音等）。
2. 思考与规划模块：核心是LLM推理，将复杂任务分解为子步骤。
3. 记忆模块：短期记忆（当前会话）与长期记忆（持久化知识库）。
4. 工具调用模块：封装外部API、数据库、文件系统等能力。
5. 执行模块：协调各模块完成终任务。

在 Java 中，我们可以使用 LangChain4j 框架（或 Spring AI）快速搭建上述架构。LangChain4j 提供了对 OpenAI、通义千问等模型的统一抽象，同时内置了记忆管理和工具调用的支持。

技术选型建议（参考真实项目）

根据多个已落地的 AI 产品项目（如无人共享羽毛球、AI数字人平台）的经验，推荐以下技术组合：

层	技术栈
后端框架	Spring Boot 3.x + MyBatis Plus
数据库	MySQL 8.0
LLM 集成	LangChain4j + OpenAI / 本地 Ollama
消息队列	RabbitMQ（异步处理）
前端/小程序	UniApp（Vue语法，多端适配）
管理后台	Vue + Element UI

---

二、开发环境搭建与基础工程创建

2.1 初始化 Spring Boot 项目

使用 Spring Initializr 创建项目，关键依赖：

<dependency>
    <groupId>org.springframework.boot</groupId>
    <artifactId>spring-boot-starter-web</artifactId>
</dependency>
<dependency>
    <groupId>dev.langchain4j</groupId>
    <artifactId>langchain4j-spring-boot-starter</artifactId>
    <version>0.35.0</version>
</dependency>
<dependency>
    <groupId>dev.langchain4j</groupId>
    <artifactId>langchain4j-open-ai</artifactId>
</dependency>
<!-- 数据库操作 -->
<dependency>
    <groupId>com.baomidou</groupId>
    <artifactId>mybatis-plus-spring-boot3-starter</artifactId>
    <version>3.5.7</version>
</dependency>

2.2 配置 LLM 连接

在 application.yml 中配置 API Key（以 OpenAI 为例，实际生产需加密存储）：

langchain4j:
  open-ai:
    chat-model:
      api-key: ${OPENAI_API_KEY}
      model-name: gpt-4o-mini
      temperature: 0.7
    # 如需本地模型，可使用 Ollama 的 OpenAI 兼容接口
    # base-url: http://localhost:11434/v1

提示：若涉及敏感信息，建议通过 Vault 或环境变量注入，避免硬编码。

---

三、智能体核心逻辑实现

3.1 定义智能体实体与记忆持久化

参考知识库中“AI系统机器人”的架构，我们需要存储用户会话历史。创建一个 Conversation 实体：

@Data
@TableName("conversation")
public class Conversation {
    private Long id;
    private String userId;
    private String sessionId;
    private String messages;  // JSON 字符串，存储历史消息
    private LocalDateTime createTime;
    private LocalDateTime updateTime;
}

使用 MyBatis Plus 的 BaseMapper 进行持久化操作，LangChain4j 提供了 ChatMemory 接口，我们可以编写一个基于 MySQL 的自定义实现：

@Component
public class DatabaseChatMemory implements ChatMemory {

    @Autowired
    private ConversationMapper mapper;

    @Override
    public List<ChatMessage> messages(Object memoryId) {
        // 根据 sessionId 查询并反序列化
    }

    @Override
    public void add(Object memoryId, ChatMessage message) {
        // 追加消息并更新数据库
    }

    @Override
    public void clear(Object memoryId) {
        // 删除该会话
    }
}

3.2 工具调用：让智能体“动手干活”

一个强大的智能体需要能够调用外部服务。参考“无人共享羽毛球”系统的订单处理流程，我们设计一个工具接口：

@Slf4j
@Component
@ToolAgent  // LangChain4j 注解，标记该类为工具提供者
public class VenueBookingTool {

    @Tool("根据用户ID查询可预订的场地类型")
    public List<String> getAvailableVenues(@P("userId") String userId) {
        // 调用场馆服务，返回如 ["羽毛球1号场", "羽毛球2号场"]
        return Arrays.asList("羽毛球1号场", "羽毛球2号场");
    }

    @Tool("生成预订订单并返回订单号")
    public String createOrder(@P("venueId") String venueId,
                              @P("startTime") String startTime,
                              @P("userId") String userId) {
        // 插入订单表，返回订单ID
        return "ORD" + System.currentTimeMillis();
    }
}

技术要点：@Tool 注解中的描述是 LLM 理解工具功能的关键，一定要写清楚参数的类型和作用。描述越准确，智能体调用工具的准确率越高。

3.3 构建主流程：AI智能体循环

核心服务类如下，该代码整合了记忆、工具和 LLM 推理：

@Service
public class AgentService {

    @Autowired
    private ChatLanguageModel chatModel;
    @Autowired
    private ToolExecutor toolExecutor;
    @Autowired
    private DatabaseChatMemory memory;

    public String processRequest(String sessionId, String userInput) {
        // 1. 加载历史记忆
        ChatMemory cm = ChatMemoryFactory.create(sessionId, memory);

        // 2. 创建包含工具的 LLM 客户端
        AiService aiService = AiServices.builder(MyAgent.class)
                .chatLanguageModel(chatModel)
                .tools(new VenueBookingTool(), new PaymentTool())
                .chatMemory(cm)
                .build();

        // 3. 执行并返回结果
        return aiService.chat(userInput);
    }
}

其中 MyAgent 是一个简单的接口，定义了对话方法：

public interface MyAgent {
    String chat(String userMessage);
}

---

四、记忆、信号与流程控制进阶

4.1 短期与长期记忆的分层设计

高质量的企业级智能体需要区分不同类型的记忆：

• 短期记忆：存放近 N 轮对话，确保上下文不超限（LLM 上下文窗口有限）。可通过滑动窗口实现。
• 长期记忆：关键事实、用户偏好、业务实体关系。参考知识库中提供的“AI原创数字人”系统，我们可以将用户画像持久化到 MongoDB 或 Redis。

使用 Spring 的 @Async 注解异步更新长期记忆，避免阻塞主流程。

4.2 信号处理与主动推送

参照“AI系统机器人7.0”中的轮训账号与热榜板块功能，智能体在某些场景下需要主动触发动作（如定时任务、订单状态变更通知）。实现方式：

1. 消息队列：利用 RabbitMQ 的延迟队列，定时发送信号给智能体。
2. WebSocket：建立长连接，服务端主动推送消息给智能体或客户端。

示例：当用户预订场地超时未支付，主动询问：

@Component
@Slf4j
public class OrderTimeoutListener {

    @RabbitListener(queues = "order.timeout")
    public void handleTimeout(String orderId) {
        // 从数据库获取用户ID
        String userId = orderService.getUserIdByOrder(orderId);
        // 调用智能体主动发送消息（通过 WebSocket 建立连接）
        agentWebSocket.sendMessage(userId, "您有一个订单即将超时，是否继续？");
    }
}

4.3 多平台适配方案

知识库中的多个项目都采用了 UniApp 多端适配（小程序、公众号、H5、安卓、iOS）。对于智能体的输出，后端应统一返回 Markdown 或 JSON 格式，前端根据平台渲染：

• 安卓/iOS：使用 WebView 渲染。
• 公众号：直接使用公众号接口的图文消息。

---

五、案例整合：构建一个智能客服代理

假设我们要为“无人共享羽毛球”系统开发一个智能客服：

场景：用户问“我预约的明天下午3点的场地，可以帮我改成4点吗？”

智能体处理流程：

1. LLM 识别意图：修改订单。
2. 调用 QueryOrderTool 查询用户当前订单。
3. 调用 ModifyOrderTool 修改时间，并返回新订单详情。
4. 将结果通过记忆模块存入数据库。

代码片段（仅展示工具类新增部分）：

@Tool("查询用户的近一条有效订单")
public String queryLastOrder(@P("userId") String userId) {
    // 使用 MyBatis Plus 查询
    LambdaQueryWrapper<Order> wrapper = new LambdaQueryWrapper<>();
    wrapper.eq(Order::getUserId, userId)
           .orderByDesc(Order::getCreateTime)
           .last("LIMIT 1");
    Order order = orderMapper.selectOne(wrapper);
    return order != null ? order.toJsonString() : "无有效订单";
}

注意：生产环境中，工具方法应包含完整的参数校验、异常处理以及日志记录。建议每个工具方法返回统一的结果封装类（如 Result<T>）。

---

问答区（FAQ）

Q1：Java AI智能体开发哪些框架推荐？

对于企业级 Java AI 智能体开发，目前成熟的框架是 LangChain4j，它提供了对多种 LLM（OpenAI、通义千问、本地模型）的统一抽象，且内置了记忆、工具调用、RAG 等模块。如果您的项目已在使用 Spring Boot，也可以考虑 Spring AI，它的集成更紧密，但工具生态相对较新。

Q2：没有 GPU 资源，如何部署智能体？

可以完全依赖云端大模型 API（如 OpenAI、阿里云通义千问）。本地只需运行 Spring Boot 应用，成本较低。如果数据安全要求高，可使用 Ollama 在本地部署轻量级模型（如 Qwen2.5-7B），并通过 OpenAI 兼容接口集成。

Q3：如何保证工具的调用准确率？

• 工具描述的 @Tool 注解中写清功能、参数类型和输出格式。
• 对复杂的工具，添加 few-shot 示例（在 Prompt 中给 LLM 几个正确调用的例子）。
• 引入 验证机制：LLM 返回工具调用后，先校验参数，不合格则让 LLM 重试。

Q4：智能体的会话记忆需要存储多久？

根据业务需求决定：

• 临时客服：保存 30 天后自动清理。
• 订阅服务：长期保存，但需控制单条记录体积（定期剪枝）。
  使用 MySQL 的 TINYINT 字段标记是否活跃，配合定时任务进行归档。

Q5：这篇文章中的代码可以直接用于生产吗？

本文提供的代码是开发原型示例，生产环境还需要补充：

• 全面的异常处理（如 LLM 调用超时、数据库连接失败）。
• 安全防护（防注入、API Key 加密）。
• 单元测试与集成测试。
• 分布式部署的幂等性设计。

---

通过以上实战，相信您已经掌握了如何使用 Java 生态构建一个具备记忆、工具调用和多平台适配能力的 AI 智能体。核心技术点复用自多个开源项目的经验（如共享服务、AI 内容平台），希望这份指南能为您在企业级 AI 落地的道路上提供切实的帮助。