AI Agent 全栈简历实战：Java + Python + Vue3 跨语言开发

• 前端框架：精通 Vue3、TypeScript、Element Plus/Ant Design Vue 等前端技术栈，熟练掌握 Vue3 组合式 API、Pinia 状态管理、Vue Router 路由管理；
• 工程化：熟练使用 Vite 构建工具，具备 TypeScript 类型安全开发、ESLint 代码规范、前端性能优化的工程化能力；
• 全栈对接：可基于 Axios/Fetch 完成与 Java 后端 API 的无缝对接，实现会话管理、数据可视化、Agent 配置等复杂交互功能。

四、中间件与数据存储

• 数据库：MySQL（InnoDB 引擎、索引优化、分库分表）、Redis（分布式锁、多级缓存）、Milvus/Chroma（向量数据库）；
• 消息队列：RabbitMQ（异步任务、消息解耦）；
• 开发工具：Maven/Gradle、Git、Docker、Docker Compose、Postman、Junit5。

项目经历

两大项目核心指标对比：

威武金融信贷管理微服务平台 · Agent 全栈开发

项目地址：https://github.com/CelestialVisionary/wwCredit

技术栈：

Java 21、Spring Boot 3、Spring Cloud Alibaba、MyBatis-Plus、MySQL、Redis、Nacos、Vue3、TypeScript、Vue Router、Pinia、Python、LangChain、LangGraph、FastAPI、JWT、Maven、RESTful API

项目描述：

主要开发的普惠金融背景全链路信贷管理微服务平台，覆盖「端用户借款 / 流程全生命周期、B 端管理端风险审批 / 运营管理全流程。采用 Java 微服务与工程底座、Python AI Agent 为智能核心、TypeScript 前端为交互入口的跨语言全栈架构，支撑借款配置、用户积分、风控审批、公告管理、智能金融助手等核心功能，适配多端交互并满足金融级接口安全与数据合规要求。

主要工作：

• 后端开发：基于 Spring Boot 3+MyBatis-Plus 实现用户管理、积分等级、借款管理、出借管理等核心业务模块的 CRUD 操作，开发用户登录记录 TOP50 高频查询接口，通过 QueryWrapper 技术动态查询条件，优化索引将接口响应效率提升 85%；手动注册 BorrowInfoMapper Bean，优化 MyBatis 映射配置，手写借款信息多表关联查询 SQL，替代循环子查询方案查询耗时降低 86%；封装 RequestHelper 通用工具类实现请求参数标准化转换，新增 BatchSqlGrammarException 等 11 类业务异常全局统一处理，提升接口容错性与标准化程度；基于 Spring Cloud Alibaba 完成微服务架构拆分，通过 Nacos 实现服务注册发现与配置中心管理，Gateway 网关实现统一路由与流量控制，构建完整微服务治理体系；

// Java 后端调用 Python Agent 的安全封装（Spring Boot）
@Service
public class AiAgentService {
    @Value("${agent.service.url:http://ai-agent:8000/query}")
    private String agentUrl;
    private final RestTemplate restTemplate;

    public AiAgentService(RestTemplateBuilder builder) {
        this.restTemplate = builder.setConnectTimeout(Duration.ofSeconds(2)).setReadTimeout(Duration.ofSeconds(5)).build();
    }

    public String queryFinancialAssistant(String question, Long userId) {
        Map<String, Object> payload = Map.of(
            "question", question,
            "user_id", userId,
            "domain", "finance"
        );
        try {
            ResponseEntity<AgentResponse> response = restTemplate.postForEntity(agentUrl, payload, AgentResponse.class);
            return response.getBody().getAnswer();
        } catch (Exception e) {
            log.warn("AI Agent 调用失败，启用兜底回答", e);
            return "当前智能助手繁忙，请稍后重试或联系客服。";
        }
    }

    public static class AgentResponse {
        private String answer;
        // getter/setter omitted
    }
}

• AI Agent 全栈开发：从零搭建 Python AI 微服务模块，基于 FastAPI 构建标准化 AI 推理接口，通过 HTTP 实现 Java 后端与 Python 服务的跨语言通信，设计服务健康检查与断路器机制，保障服务可用性达 99.95%；基于 LangChain+LangGraph 构建金融领域专属 ReAct 智能体工作流，设计 7 步核心执行链路，大幅降低大模型幻觉，保障金融场景输出的专业性与合规性；完成金融领域大模型微调全流程落地，基于 10w+ 条高质量金融标注数据优化模型超参数，微调后金融专业问答准确率从 61% 提升至 88%；自研 RAG 检索增强模块，基于 Milvus 向量数据库建立嵌套结构知识库，实现文档向量化与混合检索，知识库召回率达 92%；封装 12+ 金融场景专属工具插件，实现 Agent 与业务系统深度打通，支持自主调用接口完成资质校验、风险评估、理财推荐等复杂任务；设计 AI 服务不可用时的自动回退兜底机制，保障系统核心功能不中断；

• 前端开发：基于 Vue3+TypeScript+Vite 完成用户前台与管理后台两个前端项目的核心开发，采用 Pinia 全局状态管理、Vue Router 做路由管理，累计开发 32 个核心页面与 56 个通用业务组件；封装 Axios 请求/响应拦截器，实现 JWT Token 自动携带、过期刷新与全局异常处理，基于 TypeScript 实现全链路类型安全，杜绝 any 类型滥用，制定统一代码规范提升项目可维护性；配合后端完成全模型页面联调，实现借款申请、授信列表、智能金融助手、审批管理等核心功能的前端交互与数据渲染；

• 接口与安全：基于 JWT 实现接口无状态认证，配合前端完成路由级别的权限控制，针对不同角色实现精细化菜单与操作权限管控，保障金融系统访问安全；遵循 RESTful API 设计规范，基于 Swagger/OpenAPI 3.0 生成标准化接口文档，累计完成 86 个业务接口的设计与开发，适配 Java 21 版本新特性，通过 Maven 实现多模块项目统一构建、依赖管理与版本控制，保障后端服务稳定运行；基于 SLF4J+Logback 实现全链路日志管理，满足金融系统合规审计要求。

AI 助学刷题系统 · Agent 全栈开发

项目地址：https://github.com/CelestialVisionary/studyforge

技术栈：

Java 17、Spring Boot 3.0.5、MyBatis Plus 3.5.3.1、MySQL 8.0+、Redis 6.0+、Spring Cache、JWT、Swagger/Knife4j、GPT-3.5-turbo、Kimi AI、阿里云百炼（qwen3-max）、Ollama（mgegemma）、FastAPI、LangChain、LangGraph、PEFT、LoRA、Vue 3、Vite、Element Plus、Axios、Pinia、Vue Router、Docker、docker-compose

项目描述：

独立开发的 AI + 单体架构 Java 实战项目，聚焦学生复习痛点，搭建「知识点检索 - 智能刷题 - 错题复盘」核心流程。后端基于 Spring Boot 实现题库管理、用户练习记录等基础接口，前端基于 Vue3+Element Plus 完成交互，自研独立 AI Module（FastAPI + LangChain+LangGraph），支持本地 Ollama 与云端 GPT-3.5 / 阿里云百炼多模型切换，实现智能答疑、知识点解析、实时语义响应等功能。小范围服务 200+ 学生，帮助复习效率提升 40%。

主要工作：

• 后端开发：基于 Spring Boot + MyBatis Plus 实现题库 CRUD、知识标签管理、用户练习记录、错题本等核心业务接口，使用 @Transactional 注解管理事务；用 Redis+Spring Cache 缓存高频访问的知识点数据与热门排行榜，接口响应速度提升 30%；基于 JWT 实现接口无状态认证与授权机制，保障系统安全；遵循 RESTful API 设计规范，基于 Swagger/Knife4j 生成标准化接口文档；

以下为基于 LangGraph 构建的教育领域智能体核心工作流代码示例：

# Python: 教育场景 ReAct Agent 工作流（LangGraph 实现）
from langgraph.graph import StateGraph, END
from typing import TypedDict, List

class StudyState(TypedDict):
    question: str
    thought_steps: List[str]
    tool_results: List[dict]
    final_answer: str

def plan(state: StudyState):
    """Step 1: 让 LLM 分步思考"""
    prompt = f"""你是一名资深教师。请分步解答：
    问题：{state['question']}
    要求：1. 判断知识点类别 2. 决定是否需查题库或知识点库"""
    response = llm.invoke(prompt)
    state["thought_steps"].append(response.content)
    return state

def execute_tools(state: StudyState):
    """Step 2: 根据思考结果调用工具"""
    last_step = state["thought_steps"][-1]
    if "知识点" in last_step:
        knowledge = rag_retriever.search(state["question"])
        state["tool_results"].append({"type":"knowledge","content": knowledge})
    elif "题目" in last_step:
        similar_questions = question_db.find_similar(state["question"])
        state["tool_results"].append({"type":"questions","items": similar_questions})
    return state

def generate_answer(state: StudyState):
    """Step 3: 融合工具结果生成教学式回答"""
    context = "\n".join([ item.get("content","") or str(item.get("items","")) for item in state["tool_results"]])
    final_prompt = f"""基于以下教学资料，用通俗易懂的方式回答：
    {context}
    问题：{state['question']}
    要求：分点解释，避免专业术语堆砌"""
    state["final_answer"] = llm.invoke(final_prompt).content
    return state

workflow = StateGraph(StudyState)
workflow.add_node("plan", plan)
workflow.add_node("tools", execute_tools)
workflow.add_node("answer", generate_answer)
workflow.set_entry_point("plan")
workflow.add_edge("plan", "tools")
workflow.add_edge("tools", "answer")
workflow.add_edge("answer", END)
study_agent = workflow.compile()

• AI 功能全栈落地：对接 GPT-3.5 API 与 Kimi AI API 实现智能答疑功能，针对知识点解析、题目解答场景优化 Prompt 模板，让 AI 答题准确率达 85%；从零搭建独立 AI Module 微服务，基于 FastAPI 构建标准化 AI 接口，集成 LangChain+LangGraph 构建智能对话流程，实现 PEFT 参数高效微调，支持 LoRA 技术适配自定义学习数据；集成本地 Ollama 模型，同时支持阿里云百炼与 OpenAI 云端模型，采用标准 OpenAI API 格式兼容多模型切换；实现实时流式响应与思考过程提取，优化用户交互体验；设计智能回退机制，当高级模型不可用时自动回退到内置模型，保障服务可用性；

• 前端开发：基于 Vue 3+Vite+Element Plus 搭建前端工程，使用 Pinia 做全局状态管理、Vue Router 做路由管理，开发知识点检索、智能刷题、错题本、练习统计等核心页面；封装 Axios 请求/响应拦截器，实现 JWT Token 自动携带与全局异常处理；在智能刷题页面集成 AI 答题按钮，实现流式响应结果的美观展示，优化用户交互流程；

<!-- Vue3 + TypeScript: 流式 AI 回答组件 -->
<template>
  <div>
    <div v-html="streamedAnswer"></div>
    <button @click="fetchAIAnswer" :disabled="loading">
      {{ loading ? '思考中...' : '问 AI' }}
    </button>
  </div>
</template>
<script setup lang="ts">
import { ref } from 'vue'
const streamedAnswer = ref('')
const loading = ref(false)
const fetchAIAnswer = () => {
  const question = '如何求解一元二次方程？'
  streamedAnswer.value = ''
  loading.value = true
  const eventSource = new EventSource(`/api/ai/stream?question=${encodeURIComponent(question)}`)
  eventSource.onmessage = (event) => {
    const data = JSON.parse(event.data)
    if (data.type === 'token') {
      streamedAnswer.value += data.text
    } else if (data.type === 'end') {
      eventSource.close()
      loading.value = false
    }
  }
  eventSource.onerror = () => {
    eventSource.close()
    loading.value = false
    streamedAnswer.value += '\n\n⚠️ 连接中断，请重试。'
  }
}
</script>
<style scoped>
.ai-response { font-family: 'Courier New', monospace; white-space: pre-wrap; }
</style>

• 部署实践：编写 Dockerfile 完成后端、前端、AI Module 的容器化打包，使用 docker-compose 编排多服务（后端、前端、AI、MySQL、Redis）一键部署；部署至云服务器，配置健康检查与日志管理，支持 200+ 用户稳定访问；
• 前后端联动：配合前端完成全量页面联调，保障知识点查询、智能刷题、练习记录读取、错题复盘等核心功能正常可用，优化用户体验提升使用效率。