Java + Spring AI 智能体开发实战：构建全能 AI 助手

✅ 特点：简洁高效，无需手动处理 Token 流，Spring 自动注入模型实例

功能二：知识库问答（RAG）

知识库增强检索（Retrieval-Augmented Generation, RAG）是当前最有价值的 AI 应用场景之一。

单纯依赖大模型记忆'知识'存在局限性 —— 它记不住最新信息，也可能'一本正经地胡说八道'。因此，引入外部知识库成为关键解决方案。

Len AI Agent 的 RAG 实现包括：

• 接入本地知识库（如 PDF、TXT 文件）
• 向量数据库检索（支持 embedding 匹配）
• 上下文增强查询（Context-aware search）

代码片段：构建 RAG 链路

// 假设已加载向量化文档
EmbeddingModel embeddingModel = new QwenEmbeddingModel();
VectorStore vectorStore = new MemoryVectorStore(embeddingModel);
// 创建检索器
Embeddingstore retriever = new Embeddingstore(vectorStore);
// 构建 RAG 链
RagChain ragChain = RagChain.builder()
        .retriever(retriever)
        .llm(model)
        .build();
String answer = ragChain.generate("公司今年营收是多少？");

🌟 优势：结合真实资料来源，提升回答准确性，避免幻觉问题

功能三：智能工具调用 + MCP 服务

真正的'智能体'，不仅要会说话，更要能做事！

项目支持通过 MCP (Model Context Protocol) 协议，实现对各种工具的自动化调用：

示例：联网搜索单词含义

Tool searchTool = new WebSearchTool();
List<String> results = searchTool.execute("什么是人工智能？");
System.out.println(results.get(0));

💡 这种机制类似于 AutoGPT 或 LangGraph 中的'agent agent'模式，实现自主决策与执行

更高级的应用：智能体规划能力（ReAct 模式）

如果说前面的功能是'单次动作'，那么接下来这项能力就是'连续推理' —— 基于 ReAct 框架的智能体规划能力。

ReAct = Reasoning + Acting：先思考，再行动。

典型流程如下：

1. 用户输入：'帮我查一下北京明天天气，并生成一份汇报 PPT'
2. AI 分析任务拆解：
   • Step 1: 调用天气 API 获取数据
   • Step 2: 生成一段描述性文本
   • Step 3: 使用工具生成 PPT
3. 自动执行各步骤，并跟踪状态

代码逻辑示意：

public class WeatherAndPptAgent {
    private final ChatLanguageModel model;
    private final WeatherTool weatherTool;
    private final PptGeneratorTool pptTool;

    public void executeTask() {
        // 步骤 1：推理
        String reason = model.chat("我现在需要做什么？");
        // 步骤 2：行动
        if (reason.contains("查天气")) {
            String weather = weatherTool.fetchWeather("北京");
        }
        // 步骤 3：输出结果
        pptTool.createPresentation(weather + "明日预报", "北京");
    }
}

🚀 该设计极大地提升了 AI 的自动化水平，使它从'对话机器'迈向'任务执行者'

项目结构一览

以下是项目的完整目录结构：

text
len-ai-agent/
├── src/
│   ├── main/
│   │   ├── java/
│   │   │   └── com.example.lenaiagent/
│   │   │       ├── controller/ # RESTful API 控制器
│   │   │       ├── demo/ # 各种调用方式演示
│   │   │       ├── config/ # 通信配置、模型参数等
│   │   │       ├── service/ # 核心业务逻辑
│   │   │       └── Application.java # 主启动类
│   │   └── resources/
│   │       ├── application.yml # 公共配置
│   │       └── application-local.yml # 本地开发配置
├── pom.xml # Maven 依赖管理
└── README.md # 文档说明

💡 清晰分层设计，便于后期扩展和维护

快速上手指南

环境准备

本地运行步骤

访问 API 文档

打开浏览器：http://localhost:8102/api/swagger-ui.html

运行项目

mvn spring-boot:run -Dspring-boot.run.profiles=local

启动 Ollama（可选）

ollama pull deepseek-r1:7b && ollama serve

配置 API 密钥 修改 src/main/resources/application-local.yml：

spring:
  ai:
    dashscope:
      api-key: YOUR_DASHSCOPE_API_KEY

克隆项目

git clone https://github.com/example/len-ai-agent.git
cd len-ai-agent

扩展能力展望

除已有功能外，项目还具备以下可拓展特性：

总结：为何这个项目值得关注？

无论是想学习 AI 开发，还是希望快速上线 AI 产品，该项目都是一个绝佳起点。