Regnexe 是基于 Spring Boot 的 Java Agent 框架，核心采用 Search→Plan→Execute→Reflect 四步闭环，让 Agent 从"单次答题"升级为"自主完成任务"。与 SDK 不同，它作为 Agent Harness 掌控执行主导权，自动完成能力检索、计划编排、工具调用和结果反思。框架支持多工具注册、Skill 子工作流、Sub-Agent 独立任务、

本文介绍了如何将企业现有的RPC服务快速接入AI Agent系统，重点讲解了j-langchain框架的@AgentTool注解体系。主要内容包括： 背景需求：不改动现有RPC接口，最小化配置即可接入AI Agent，支持Dubbo/Feign等协议统一接入。 参数描述的三种方式： @AgentTool.params内联@ParamDesc（适用于第三方VO） VO字段上的@Param（适用于自有

摘要：j-langchain是一个专为Java开发者设计的AI应用开发框架，无需AI经验即可快速构建基于大模型的问答、RAG知识库等应用。其核心采用链式编排模式，通过Prompt模板、大模型和输出解析器的组合实现功能。框架支持流式输出、JSON结构化返回、事件流调试，并能无缝切换本地模型（如Ollama）。典型用法包括5分钟快速集成、三步构建AI链（Prompt→LLM→Parser）以及实时流式

本文系统对比了四种AI记忆框架：轻量级GraphRAG实现LightRAG、对话记忆中间件Mem0、时态知识图引擎Graphiti和通用AI记忆系统Cognee。LightRAG适合单文档问答，Mem0擅长对话记忆，Graphiti支持时间维度推理，Cognee则提供完整的记忆与知识融合。这些框架展现了AI记忆系统从简单检索向认知增强的演进趋势，未来将融合图结构、语义理解和时间演化能力，构建更智能

本文介绍了如何用Java构建基于ReAct模式的AI Agent。Agent通过循环执行推理（Reasoning）和行动（Acting），能主动调用工具完成任务。文章详细讲解了工具定义、ReAct Prompt模板设计、推理循环构建和工具执行逻辑的实现方法，并提供了完整示例。相比Python的LangChain，j-langchain采用显式构建方式，更透明且易于调试。这种模式适用于需要主动获取信

本文介绍了Java开发者如何通过j-langchain框架实现LLM与TTS（语音合成）的集成。文章首先阐述了语音合成在智能助手、内容播报等场景的必要性，随后详细讲解了核心数据结构TtsCard（同步结果）和TtsCardChunk（流式结果）的设计，支持文字与音频的同步输出。开发者可通过同步调用或流式输出两种方式实现语音合成，并支持豆包（字节跳动）和阿里云两种TTS供应商的无缝切换。最后提供了完

IndexTTS2 是 B 站团队推出的第二代大规模自回归 Text-to-Speech（TTS）模型。功能macOS 支持情况DeepSpeed❌ 完全不支持❌ 没 CUDAGPU（Metal 加速）✔ PyTorch 支持 MetalFP16✔️ 推荐开启WebUI✔ 正常运行模型推理✔ 速度尚可，音质优所以 mac 上跑 IndexTTS2 完全没问题，只要避开 DeepSpeed。AI 数

摘要：本文介绍Java实现AI流式输出的6种方式，适用于实时对话场景。核心包括直接流式调用LLM（llm.stream()）、链式流式处理（chainActor.stream()）、中断生成（chainActor.stop()）、流式JSON解析（JsonOutputParser）以及事件流监控（streamEvent()）。重点对比了同步与流式模式的用户体验差异，并提供了Spring Boot集

本文介绍 j-langchain 中 Proposer-Critic 多轮辩论模式：两个纯 LLM Agent 通过 loop() 迭代协作，Proposer 以高 temperature 生成方案，Critic 以低 temperature 严格评审，输出 [APPROVED]/[CRITIQUE] 结构化信号驱动循环，无需任何工具依赖，是"生成-评审-改进"场景最轻量的多 Agent 实现方案

本文介绍了如何使用 McpAgentExecutor 简化 Java 开发中的 MCP 工具调用流程。通过封装 Function Calling 循环逻辑，开发者只需配置模型、工具组和系统提示，即可实现多步推理任务。相比手动实现减少了 80% 代码量，同时提供工具调用和结果回调功能。文章包含最简示例、执行效果展示、参数说明及实用建议，适用于需要将 AI 与企业系统集成的 Java 开发者。相关代码