Java + Spring AI智能体开发实战｜从小白到专家｜零代码构建全能AI助手

Len AI Agent是基于Java 21 + Spring Boot + Spring AI + LangChain4j构建的开源智能体框架，提供多种大模型调用方式、知识库问答(RAG)和智能工具调用能力。项目采用ReAct框架实现智能体规划，支持任务拆解与自动执行，具备高度可扩展性。该框架适合企业级AI应用开发，帮助开发者快速构建具备自然语言理解、工具调用、知识检索与智能规划能力的全能AI助

ai绘画-安安妮

1511人浏览 · 2025-09-19 13:47:26

ai绘画-安安妮 · 2025-09-19 13:47:26 发布

🌟 从文档解析到知识图谱构建｜多模态智能交互新范式｜Java + Spring AI 实战指南

在人工智能浪潮席卷全球的今天，构建一个能听、能说、会思考的AI智能体（AI Agent）早已不再遥不可及。如今，仅需少量代码，你也可以打造一个具备自然语言理解、工具调用、知识检索与智能规划能力的「全能AI助手」。

今天，我们就走进一个开源项目 ——
👉 Len AI Agent ，看看它是如何融合当下最前沿的技术架构，赋能开发者快速构建下一代智能应用的。

📚 使用场景：为什么你需要一个AI智能体？

随着 ChatGPT、通义千问等大模型技术的普及，越来越多的企业和个人开始尝试将AI融入实际业务流程中：

场景	需求
✅ 内容创作	自动生成文章、报告、PPT
✅ 知识问答	快速解答员工/客户的常见问题
✅ 客户服务机器人	7x24小时响应咨询请求
✅ 数据提取分析	一键读取PDF、网页内容并做总结
✅ 自动化任务执行	调用工具生成文件、搜索网络信息

而这些需求的核心，正是我们今天要介绍的主角——
💡 Len AI Agent 😎

🏗️ 架构设计：强大而灵活的技术栈

✅ 核心理念：开放 → 易用 → 可扩展

该项目定位为「AI超级智能体」，其设计理念是让开发者可以：

快速接入主流大模型
深度集成AI能力
自定义工具和服务
打造专属智能Agent

（注：此处应放置架构图，实际使用时可替换为项目提供的结构图或手绘简图）

💡 技术栈概览

组件	技术选型
基础框架	Java 21 + Spring Boot 3.4.5
AI引擎	[Spring AI] + [LangChain4j]
大模型支持	阿里云DashScope（通义千问）、Ollama（本地部署）
API管理	Knife4j（可视化Swagger文档）
工具库	Hutool（实用工具）、Lombok（简化代码）
配置系统	支持 `local` / `dev` / `prod` 多环境配置

📌 这样的技术组合兼顾了稳定性、性能和开发效率，非常适合企业级AI应用落地。

🧩 实际操作：三大核心功能详解

🔹 功能一：多种方式调用大模型

Len AI Agent 并不局限于单一接口层，而是提供了四种调用方式，让你根据需求灵活选择：

调用方式	说明
✅ Spring AI	声明式调用，适合Spring生态开发者
✅ LangChain4j	链式调用，便于构建复杂工作流
✅ 原生SDK	直接使用官方API，控制力最强
✅ 自定义HTTP	支持自定义后端服务，兼容性高

✨ 代码示例：Spring AI 调用通义千问

<JAVA>

@Resource
privateChatModel dashscopeChatModel;

publicStringchat(String input) {
AssistantMessage response = dashscopeChatModel.call(newPrompt(input))
        .getResult()
        .getOutput();
returnresponse.getText();
}

✅ 特点：简洁高效，无需手动处理Token流，Spring自动注入模型实例 1

🔹 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

<JAVA>

// 假设已加载向量化文档
EmbeddingModel embeddingModel = newQwenEmbeddingModel();
VectorStore vectorStore = newMemoryVectorStore(embeddingModel);

// 创建检索器
Embeddingstore retriever = newEmbeddingstore(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 1

🔹 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！

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

工具类型	支持功能
📄 文件操作	读写文件、创建目录
🔍 联网搜索	调用搜索引擎获取实时信息
🌐 网页抓取	提取网页正文、链接
⬇️ 资源下载	下载图片、文档等资源
📄 PDF生成	使用iText/Kingsoft Office导出PDF

✨ 示例：联网搜索单词含义

<JAVA>

Tool searchTool = newWebSearchTool();
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 1

🧠 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：

用户输入：“帮我查一下北京明天天气，并生成一份汇报PPT”
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

自动执行各步骤，并跟踪状态

🔧 代码逻辑示意：

<JAVA>

publicclass WeatherAndPptAgent {
privatefinalChatLanguageModel model;
privatefinalWeatherTool weatherTool;
privatefinalPptGeneratorTool pptTool;

publicvoidexecuteTask() {
// 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” 1

🖼️ 图文展示：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.lenyan.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 1

🚀 快速上手指南（附图解）

🛠️ 环境准备

项目	版本要求
JDK	21+
Maven	3.8+
IDE	IntelliJ IDEA（推荐）

🔄 本地运行步骤

克隆项目

<BASH>

gitclonehttps://github.com/lenyanjgk/len-ai-agent.git
cdlen-ai-agent

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

<YAML>

spring:
ai:
dashscope:
api-key: YOUR_DASHSCOPE_API_KEY

启动Ollama（可选）

<BASH>

ollamapulldeepseek-r1:7b
ollamaserve

运行项目

<BASH>

mvnspring-boot:run-Dspring-boot.run.profiles=local

访问API文档

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

🔗 扩展能力展望

除已有功能外，项目还具备以下可拓展特性：

扩展方向	描述
🔄 对话记忆持久化	将聊天记录存入数据库，支持历史追溯
🧩 结构化输出	设置JSON Schema，让AI返回预定义格式数据
🖼️ 多模态支持	支持图像理解、语音识别等
📚 知识库扩展	集成Milvus/Elasticsearch等专业数据库
🛠️ 自定义工具开发	开发自己的插件（如Excel处理、邮件发送）
🧠 智能体增强	引入记忆模块、反思机制、长期目标设定

🌟 总结：为何这个项目值得关注？

优点	说明
✅ 技术先进	融合Spring AI与LangChain4j两大前沿框架
✅ 开发友好	代码清晰，注释充足，支持多环境切换
✅ 功能全面	涵盖从基础问答到复杂工具调用全流程
✅ 高度可扩展	易于添加新模型、新工具、新服务
✅ 社区活跃	提供贡献指南，鼓励共建共享