CRUD 项目的典型特点

说明

输入明确

用户必须知道要调用哪个功能，前端必须按接口定义传固定参数。

流程固定

系统只能执行程序员提前写好的业务流程。

数据驱动

主要围绕数据库中的数据进行增删改查。

表达有限

接口返回结构化结果，但不能主动理解复杂意图。

@GetMapping("/user/{id}") public BaseResponse<UserVO> getUser(@PathVariable Long id) { UserVO userVO = userService.getUserById(id); return ResultUtils.success(userVO); }

用户请求 ↓ Controller 接收参数 ↓ Service 处理业务逻辑 ↓ Mapper 查询数据库 ↓ 返回结果

从“接口驱动”升级到“意图驱动”：用户不再必须知道接口细节，而是用自然语言表达目标，由 Agent 选择合适的工具和数据来源。

对比项

传统 CRUD

AI Agent

输入方式

固定参数、固定接口

自然语言、上下文输入

执行逻辑

代码中写死流程

模型判断意图，动态选择工具

数据来源

主要来自数据库

数据库、知识库、文件、外部 API

输出结果

JSON 或固定对象

文本、JSON、结构化对象、任务结果

核心难点

业务逻辑、SQL、接口设计

Prompt、工具调用、RAG、权限和可观测性

面试亮点

基础开发能力

AI 工程化和业务集成能力

用户自然语言输入 ↓ Agent 理解用户意图 ↓ 判断是否需要查询知识库 ↓ 判断是否需要调用业务工具 ↓ 调用数据库 / API / 文件 / 第三方服务 ↓ 整合结果 ↓ 返回自然语言或结构化结果

AI Agent = 大模型 + Prompt + 工具调用 + 知识库 + 记忆 + 业务系统 + 工程化控制

你是一个 Java 后端学习助手。 你的任务是帮助用户分析 Java 后端项目、解释面试题、生成学习计划。 回答时尽量结合 Spring Boot、MySQL、Redis、项目经验进行说明。 如果用户的问题需要查询项目数据，必须调用后端工具，不要编造。

@Component public class StudyTools { @Tool(description = "查询用户最近的 Java 后端错题") public List<WrongQuestionVO> getRecentWrongQuestions(Long userId) { return wrongQuestionService.listRecentWrongQuestions(userId); } @Tool(description = "为用户创建一条学习任务") public String createStudyTask(Long userId, String title, String description) { studyPlanService.createTask(userId, title, description); return "学习任务创建成功：" + title; } }

文档上传 ↓ 文本切分 ↓ 生成向量 ↓ 存入向量数据库(pgvector) ↓ 用户提问 ↓ 问题向量化 ↓ 相似度检索 ↓ 取出相关片段 ↓ 拼接到 Prompt ↓ 模型生成回答

{ "title": "Java 后端 7 天复习计划", "tasks": [ { "day": 1, "topic": "Java 集合", "content": "复习 HashMap、ArrayList、ConcurrentHashMap" } ] }

项目定位

说明

目标用户

准备 Java 后端实习的同学。

核心问题

不知道怎么复习、项目不会包装、八股不会结合项目讲、面试回答不够具体。

Agent 能力

知识问答、面试回答优化、项目亮点包装、学习计划生成、错题查询和任务创建。

技术亮点

Spring AI、Tool Calling、RAG、结构化输出、会话记忆、权限控制和日志追踪。

前端 ↓ Controller ↓ Service ↓ Mapper ↓ MySQL

前端 ↓ AI Controller ↓ AgentService ↓ Prompt 构建 ↓ ChatClient 调用模型 ↓ Tool Calling / RAG / Memory ↓ 业务系统 / 数据库 / Redis / 向量库 ↓ 统一响应 BaseResponse

src/main/java/com/example/aiagent ├── controller │ └── AiController.java ├── service │ ├── AiAgentService.java │ ├── RagChatService.java │ └── StudyPlanService.java ├── tools │ └── StudyTools.java ├── model │ ├── request │ │ └── AiChatRequest.java │ ├── response │ │ └── AiChatResponse.java │ └── dto │ └── StudyPlanResult.java ├── rag │ ├── DocumentIngestionService.java │ └── VectorStoreService.java ├── common │ ├── BaseResponse.java │ ├── ResultUtils.java │ └── ErrorCode.java └── exception ├── BusinessException.java └── GlobalExceptionHandler.java

后端技术栈

说明

Java / Spring Boot

承担基础 Web 服务、接口路由、参数校验和依赖注入。

Spring AI

封装模型调用、工具调用、RAG Advisor、结构化输出等能力。

MyBatis-Plus / MySQL

保存用户、错题、学习计划、聊天记录等业务数据。

Redis

保存短期会话上下文、热点数据和限流计数。

VectorStore

存储文档向量，用于 RAG 检索增强。

Knife4j / Swagger

生成接口文档，方便前后端联调。

Docker / Nginx

完成部署、反向代理和静态资源托管。

@Data @AllArgsConstructor @NoArgsConstructor public class BaseResponse<T> { private int code; private String message; private T data; } public class ResultUtils { public static <T> BaseResponse<T> success(T data) { return new BaseResponse<>(0, "ok", data); } public static <T> BaseResponse<T> error(int code, String message) { return new BaseResponse<>(code, message, null); } }

@Data public class AiChatRequest { @NotBlank(message = "问题不能为空") private String message; private String conversationId; } @Data @Builder public class AiChatResponse { private String answer; private Boolean usedTool; private Boolean usedRag; private String conversationId; }

@RestController @RequestMapping("/ai") @RequiredArgsConstructor public class AiController { private final AiAgentService aiAgentService; @PostMapping("/chat") public BaseResponse<AiChatResponse> chat(@RequestBody @Valid AiChatRequest request) { AiChatResponse response = aiAgentService.chat(request); return ResultUtils.success(response); } }

@Service @RequiredArgsConstructor public class AiAgentService { private final ChatClient chatClient; public AiChatResponse chat(AiChatRequest request) { String answer = chatClient .prompt() .system(""" 你是一个 Java 后端学习助手。 你擅长 Spring Boot、MySQL、Redis、项目面试和实习求职。 回答时要清晰、具体，尽量结合真实项目场景。 """) .user(request.getMessage()) .call() .content(); return AiChatResponse.builder() .answer(answer) .usedTool(false) .usedRag(false) .conversationId(request.getConversationId()) .build(); } }

@Service @RequiredArgsConstructor public class AiAgentService { private final ChatClient chatClient; private final StudyTools studyTools; public AiChatResponse chat(AiChatRequest request) { String answer = chatClient .prompt() .system(""" 你是一个 Java 后端学习助手。 当用户需要查询错题、创建学习任务、生成复习计划时， 可以调用系统提供的工具。 不要编造用户数据，必须通过工具查询。 """) .user(request.getMessage()) .tools(studyTools) .call() .content(); return AiChatResponse.builder() .answer(answer) .usedTool(true) .usedRag(false) .conversationId(request.getConversationId()) .build(); } }

@Service @RequiredArgsConstructor public class RagChatService { private final ChatModel chatModel; private final VectorStore vectorStore; public String askWithRag(String question) { QuestionAnswerAdvisor advisor = QuestionAnswerAdvisor .builder(vectorStore) .build(); return ChatClient.builder(chatModel) .build() .prompt() .system(""" 你是一个 Java 后端项目文档助手。 请优先根据知识库内容回答。 如果知识库中没有相关信息，请明确说明不知道，不要编造。 """) .user(question) .advisors(advisor) .call() .content(); } }

@Data public class StudyPlanResult { private String title; private List<StudyTask> tasks; @Data public static class StudyTask { private Integer day; private String topic; private String content; } } public StudyPlanResult generateStudyPlan(String userInput) { return chatClient .prompt() .system(""" 你是一个 Java 后端学习规划助手。 请根据用户目标生成结构化学习计划。 内容要适合实习面试准备。 """) .user(userInput) .call() .entity(StudyPlanResult.class); }

CREATE TABLE ai_chat_message ( id BIGINT PRIMARY KEY AUTO_INCREMENT, conversation_id VARCHAR(64) NOT NULL, user_id BIGINT NOT NULL, role VARCHAR(20) NOT NULL, content TEXT NOT NULL, create_time DATETIME DEFAULT CURRENT_TIMESTAMP );

@Tool(description = "删除学习任务，执行前必须确认用户权限") public String deleteStudyTask(Long userId, Long taskId) { if (!permissionService.canDeleteTask(userId, taskId)) { throw new BusinessException(ErrorCode.NO_AUTH_ERROR); } studyPlanService.deleteTask(taskId); return "删除成功"; }

建议记录字段

说明

traceId

串联一次请求链路。

conversationId

定位一次多轮对话。

userId

定位用户和权限边界。

prompt

排查模型为什么这样回答。

toolName / toolArgs

排查模型选择了哪个工具、入参是否正确。

toolResult

排查工具返回是否异常。

retrievedDocs

排查 RAG 检索是否命中正确文档。

modelResponse

记录最终模型输出。

// 不推荐 @Tool(description = "处理任务") public String handleTask(String input) { ... } // 推荐 @Tool(description = "根据用户 ID 查询最近 10 条 Java 后端面试错题") public List<WrongQuestionVO> getRecentJavaWrongQuestions(Long userId) { ... }

使用 Spring Boot 和大模型 API 实现 AI 问答功能。

基于 Spring Boot + Spring AI 构建 Java 后端学习助手 Agent，实现自然语言问答、工具调用、RAG 知识库检索和结构化学习计划生成；通过 @Tool 封装错题查询、学习任务创建等后端能力，使模型能够根据用户意图自动调用业务工具；使用向量数据库存储项目文档和面试资料，结合 RAG 提升回答准确性；对 AI 请求链路记录 conversationId、toolName、toolArgs 和模型响应，方便问题排查和后续优化。

普通调接口主要是把用户问题发给模型，然后返回一段文本。而我的项目更偏 Agent 化，模型可以根据用户意图决定是否调用后端工具。比如用户说“帮我看最近 Redis 错题并安排复习任务”，模型会先调用错题查询工具，再调用学习任务创建工具，最后整合成回答。也就是说，它不只是聊天，而是能结合业务系统完成任务。

RAG 的流程是先把项目文档、面试资料等内容切分成文本片段，然后通过 Embedding 模型转成向量，存入向量数据库。用户提问时，系统会把问题也转成向量，然后做相似度检索，找出最相关的文档片段。最后把这些片段作为上下文传给大模型，让模型基于检索到的资料回答。这样可以减少模型胡编，也能回答一些模型原本不知道的项目内部知识。

工具调用的风险主要是模型可能错误选择工具，或者用户通过提示词诱导模型执行敏感操作。所以我不会让模型直接操作数据库，而是把工具封装成受控的 Java 方法。每个工具内部都要做参数校验、权限校验和日志记录。对于删除、修改这类高风险操作，还可以增加二次确认。模型只负责提出调用请求，真正是否执行由后端业务代码控制。