文章目录
-
- 前言
- 一、Java 项目搞 AI，别动不动就上 Python 重写
-
- 1. AI Agent 的核心不是模型，是工程
- 2. 重写老项目的隐性成本
- 3. Java 自己的 AI 生态早就跑出来了
- 二、LangChain4j：最像 Java 工程师会写出来的 AI 框架
-
- 1. 一个 `@AiService` 注解，重新定义 AI 接口
- 2. 关键能力一览
- 3. Spring Boot 集成
- 三、Spring AI Alibaba：企业级 Agent 平台的工程底座
-
- 1. 不只是框架，是平台
- 2. 一个简化版示例
- 3. 跟 LangChain4j 的差异点
- 4. 适合什么场景
- 四、LangGraph4j：把 Agent 从「聊天」拉回到状态机
-
- 1. 为什么需要图？
- 2. LangGraph4j 的核心抽象
- 3. 跟 Spring AI / LangChain4j 的关系
- 五、3 个框架到底怎么选：一棵决策树讲清
-
- 1. 三个判断维度
- 2. 三类业务场景的具体推荐
- 3. 进阶组合：三者可以并存
- 4. 一句话框架画像
- 六、什么场景反而不该上这三个框架
-
- 1. 调用量极小、就是个\”调一下大模型\”的场景
- 2. 团队连 Spring Boot 基础都没扎实
- 3. 强实时低延迟场景
- 4. 数据合规要求极高的场景
- 5. POC 阶段、需求还没定型
- 6. 反过来说：什么时候该坚决上
- 七、从架构师视角看 Java AI Agent 的几个工程取舍
-
- 1. 同步 vs 流式：用户体验还是后端工程性
- 2. Token 成本控制 vs 答题质量
- 3. 工具调用的安全边界
- 4. 记忆管理的存储选型
- 5. Agent 可观测性：链路追踪是命
- 八、给 Java 一线技术人的几条落地建议
-
- 1. 这周：跑一个 LangChain4j 的 Hello World
- 2. 这个月：选一个真实痛点 Agent 化
- 3. 这个季度：建立团队的 AI 工程规范
- 4. 持续做的事：跟踪 Java AI 生态
- 总结
前言
前两天在技术群里看到一个段子——
A：「我们老板说要搞 AI Agent，让我把 Spring Boot 项目改写成 Python 的。」 B：「那鉴权、事务、灰度、配置中心、链路追踪都要重做？」 A：「嗯……老板说这是『AI 转型』。」 B：「转型转型，转着转着就转岗了。」
群里笑归笑，但这事真不是个例。这两年聊 AI 的 Java 团队，基本只剩两条路在走：要么把自己摆烂成「调模型 API 的水管工」，给一个 RestTemplate 包装一下大模型接口就算交差；要么干脆跟着风向掉头去搞 Python，把多年沉淀下来的业务系统当包袱直接丢掉。
不少团队走过两条路，最后都不太香——前者干的活离 Agent 还差十万八千里，后者重写完一年了 RBAC 鉴权还在补窟窿。
真相是：Spring Boot 完全能做 AI Agent，缺的不是语言而是合适的\”轮子\”。 Python 有 LangChain、LlamaIndex、AutoGen、CrewAI 这一堆生态，Java 这边其实也有，只是大部分 Java 程序员没听说过。把模型调用、工具编排、记忆管理、流程图状态机这些东西，跟你现有的 @Service、@Transactional、Sentinel、Nacos 接到一
