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

Ne0inhk

25 Mar 2026 — 13 min read

🌟 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

访问API文档

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

运行项目

<BASH> mvnspring-boot:run-Dspring-boot.run.profiles=local

启动Ollama（可选）

<BASH> ollamapulldeepseek-r1:7b ollamaserve

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

<YAML> spring: ai: dashscope: api-key: YOUR_DASHSCOPE_API_KEY

克隆项目

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

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