Java 工程师 AI 智能体学习路线 · 阶段 7：框架与生态 详解

Java 工程师 AI 智能体学习路线 · 阶段 7：框架与生态 详解

本阶段目标：在了解单/多智能体原理后，学会选型与落地——弄清 Java 主流框架（Spring AI、LangChain4j、Spring AI Alibaba、Semantic Kernel）的定位与差异，并以 Python 框架（LangGraph/AutoGen/CrewAI）作为设计范式参考。

注：

博客：

https://blog.csdn.net/badao_liumang_qizhi

7.1 为什么要用框架

讲解
裸调 API 适合学习原理，但生产落地会遇到大量重复工程：消息组装、重试退避、流式、工具注册、记忆管理、多 Agent 编排、可观测埋点。框架把这些通用能力标准化，让开发者聚焦业务。

核心价值

• 统一抽象：屏蔽厂商差异（ChatClient/ChatLanguageModel）。
• 开箱能力：工具、记忆、RAG、流式、拦截器。
• 可编排：内置图/链/Agent 编排原语。
• 可观测：与日志、链路追踪集成。

面试知识点

• Q：框架和裸调 API 如何权衡？
  A：学习/原型可裸调以理解原理；生产用框架降本提效、统一治理。但要警惕过度抽象带来的调试黑盒，关键路径需能"下钻"到原始报文。

7.2 Java 主流框架

7.2.1 Spring AI

• 定位：Spring 官方 AI 抽象，最贴合 Spring Boot 生态。
• 核心：ChatClient、ChatModel、VectorStore、ToolCallback、Advisor（拦截链）。
• 示例

@AutowiredChatClientchatClient;publicStringask(Stringq){returnchatClient.prompt().system("你是 Java 导师").user(q).call().content();}

• 适用：已有 Spring Boot 后端、希望最小侵入接入 LLM 的团队。

7.2.2 LangChain4j

• 定位：LangChain 的 Java 实现，链式/Agent API 成熟，轻量灵活。
• 核心：ChatLanguageModel、AiServices（用接口+注解声明 Agent）、@Tool。
• 示例

interfaceAssistant{@SystemMessage("你是 Java 导师")Stringanswer(@UserMessageStringq);}Assistantbot=AiServices.create(Assistant.class,model);Stringr=bot.answer("什么是虚拟线程？");

• 适用：想要"声明式 Agent"、快速组合链与工具的开发者。

7.2.3 Spring AI Alibaba

• 定位：阿里系对 Spring AI 的扩展，对通义千问（DashScope）深度优化，并提供Agent Framework与可视化Dashboard。
• 特色：内置 Agent 编排、国内模型/合规友好、示例丰富（含 A2A、Harness 等）。
• 适用：国内业务、使用通义/百炼、希望获得较完整 Agent 能力的团队。

7.2.4 Semantic Kernel for Java（微软）

• 定位：微软跨语言 SDK，强调Plugin（插件）与Planner（规划器），企业集成友好。
• 核心概念：Kernel为运行容器；Function为可调用单元；Plugin是函数的集合；Planner 负责把目标拆成函数调用计划。
• 示例（概念示意）

Kernelkernel=Kernel.builder().withAIService(ChatCompletion.class,model).build();// 注册 Plugin/Function 后，由 Planner 自动编排

• 适用：微软技术栈、强调 Plugin 化能力治理的企业。

7.2.5 协议层 SDK（MCP / A2A）

• 框架负责"编排"，协议 SDK 负责"连接"：
  • MCP SDK（Java）：连接 MCP Server，把工具/资源标准化接入。
  • A2A SDK：实现 Agent Card 发现与跨 Agent 任务协作。

面试知识点

• Q：Spring AI 与 LangChain4j 的核心差异？
  A：Spring AI 更"Spring 原生"，与 Boot/依赖注入/Advisor 体系融合深；LangChain4j 更轻量、声明式（AiServices），跨框架移植性好。两者能力趋同，按团队技术栈选。

7.3 Python 框架（范式参考，不必重写）

多数 Agent 前沿范式先在 Python 出现。Java 工程师应学其设计模式，而非把业务迁到 Python。

7.3.1 LangGraph

• 用有向图 + 状态编排 Agent，支持循环/分支/人机中断，是图编排事实标准。
• Java 侧可借鉴其"节点/边/状态/条件边"思想自行实现或用框架对应能力。

7.3.2 AutoGen（微软）

• 多 Agent对话协作：UserProxy、Assistant、GroupChat，适合多角色讨论与代码执行。

7.3.3 CrewAI

• 以Role（角色）/ Crew（团队）/ Task（任务）组织多 Agent，强调"岗位化"协作，上手直观。

面试知识点

• Q：为什么建议 Java 工程师参考 Python 框架？
  A：Agent 前沿范式（图编排、多 Agent 协作）多在 Python 先成熟；理解其设计后可用 Java 框架/A2A 等价落地，避免重复踩坑，也便于跨语言团队协作。

7.4 框架选型建议

一般路径：以Spring AI / LangChain4j为主战场，用 Python 框架做范式参考，协议层用 MCP/A2A 解耦工具与跨 Agent 通信。

面试知识点

• Q：如何避免被某个框架"锁定"？
  A：业务代码依赖抽象接口（如ChatClient）而非具体实现；工具/协议走标准（MCP/A2A）；把编排逻辑与框架解耦，必要时可平滑替换底层。

7.5 阶段 7 自测清单

• 能对比 Spring AI 与 LangChain4j 的异同
• 能说出 Spring AI Alibaba 的特色能力
• 能解释 Semantic Kernel 的 Plugin/Planner
• 能说明何时参考 Python 框架而非改用 Python
• 能给出基于团队现状的框架选型理由

7.6 阶段 7 面试题与参考答案

1. 为什么用框架而不是裸调 API？

框架标准化了消息组装、重试、流式、工具注册、记忆、编排与可观测，降本提效、统一治理；但需警惕抽象黑盒，关键路径要能下钻到原始报文。

2. Spring AI 与 LangChain4j 的核心差异？

Spring AI 更"Spring 原生"，与 Boot/DI/Advisor 融合深；LangChain4j 更轻量、声明式（AiServices），跨框架移植性好。按团队栈选型。

3. Spring AI Alibaba 的特色是什么？

对通义千问/DashScope 深度优化，提供 Agent Framework 与可视化 Dashboard，国内模型与合规友好，示例覆盖 A2A、Harness 等。

4. Semantic Kernel 的 Plugin 与 Planner 是什么？

Plugin 是 Function（可调用单元）的集合，用于能力模块化；Planner 负责把用户目标自动拆解为函数调用计划并执行。适合企业级能力治理。

5. 何时参考 Python 框架而不是改用 Python？

当范式（图编排、多 Agent 协作）先在 Python 成熟时，应学习其设计思想，用 Java 框架/A2A 等价落地，避免把核心业务迁到陌生语言栈。

6. 框架抽象层如何解耦厂商？

业务依赖统一接口（如 ChatClient），具体厂商通过配置/适配器注入，便于切换、灰度与多模型路由。

7. MCP SDK 与 A2A SDK 在 Java 生态的角色？

MCP SDK 连接 MCP Server 把工具/资源标准化接入；A2A SDK 实现 Agent Card 发现与跨 Agent 任务协作。二者分层解决"工具接入"与"Agent 协作"。

8. 如何做框架选型？

依据现有技术栈（Spring Boot 优先 Spring AI）、模型厂商（国内优先 Spring AI Alibaba）、协作模式（图编排参考 LangGraph）、跨进程需求（MCP/A2A）综合判断。

9. 框架会不会成为锁定风险？如何规避？

会。规避：业务依赖抽象接口而非具体实现；工具/协议走标准（MCP/A2A）；编排逻辑与框架解耦，可平滑替换底层。

10. 一个成熟的 Agent 框架应具备哪些核心能力？

统一模型抽象、工具注册与调用、记忆管理、RAG 集成、流式、重试/护栏（Advisor）、多 Agent 编排（图/链）、可观测与评测接口。