当前位置：首页 > news >正文

AI agent 项目开发

news 2026/3/26 19:06:46

AI基础

LangChainj

目前主流的Java AI开发框架：Spring AI、LangChain4j，提供大量开箱即用的API调大模型和AI开发常用功能如：

对话记忆
结构化输出
RAG 知识库
工具调用
MCP
SSE 流式输出

ChatModel

ChatModel 是最基础的概念，负责和 AI 大模型交互。
首先需要引入至少一个 AI 大模型依赖，这里选择国内的阿里云大模型，提供了和 Spring Boot 项目的整合依赖包，比较方便。在pom.xml中引入依赖：

dev.langchain4j
langchain4j-community-dashscope-spring-boot-starter
1.1.0-beta7

项目

标题项目配置

Java版本：21
springboot：3.5.*
引入依赖：Spring Web，Lombok
将src/resources中application.properties 改为application.yml

application.properties：采用键值对（key=value）格式，是传统的配置方式，语法简单直接。如：
server.port=8080
spring.datasource.url=jdbc:mysql://localhost:3306/test
spring.datasource.username=root
spring.datasource.password=123456
application.yml：采用 YAML（YAML Ain’t Markup Language）格式，基于缩进（空格，不能用 Tab）表达层级关系，支持列表、嵌套，语法更简洁、结构化更强。
server:
port: 8080
spring:
datasource:
url: jdbc:mysql://localhost:3306/test
username: root
password: 123456
用 application.properties：
配置项少、层级浅的简单场景；
团队成员不熟悉 YAML 语法，追求最低学习成本；
需要兼容老项目（老项目多使用 properties）。
用 application.yml：
配置项多、层级深（如微服务、数据库 / 缓存 / 消息队列多配置）；
需要配置列表 / 数组（如白名单、多环境配置）；
追求配置文件的可读性和整洁性。

新建local版本的application.yml文件，防止开源时泄密，修改.gitignore 文件，添加一个自定义的不添加到github上的文件：application-local.yml

###CUSTMO### application-local.yml

.gitignore 是 Git 版本控制系统中一个核心的配置文件，作用是告诉 Git：「哪些文件 /
文件夹不需要被追踪（即不纳入版本管理）」。简单来说，它就是 Git 的「忽略清单」，能帮你过滤掉不需要提交到代码仓库的文件。

项目启动类路径：src/main/java/com/example/aicodehelper/AiCodeHelperApplication.java

在配置文件中添加大模型配置

注入ChatModel

langchain4j:community:dashscope:chat-model:model-name:qwen-max api-key:<YouAPIKeyhere>

如此一来便有了ChatModel，可以注入

接下来在项目文件中创建AiCodeHelper 类，引入自动注入的 qwenChatModel，编写简单的对话代码，并利用 Lombok 注解打印输出结果日志：

packagecom.example.aicodehelper.ai;importdev.langchain4j.data.message.AiMessage;importdev.langchain4j.data.message.UserMessage;importdev.langchain4j.model.chat.ChatModel;importdev.langchain4j.model.chat.response.ChatResponse;importjakarta.annotation.Resource;importlombok.extern.slf4j.Slf4j;importorg.springframework.stereotype.Service;@Service@Slf4jpublicclassAiCodeHelper{@ResourceprivateChatModelqwenChatModel;//和ai聊天publicStringchat(Stringmessage){UserMessageuserMessage=UserMessage.from(message);//在langchain4j中用UserMessage封装用户消息ChatResponsechatResponse=qwenChatModel.chat(userMessage);//模型输出AiMessageaiMessage=chatResponse.aiMessage();//从输出中提取模型的回复log.info("AI输出："+aiMessage.toString());//调试的时候采用.toString()returnaiMessage.text();//获取ai的文本回复用.text()}}

LangChain4j 中使用多模态的方法很简单，用户消息中可以添加图片、音视频、PDF 等媒体资源。

具体做法是通过UserMessage传递,UserMessage可以接收多模态的数据

UserMessageuserMessage=UserMessage.from(TextContent.from("描述图片"),ImageContent.from("https://www.codefather.cn/logo.png"));

但实现多模态agent的前提是使用的大模型支持多模态。

系统提示词-SystemMessage

系统提示词是设置 AI 模型行为规则和角色定位的隐藏指令，用户通常不能直接看到。
可以定义一个常量字符串保存系统提示词：

privatestaticfinalStringSYSTEM_MESSAGE=""" 你是编程领域的小助手，帮助用户解答编程学习和求职面试相关的问题，并给出建议。重点关注 4 个方向： 1. 规划清晰的编程学习路线 2. 提供项目学习建议 3. 给出程序员求职全流程指南（比如简历优化、投递技巧） 4. 分享高频面试题和面试技巧 请用简洁易懂的语言回答，助力用户高效学习与求职。 """;

然后在传消息给大模型的时候将系统提示词一起传过去：

publicStringchat(Stringmessage){SystemMessagesystemMessage=SystemMessage.from(SYSTEM_MESSAGE);UserMessageuserMessage=UserMessage.from(message);//在langchain4j中用UserMessage封装用户消息ChatResponsechatResponse=qwenChatModel.chat(systemMessage,userMessage);//模型输出AiMessageaiMessage=chatResponse.aiMessage();//从输出中提取模型的回复log.info("AI输出："+aiMessage.toString());//调试的时候采用.toString()returnaiMessage.text();//获取ai的文本回复用.text()}

首先创建SystemMessage 对象接收系统提示词，然后在qwenChatModel.chat传入，直接在userMessage之前传入就行了。

AI服务-AI Service

首先引入 langchain4j 依赖：

dev.langchain4j
langchain4j
1.1.0

然后创建AI Service服务接口，采用声明式开发方法，编写一个对话方法，然后可以直接通过 @SystemMessage 注解定义系统提示词。

publicinterfaceAiCodeHelperService{@SystemMessage("你是一位编程小助手")Stringchat(StringuserMessage);}

同时，@SystemMessage 注解支持从文件中读取系统提示词：

publicinterfaceAiCodeHelperService{@SystemMessage(fromResource="system-prompt.txt")Stringchat(StringuserMessage);}

然后编写工厂类，用于创建 AI Service：

工厂类（Factory Class）是编程中创建型设计模式的核心实现，可以理解成 “对象生产车间”：它不直接让你用 new
关键字创建对象，而是通过专门的工厂类方法来封装对象的创建逻辑，对外提供统一的创建入口。 public class
AiCodeHelperFactory {
// 工厂方法：根据类型创建不同的实现类对象
public static AiCodeHelperService createService(String type) {
if (“openai”.equals(type)) {
return new OpenAiCodeHelperServiceImpl();
} else if (“local”.equals(type)) {
return new LocalAiCodeHelperServiceImpl();
}
throw new IllegalArgumentException(“不支持的AI类型”);
} }
// 使用工厂类创建对象（无需关心具体实现类） AiCodeHelperService service =
AiCodeHelperFactory.createService(“openai”); String result =
service.chat(“帮我写一段Java代码”);
核心特点：
隐藏对象创建的细节（比如实现类的初始化、依赖注入、配置加载）；
统一管理对象创建，修改创建逻辑时只需改工厂类，无需修改所有调用处；
解耦 “对象使用” 和 “对象创建”。

@ConfigurationpublicclassAiCodeHelperServiceFactory{@ResourceprivateChatModelqwenChatModel;@BeanpublicAiCodeHelperServiceaiCodeHelperService(){returnAiServices.create(AiCodeHelperService.class,qwenChatModel);}}

调用 AiServices.create 方法就可以创建出 AI Service 的实现类了，背后的原理是利用 Java 反射机制创建了一个实现接口的代理对象，代理对象负责输入和输出的转换，比如把 String 类型的用户消息参数转为 UserMessage 类型并调用 ChatModel，再将 AI 返回的 AiMessage 类型转换为 String 类型作为返回值。

编写单元测试，调用我们开发的AIService：@SpringBootTestclassAiCodeHelperServiceTest{@ResourceprivateAiCodeHelperServiceaiCodeHelperService;@Testvoidchat(){Stringresult=aiCodeHelperService.chat("你好，我是程序员鱼皮");System.out.println(result);}}

结构化输出

结构化输出有 3 种实现方式：

利用大模型的 JSON schema
利用 Prompt + JSON Mode
利用 Prompt

利用 Prompt：
默认是 Prompt 模式，也就是在原本的用户提示词下拼接一段内容来指定大模型强制输出包含特定字段的 JSON 文本。

你是一个专业的信息提取助手。请从给定文本中提取人员信息， 并严格按照以下JSON格式返回结果：{"name":"人员姓名","age":年龄数字,"height":身高（米），"married":true/false,"occupation":"职业"}重要规则：1.只返回JSON格式，不要添加任何解释2.如果信息不明确，使用null3.age 必须是数字，不是字符串4.married 必须是布尔值

这样方法并不严格，最后的输出可能不会按结构化格式输出。

JSON schema：

底层接口实现：

采用JSONSchema模式，直接在请求中约束LLM的输出格式。这是目前最可靠、精确度最高的结构化输出实现。ResponseFormatresponseFormat=ResponseFormat.builder().type(JSON).jsonSchema(JsonSchema.builder().name("Person").rootElement(JsonObjectSchema.builder().addStringProperty("name").addIntegerProperty("age").addNumberProperty("height").addBooleanProperty("married").required("name","age","height","married").build()).build()).build();ChatRequestchatRequest=ChatRequest.builder().responseFormat(responseFormat).messages(userMessage).build();

流程：

在代码中使用JSON schema进行结构化约束：
比如我们增加一个让 AI 生成学习报告的方法，AI 需要输出学习报告对象，包含名称和建议列表

@SystemMessage(fromResource="system-prompt.txt")ReportchatForReport(StringuserMessage);// 学习报告recordReport(Stringname,List<String>suggestionList){}

record Report(String name, List<String> suggestionList){} ：AI 框架会基于你定义的 Report 记录类（record）「自动生成 JSON Schema」并注入到系统提示中

record Report(String name, List suggestionList){} 本质是 Java 的类型定义（类似定义一个类），而非可直接执行的方法 / 函数，所以你看不到像 new Report(…) 或 report.xxx() 这样的 “调用”，但它的作用贯穿整个 chatForReport 方法的执行流程。

编写单元测试：

@TestvoidchatForReport(){StringuserMessage="你好，我是程序员鱼皮，学编程两年半，请帮我制定学习报告";AiCodeHelperService.Reportreport=aiCodeHelperService.chatForReport(userMessage);System.out.println(report);}