从 RAG 到 Agent：Spring AI 2.0 @Tool 注解与 Koog 框架的企业级智能体演进

当你的 AI 不只会“回答问题”，还能“完成任务”——一个真正的智能代理是如何炼成的？

在系列前文中，我们依次搭建了基于 Milvus 和 Spring AI 的 RAG 系统，逐步引入了语义缓存、多层级缓存策略、以及精细化的元数据过滤机制。但所有这些努力，本质上都在解决同一个问题：如何让 AI 更精准地“知道”答案。

然而，真实的企业需求远不止于此。用户不会满足于“知道”，他们需要 AI 做事情——查订单、更新库存、发送邮件、执行审批。从“知道”到“做到”，这是 RAG 系统走向 Agent 智能代理的分水岭。

Spring AI 2.0 带来的 @Tool 注解，正是这道分水岭上的第一座桥梁。而当任务复杂度进一步提升，需要多步推理、分支决策和状态持久化时，由 JetBrains 开源的 Koog 框架 则为 Spring AI 生态补上了企业级 Agent 编排的最后一块拼图。

本文将深入剖析 Spring AI 2.0 的 @Tool 注解，并以此为起点，探讨如何借助 Koog 框架构建真正具备多步推理能力的 Agentic RAG 系统。

一、Spring AI 2.0：工具调用的范式革命

1.1 为什么 AI 需要工具？

大语言模型的训练数据截止于某个时间点，无法访问实时信息，也无法调用任何外部 API。用户问“查询我的订单状态”，LLM 只能回答“我无法访问你