3小时从零开始！Java程序员秒懂大模型开发，内含收藏宝典

3小时从零开始！Java程序员秒懂大模型开发，内含收藏宝典

本文以LangChain4j和Spring AI框架为例，指导Java开发者3小时内从零构建AI智能体。内容涵盖环境准备、项目创建、Agent编写、外部工具调用、任务执行Agent构建及记忆功能应用等关键步骤，提供详细代码示例和测试方法。通过学习，开发者可掌握用Java实现对话、查询、任务执行等核心功能，为AI开发打开新大门。文章强调框架成熟，无需Python基础，且所有代码经过验证，环境配置详细，适合小白和程序员快速上手。

2026 年，AI 智能体开发不再是 Python 的专利。LangChain4j、Spring AI 等框架已经成熟，Java 开发者也能快速构建 AI 智能体。

这个教程里的所有代码都经过验证，依赖版本明确，环境配置详细，还附带测试验证步骤。

学完后你能：

• 用 Java 编写 AI 智能体
• 让 Agent 调用外部工具
• 实现对话、查询、执行任务

---

一、环境准备

1.1 必需环境

# Java 版本（要求 17+）java -version# Maven 版本（要求 3.6+）mvn -version

1.2 API Key 准备

本教程使用 OpenAI API，也可替换为其他模型。

获取 OpenAI API Key：

1. 访问 https://platform.openai.com/api-keys[1]
2. 创建 API Key
3. 保存 Key（格式：sk-xxxxxxxx）

国内替代方案：

• 通义千问：https://dashscope.console.aliyun.com/[2]
• 文心一言：https://cloud.baidu.com/product/wenxinworkshop[3]
• Kimi：https://platform.moonshot.cn/[4]

---

二、创建项目

2.1 初始化 Maven 项目

# 创建项目目录mkdir java-agent-tutorialcd java-agent-tutorial# 初始化 Maven 项目mvn archetype:generate \  -DgroupId=com.example \  -DartifactId=java-agent-tutorial \  -DarchetypeArtifactId=maven-archetype-quickstart \  -DarchetypeVersion=1.4 \  -DinteractiveMode=false

2.2 配置 pom.xml

完整的 pom.xml 配置：

<?xml version="1.0" encoding="UTF-8"?><project xmlns="http://maven.apache.org/POM/4.0.0"         xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"         xsi:schemaLocation="http://maven.apache.org/POM/4.0.0          http://maven.apache.org/xsd/maven-4.0.0.xsd">    <modelVersion>4.0.0</modelVersion>    <groupId>com.example</groupId>    <artifactId>java-agent-tutorial</artifactId>    <version>1.0-SNAPSHOT</version>    <packaging>jar</packaging>    <properties>        <maven.compiler.source>17</maven.compiler.source>        <maven.compiler.target>17</maven.compiler.target>        <project.build.sourceEncoding>UTF-8</project.build.sourceEncoding>        <langchain4j.version>0.35.0</langchain4j.version>    </properties>    <dependencies>        <!-- LangChain4j 核心依赖 -->        <dependency>            <groupId>dev.langchain4j</groupId>            <artifactId>langchain4j</artifactId>            <version>${langchain4j.version}</version>        </dependency>        <!-- OpenAI 集成 -->        <dependency>            <groupId>dev.langchain4j</groupId>            <artifactId>langchain4j-open-ai</artifactId>            <version>${langchain4j.version}</version>        </dependency>        <!-- 日志 -->        <dependency>            <groupId>org.slf4j</groupId>            <artifactId>slf4j-simple</artifactId>            <version>2.0.9</version>        </dependency>        <!-- JUnit 测试 -->        <dependency>            <groupId>org.junit.jupiter</groupId>            <artifactId>junit-jupiter</artifactId>            <version>5.10.0</version>            <scope>test</scope>        </dependency>    </dependencies>    <build>        <plugins>            <plugin>                <groupId>org.apache.maven.plugins</groupId>                <artifactId>maven-compiler-plugin</artifactId>                <version>3.11.0</version>                <configuration>                    <source>17</source>                    <target>17</target>                </configuration>            </plugin>        </plugins>    </build></project>

验证依赖下载：

mvn dependency:resolve

看到 BUILD SUCCESS 即可继续。

---

三、第一个 Agent：Hello World

3.1 编写第一个 Agent

src/main/java/com/example/HelloAgent.java：

package com.example;import dev.langchain4j.model.chat.ChatLanguageModel;import dev.langchain4j.model.openai.OpenAiChatModel;import dev.langchain4j.service.AiServices;importstatic dev.langchain4j.model.openai.OpenAiChatModelName.GPT_3_5_TURBO;/** * 第一个 Agent 示例：简单的对话助手 */public class HelloAgent {    // 定义 Agent 接口    interfaceAssistant {        String chat(String userMessage);    }    public static void main(String[] args) {        // 1. 创建聊天模型        ChatLanguage Model model= OpenAiChatModel.builder()            .apiKey("OPENAI_API_KEY")            .modelName("OPENAI_MODEL_NAME")            .build();        // 2. 创建 AI 服务        Assistant assistant = AiServices.builder(Assistant.class)            .chatLanguageModel(model)            .build();        // 3. 与 Agent 对话        Stringresponse= assistant.chat("你好，请用一句话介绍你自己");        System.out.println("Agent: " + response);    }}

3.2 运行测试

# 编译mvn clean compile# 运行mvn exec:java -Dexec.mainClass="com.example.HelloAgent"

预期输出：

---

四、让 Agent 调用工具

Agent 的核心能力是调用工具。LangChain4j 通过 @Tool 注解实现这一功能。

4.1 创建天气查询工具

src/main/java/com/example/WeatherTool.java：

package com.example;import dev.langchain4j.agent.tool.Tool;/** * 天气查询工具 * 模拟天气 API 调用 */publicclassWeatherTool {    @Tool("查询指定城市的天气")    public String getWeather(String city) {        // 实际项目中调用天气 API        // 这里模拟返回        returnswitch (city.toLowerCase()) {            case"北京" -> "北京，晴，温度：25°C，湿度：40%";            case"上海" -> "上海，小雨，温度：22°C，湿度：70%";            case"广州" -> "广州，多云，温度：28°C，湿度：60%";            case"深圳" -> "深圳，晴，温度：29°C，湿度：55%";            default -> city + "，天气数据暂不可用";        };    }}

4.2 创建计算器工具

src/main/java/com/example/CalculatorTool.java：

package com.example;import dev.langchain4j.agent.tool.Tool;/** * 计算器工具 */publicclassCalculatorTool {    @Tool("两个数相加")    publicdoubleadd(double a, double b) {        return a + b;    }    @Tool("两个数相减")    publicdoublesubtract(double a, double b) {        return a - b;    }    @Tool("两个数相乘")    publicdoublemultiply(double a, double b) {        return a * b;    }    @Tool("两个数相除")    publicdoubledivide(double a, double b) {        if (b == 0) {            return Double.NaN;        }        return a / b;    }}

4.3 集成工具到 Agent

src/main/java/com/example/ToolAgent.java：

package com.example;import dev.langchain4j.model.chat.ChatLanguageModel;import dev.langchain4j.model.openai.OpenAiChatModel;import dev.langchain4j.service.AiServices;importstatic dev.langchain4j.model.openai.OpenAiChatModelName.GPT_3_5_TURBO;/** * 带工具的 Agent 示例 */publicclassToolAgent {    // 定义 Agent 接口    interfaceAssistant {        String chat(String userMessage);    }    publicstaticvoidmain(String[] args) {        // 1. 创建聊天模型        ChatLanguage Model model=OpenAiChatModel.builder()            .build();        // 2. 创建工具实例        WeatherTool weatherTool= new WeatherTool();        CalculatorTool calculatorTool= new CalculatorTool();        // 3. 创建 AI 服务（注册工具）        Assistant assistant= AiServices.builder(Assistant.class)            .chatLanguageModel(model)            .tools(weatherTool, calculatorTool)            .build();        // 4. 测试对话        System.out.println("=== 测试天气查询 ===");        String response1= assistant.chat("北京今天天气怎么样？");        System.out.println("Agent: " + response1);        System.out.println("\n=== 测试计算 ===");        String response2= assistant.chat("123 乘以 456 等于多少？");        System.out.println("Agent: " + response2);        System.out.println("\n=== 测试混合任务 ===");        String response3= assistant.chat("上海和广州的天气哪个更好？");        System.out.println("Agent: " + response3);    }}

4.4 运行测试

mvn exec:java -Dexec.mainClass="com.example.ToolAgent"

预期输出：

=== 测试天气查询 ===Agent: 北京今天天气晴朗，温度 25°C，湿度 40%，适合外出活动。=== 测试计算 ===Agent: 123 乘以 456 等于 56088。=== 测试混合任务 ===Agent: 根据天气数据：- 上海：小雨，22°C，湿度 70%- 广州：多云，28°C，湿度 60%广州的天气更好，温度适宜且没有降雨。

到这里，你已经掌握了如何让 Agent 调用工具。接下来我们构建一个更实用的任务执行 Agent。

---

五、实战：构建任务执行 Agent

5.1 创建文件操作工具

src/main/java/com/example/FileTool.java：

package com.example;import dev.langchain4j.agent.tool.Tool;import java.io.IOException;import java.nio.file.Files;import java.nio.file.Path;import java.nio.file.Paths;import java.util.List;import java.util.stream.Collectors;/** * 文件操作工具 */publicclassFileTool {    privatefinalStringworkingDir= System.getProperty("java.io.tmpdir");    @Tool("读取文件内容")    public String readFile(String filename) {        try {            Pathpath= Paths.get(workingDir, filename);            return Files.readString(path);        } catch (IOException e) {            return"错误：无法读取文件 - " + e.getMessage();        }    }    @Tool("写入文件内容")    public String writeFile(String filename, String content) {        try {            Pathpath= Paths.get(workingDir, filename);            Files.writeString(path, content);            return"成功：文件已写入 " + path.toAbsolutePath();        } catch (IOException e) {            return"错误：无法写入文件 - " + e.getMessage();        }    }    @Tool("列出目录中的文件")    public String listFiles() {        try {            Pathpath= Paths.get(workingDir);            return Files.list(path)                .filter(Files::isRegularFile)                .map(p -> p.getFileName().toString())                .limit(20)                .collect(Collectors.joining("\n"));        } catch (IOException e) {            return"错误：无法列出文件 - " + e.getMessage();        }    }}

5.2 创建任务执行 Agent

src/main/java/com/example/TaskAgent.java：

package com.example;import dev.langchain4j.model.chat.ChatLanguageModel;import dev.langchain4j.model.openai.OpenAiChatModel;import dev.langchain4j.service.AiServices;import static dev.langchain4j.model.openai.OpenAiChatModelName.GPT_3_5_TURBO;/** * 任务执行 Agent */public class TaskAgent {    interface Assistant {        String chat(String userMessage);    }    publicstaticvoidmain(String[] args) {        // 1. 创建模型            .build();        // 2. 创建工具        FileTool fileTool= new FileTool();        CalculatorTool calculatorTool= new CalculatorTool();        // 3. 创建 Agent        Assistant assistant= AiServices.builder(Assistant.class)            .chatLanguageModel(model)            .tools(fileTool, calculatorTool)            .build();        // 4. 测试任务        System.out.println("=== 测试 1：创建文件 ===");        String response1= assistant.chat(            "创建一个文件 test.txt，内容是：Hello, AI Agent!"        );        System.out.println("Agent: " + response1);        System.out.println("\n=== 测试 2：读取文件 ===");        String response2= assistant.chat("读取 test.txt 的内容");        System.out.println("Agent: " + response2);        System.out.println("\n=== 测试 3：计算并保存 ===");        String response3= assistant.chat(            "计算 256 乘以 128 的结果，保存到 result.txt"        );        System.out.println("Agent: " + response3);    }}

5.3 运行测试

mvn exec:java -Dexec.mainClass="com.example.TaskAgent"

预期输出：

=== 测试 1：创建文件 ===Agent: 已成功创建文件 test.txt，内容为：Hello, AI Agent!=== 测试 2：读取文件 ===Agent: test.txt 的内容是：Hello, AI Agent!=== 测试 3：计算并保存 ===Agent: 256 乘以 128 等于 32768，结果已保存到 result.txt

验证生成的文件：

# 查看临时目录ls -la /tmp/test.txt /tmp/result.txt# 查看内容cat /tmp/test.txtcat /tmp/result.txt

---

六、使用记忆功能

前面的 Agent 每次对话都是独立的，无法记住之前的内容。加上记忆功能后，Agent 就能进行多轮对话。

6.1 创建带记忆的 Agent

src/main/java/com/example/MemoryAgent.java：

package com.example;import dev.langchain4j.memory.ChatMemory;import dev.langchain4j.memory.chat.MessageWindowChatMemory;import dev.langchain4j.model.chat.ChatLanguageModel;import dev.langchain4j.model.openai.OpenAiChatModel;import dev.langchain4j.service.AiServices;importstatic dev.langchain4j.model.openai.OpenAiChatModelName.GPT_3_5_TURBO;/** * 带记忆功能的 Agent */publicclassMemoryAgent {    interfaceAssistant {        String chat(String userMessage);    }    publicstaticvoidmain(String[] args) {        // 1. 创建模型        ChatLanguageModelmodel= OpenAiChatModel.builder()            .apiKey(System.getenv("OPENAI_API_KEY"))            .modelName(GPT_3_5_TURBO)            .build();        // 2. 创建聊天记忆（保留最近 10 条消息）        ChatMemorychatMemory= MessageWindowChatMemory.withMaxMessages(10);        // 3. 创建 Agent（启用记忆）        Assistantassistant= AiServices.builder(Assistant.class)            .chatLanguageModel(model)            .chatMemory(chatMemory)            .build();        // 4. 多轮对话测试        System.out.println("=== 第一轮 ===");        Stringresponse1= assistant.chat("我叫小明，今年 25 岁");        System.out.println("Agent: " + response1);        System.out.println("\n=== 第二轮 ===");        Stringresponse2= assistant.chat("我喜欢编程");        System.out.println("Agent: " + response2);        System.out.println("\n=== 第三轮（测试记忆）===");        Stringresponse3= assistant.chat("我叫什么名字？今年多大？");        System.out.println("Agent: " + response3);    }}

6.2 运行测试

mvn exec:java -Dexec.mainClass="com.example.MemoryAgent"

预期输出：

=== 第一轮 ===Agent: 你好小明，很高兴认识你！25 岁是个很好的年纪。=== 第二轮 ===Agent: 编程是个很棒的爱好！你平时喜欢用什么编程语言？=== 第三轮（测试记忆）===Agent: 你叫小明，今年 25 岁。

---

七、常见问题

7.1 API Key 无效

错误信息：

401 Unauthorized - Invalid API key

解决方案：

检查环境变量是否正确设置：

echo $OPENAI_API_KEY

确保没有多余空格，正确格式：

export OPENAI_API_KEY=sk-xxx

7.2 依赖下载失败

错误信息：

Could not resolve dependencies

解决方案：

清理 Maven 缓存后重新下载：

rm -rf ~/.m2/repository/dev/langchain4jmvn clean dependency:resolve -U

7.3 工具调用失败

错误信息：

Tool execution failed

解决方案：

1. 检查 @Tool 注解是否正确
2. 确保工具方法是 public 的
3. 检查参数类型是否匹配

7.4 使用国内模型

替换为通义千问：

<!-- pom.xml 添加依赖 --><dependency>    <groupId>dev.langchain4j</groupId>    <artifactId>langchain4j-dashscope</artifactId>    <version>0.35.0</version></dependency>
​``````plaintext
// Java 代码替换模型import dev.langchain4j.model.dashscope.QwenChatModel;ChatLanguageModel model = QwenChatModel.builder()    .apiKey(System.getenv("DASHSCOPE_API_KEY"))    .modelName("qwen-plus")    .build();

---

八、进阶学习

8.1 推荐资源

• LangChain4j 官方文档：https://docs.langchain4j.dev/[5]
• GitHub 仓库：https://github.com/langchain4j/langchain4j[6]
• 示例项目：https://github.com/langchain4j/langchain4j-examples[7]

8.2 进阶主题

RAG（检索增强生成）

• 连接向量数据库
• 实现知识库问答

多 Agent 协作

• 多个 Agent 分工合作
• 实现复杂任务

Agent 持久化

• 保存对话历史
• 跨会话记忆

部署上线

• 打包成 Docker 镜像
• 部署到云服务器

---

总结

Java 开发 AI 智能体的门槛已经很低，LangChain4j 等框架让 Java 开发者能快速上手。关键是动手实践。

建议的学习路径：

1. 跑通本教程所有示例
2. 修改工具类，接入真实 API
3. 构建自己的 Agent 应用

遇到问题时：

• 检查 Java 版本（17+）
• 确认 API Key 有效
• 查看 LangChain4j 官方文档

---

最后

近期科技圈传来重磅消息：行业巨头英特尔宣布大规模裁员2万人，传统技术岗位持续萎缩的同时，另一番景象却在AI领域上演——AI相关技术岗正开启“疯狂扩招”模式！据行业招聘数据显示，具备3-5年大模型相关经验的开发者，在大厂就能拿到50K×20薪的高薪待遇，薪资差距肉眼可见！

业内资深HR预判：不出1年，“具备AI项目实战经验”将正式成为技术岗投递的硬性门槛。在行业迭代加速的当下，“温水煮青蛙”式的等待只会让自己逐渐被淘汰，与其被动应对，不如主动出击，抢先掌握AI大模型核心原理+落地应用技术+项目实操经验，借行业风口实现职业翻盘！

深知技术人入门大模型时容易走弯路，我特意整理了一套全网最全最细的大模型零基础学习礼包，涵盖入门思维导图、经典书籍手册、从入门到进阶的实战视频、可直接运行的项目源码等核心内容。这份资料无需付费，免费分享给所有想入局AI大模型的朋友！

👇👇扫码免费领取全部内容👇👇

部分资料展示

1、 AI大模型学习路线图

2、 全套AI大模型应用开发视频教程

从入门到进阶这里都有，跟着老师学习事半功倍。

3、 大模型学习书籍&文档

4、 AI大模型最新行业报告

2025最新行业报告，针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。

5、大模型大厂面试真题

整理了百度、阿里、字节等企业近三年的AI大模型岗位面试题，涵盖基础理论、技术实操、项目经验等维度，每道题都配有详细解析和答题思路，帮你针对性提升面试竞争力。

6、大模型项目实战&配套源码

学以致用，在项目实战中检验和巩固你所学到的知识，同时为你找工作就业和职业发展打下坚实的基础。

👉学会后的收获：👈

• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；

• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；

• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；

• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。

• 👇👇扫码免费领取全部内容👇👇

这些资料真的有用吗？

这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

这份完整版的大模型 AI 学习资料已经上传优快云，朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【保证100%免费】