spring aop maven SpringBoot 3.x 结合 LangChain4j 开发 AI Agent 实战，含 Maven 准备

三、步骤 2：配置 AI 模型参数

在 .yml 中配置 模型信息（替换为你的 API Key）：

yaml
server:
port: 8080
# LangChain4j OpenAI 配置
langchain4j:
open-ai:
chat:
model-name: gpt-3.5-turbo # 模型名称
api-key: sk-xxxxxxxxxxxx # 你的 OpenAI API Key
temperature: 0.7 # 随机性（0=严谨，1=灵活）

四、步骤 3：开发 AI Agent 核心（工具 + AI 服务）

AI Agent 的核心是工具调用：让 AI 能调用我们写的工具类完成实际任务（计算、查数据、操作数据库等）。

1. 编写 Agent 工具类

创建两个工具：计算器 + 模拟天气查询，用 @Tool 注解标记（ 自动识别为 AI 可调用工具）。

工具 1：计算器工具

java
package com.example.agent.tool;
import dev.langchain4j.agent.tool.Tool;
import org.springframework.stereotype.Component;
/**
* AI Agent 计算器工具
*/
@Component
public class CalculatorTool {
// @Tool 标记：AI 可调用的方法
@Tool("计算两个数的和")
public int add(int a, int b) {
System.out.println("=== AI 调用了计算器工具：" + a + " + " + b);
return a + b;
}
@Tool("计算两个数的乘积")
public int multiply(int a, int b) {
System.out.println("=== AI 调用了计算器工具：" + a + " * " + b);
return a * b;
}
}

工具 2：天气查询工具

java
package com.example.agent.tool;
import dev.langchain4j.agent.tool.Tool;
import org.springframework.stereotype.Component;
/**
* AI Agent 天气查询工具（模拟）
*/
@Component
public class WeatherTool {
@Tool("查询指定城市的天气")
public String getWeather(String city) {
System.out.println("=== AI 调用了天气查询工具：查询城市：" + city);
// 模拟返回天气数据（实际可对接天气 API）
return city + "今天晴天，气温25℃，微风";
}
}

2. 定义 AI （核心）

用 @ 注解定义 AI 服务，自动绑定工具，无需手动实现接口：

java
package com.example.agent.service;
import dev.langchain4j.service.AiService;
import com.example.agent.tool.CalculatorTool;
import com.example.agent.tool.WeatherTool;
/**
* AI Agent 核心服务
* @AiService：自动生成实现类，tools 指定 AI 可调用的工具
*/
@AiService(tools = {CalculatorTool.class, WeatherTool.class})
public interface AiAgentService {
// AI 聊天方法（自动处理工具调用）
String chat(String userMessage);
}

五、步骤 4：编写 HTTP 接口（对外发布 Agent）

创建 ，将 AI Agent 暴露为 REST 接口，供前端 / 其他服务调用：

java
package com.example.agent.controller;
import com.example.agent.service.AiAgentService;
import lombok.RequiredArgsConstructor;
import org.springframework.web.bind.annotation.GetMapping;
import org.springframework.web.bind.annotation.RequestMapping;
import org.springframework.web.bind.annotation.RequestParam;
import org.springframework.web.bind.annotation.RestController;
/**
* AI Agent 对外接口
*/
@RestController
@RequestMapping("/ai")
@RequiredArgsConstructor
public class AiAgentController {
// 注入 AI 服务
private final AiAgentService aiAgentService;
/**
* AI Agent 聊天接口
* @param message 用户提问
* @return AI 回答（自动调用工具）
*/
@GetMapping("/chat")
public String chat(@RequestParam String message) {
return aiAgentService.chat(message);
}
}

六、步骤 5：启动项目 & 实战测试

1. 启动 项目

运行主启动类，控制台打印启动成功即可。

2. 测试 AI Agent（3 个场景）

用浏览器 / /Curl 访问接口：

测试 1：普通聊天

请求：http://localhost:8080/ai/chat?message=你好，你是什么角色？
返回：你好！我是一个具备工具调用能力的AI Agent，可以帮你计算、查询天气哦~

测试 2：调用计算器工具

请求：http://localhost:8080/ai/chat?message=100加200再乘以2等于多少？
返回：100加200等于300，再乘以2等于600。

控制台日志：AI 自动调用了 add 和 工具！

测试 3：调用天气查询工具

请求：http://localhost:8080/ai/chat?message=北京今天天气怎么样？
返回：北京今天晴天，气温25℃，微风。

控制台日志：AI 自动调用了 工具！

七、扩展：替换为本地 模型（无 API Key）

如果没有 Key，可使用本地大模型（），零成本运行：

1. 本地安装

官网 下载安装，执行命令拉取模型：

ollama pull qwen:7b # 拉取通义千问7B本地模型

2. 替换依赖（移除 ，添加 ）

3. 修改配置文件

yaml
langchain4j:
ollama:
chat:
model-name: qwen:7b # 本地模型名称
base-url: http://localhost:11434 # Ollama 默认地址

重启项目，功能完全一致，无需修改任何业务代码！

八、项目结构（清晰易懂）

langchain4j-agent-demo/
├── src/main/java/com/example/agent/
│ ├── Langchain4jAgentDemoApplication.java # 启动类
│ ├── controller/AiAgentController.java # HTTP 接口
│ ├── service/AiAgentService.java # AI 核心服务
│ └── tool/CalculatorTool.java、WeatherTool.java # 工具类
└── src/main/resources/application.yml # 配置文件

总结

核心简化： 通过 @ + @Tool 注解，让 Java 开发者零门槛开发 AI Agent；

Agent 本质：不是单纯聊天，而是大模型 + 工具调用，能完成实际业务任务；

无缝扩展：可快速对接数据库、API、第三方服务，打造企业级智能体；

部署简单： 项目可直接打包部署到服务器，对外发布 AI 服务。