做了一份 Java Agent 学习计划

做了一份 Java Agent 学习计划，重点围绕 Spring AI / LangChain4j、Tool Calling、RAG、Agent 编排、工程化落地。 1

第 1 周：大模型基础 + Java AI 框架入门

• 理解 LLM 核心概念：Token、上下文窗口、Temperature、Top-p、流式输出。
• 学习 Prompt 工程：System Prompt、Few-shot、CoT、结构化输出、Function Calling。
• 搭建第一个 Spring AI 或 LangChain4j 项目。
• 接入一个模型：DeepSeek、通义千问、OpenAI 兼容接口，或本地 Ollama。 3, 6, 7
• 产出：一个能对话的 Spring Boot AI 接口，支持参数调整和简单日志记录。

第 2 周：Tool Calling + 记忆系统

• 学习 Spring AI @Tool 或 LangChain4j @Tool，把 Java 方法暴露给模型。 9, 13
• 实现“查询天气 / 查询时间 / 查询订单”这类工具调用。
• 加入会话记忆：短期对话上下文、Redis 持久化会话。
• 学习流式响应 SSE，避免长等待。
• 产出：一个带工具调用和多轮记忆的对话助手。

第 3 周：RAG 基础

• 掌握文档加载、清洗、切片、Embedding。
• 集成向量库：PgVector、Milvus、Elasticsearch 任选一个。 1, 3
• 实现“上传文档 → 向量化 → 检索 → 生成答案”的完整链路。
• 学习基础评估：回答是否来自检索内容、是否有幻觉。
• 产出：企业文档问答 Demo。

第 4 周：RAG 进阶 + 简单 Agent

• 引入混合检索：向量检索 + 关键词检索。
• 加入 Rerank 重排序，提升召回质量。 1, 10
• 实现 Agentic RAG：让 Agent 决定是否需要检索、检索几次、如何汇总结果。
• 加入上下文压缩、Token 成本控制。
• 产出：更稳定的知识库问答 Agent。

第 5 周：Agent 编排

• 学习 ReAct、Plan-and-Execute、Reflection 等 Agent 范式。 8, 10
• 实现单 Agent 工作流：理解用户意图 → 选择工具 → 执行 → 反思结果。
• 引入状态管理，支持长任务中断恢复。
• 了解 MCP、A2A 等多智能体协作协议。 4, 8
• 产出：一个能拆解任务、调用多个工具的 Agent。

第 6 周：多智能体 + 业务集成

• 设计多 Agent 协作：比如“路由 Agent + 查询 Agent + 总结 Agent”。
• 接入真实业务接口：数据库查询、HTTP API、消息队列。
• 加入权限控制：哪些工具允许调用、哪些数据需要脱敏。
• 实现 Human-in-the-loop：关键操作需要人工确认。
• 产出：订单查询 / 工单处理 / 智能客服类 Agent。

第 7 周：工程化与可观测性

• 加入超时、重试、熔断、降级。
• 接入 Micrometer + Prometheus，监控 Token 消耗、延迟、错误率。 4, 10
• 记录每次模型调用的 Prompt、工具调用、结果，方便排查。
• 做安全治理：Prompt 注入防护、敏感信息过滤、工具白名单。
• 产出：可观测、可运维、可上线的 Agent 服务雏形。

第 8 周：综合项目 + 复盘

• 做一个完整项目，例如：
  • 企业知识库问答 Agent；
  • 智能工单处理 Agent；
  • 代码审查助手；
  • 报表解读助手。
• 补测试用例、异常路径、并发验证。
• 整理架构说明、接口文档、部署说明。 1
• 复盘：哪些地方依赖模型能力，哪些地方必须用确定性代码兜底。

建议主线

优先走 Spring AI，因为它和 Spring Boot 生态结合最好，上手阻力最小；如果后续要做更复杂的 Agent 编排、多模型适配或本地模型实验，再补 LangChain4j。 6, 7

如果你每天能投入 1.5–2 小时，这个节奏比较合适；如果时间更少，可以把第 5–6 周合并成“Agent 实战周”。