Java小白也能玩转AI：3小时从0到1打造你的第一个智能体（收藏版）

2026年，AI智能体开发不再是Python的专属领域。本文将带你通过3小时的时间，利用LangChain4j、Spring AI等框架，从零开始实现你的第一个Java AI智能体。内容涵盖环境准备、项目创建、Hello World示例、工具调用、任务执行Agent构建、记忆功能实现以及常见问题解答，适合所有希望了解AI智能体开发的Java开发者。

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-tutorial cd 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") .baseUrl("OPENAI_API_URL") .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() .apiKey("OPENAI_API_KEY") .modelName("OPENAI_MODEL_NAME") .baseUrl("OPENAI_API_URL") .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 ChatLanguage Model model= OpenAiChatModel.builder() .apiKey("OPENAI_API_KEY") .modelName("OPENAI_MODEL_NAME") .baseUrl("OPENAI_API_URL") .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.txt cat /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/langchain4j mvn 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>

// 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

如果说程序员已经是高薪职业，那么干AI的程序员，就是高薪中的高薪。

现在的市场，已经用数据给程序员指明了方向：学AI大模型，就是冲刺高薪的最优解！

看着身边越来越多的同行转型大模型、拿到高薪offer，很多人心里都动了心，但真正的难题来了：零基础小白不知道从哪入门？有基础的程序员找不到系统学习路径？实战项目练手无门？面试不知道考什么？

别慌！今天就给大家整理了一份【2026年最新版】AI大模型免费学习资源包，覆盖从入门到实战、从理论到面试、从基础到进阶的全流程，所有资料均已整理归档，无冗余、无套路，免费分享给每一位想抓住AI风口的程序员和小白！

👇👇扫码免费领取全部内容👇👇

1、大模型系统化学习路线

2、大模型学习书籍&文档

3、AI大模型最新行业报告

4、大模型项目实战&配套源码

5、大模型大厂面试真题

四阶段精细化学习规划（附时间节点，可直接照做）

结合上述资源，给大家整理了一份可直接落地的四阶段学习规划，总时长约2个月，小白可循序渐进，程序员可根据自身基础调整节奏，高效掌握大模型核心能力，快速实现从“入门”到“能落地、能面试”的跨越。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

👇👇扫码免费领取全部内容👇👇

6、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CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

https://mp.weixin.qq.com/s/2P64VRSHoOz31E2oAT_ZpQ