Java大模型开发入门 (11/15)：让AI自主行动 - 初探LangChain4j中的智能体（Agents）-EW帮帮网

前言

在过去的十篇文章里，我们已经打造出了一个相当强大的AI应用。它有记忆，能进行多轮对话；它有知识，能通过RAG回答关于我们私有文档的问题。它就像一个博学的“学者”，你可以向它请教任何在其知识范围内的问题。

但是，这个“学者”有一个巨大的局限：它只能说，不能做。

如果你问它：“今天北京天气怎么样？” 它只能根据训练数据回答一个大概，无法获取实时信息。
如果你问它：“345乘以678等于多少？” 像gpt-4o-mini这样的高级模型或许能算对，但它本质上是在“预测”答案，而非进行精确计算，对于复杂运算容易出错。
如果你让它：“帮我预订一张明天去上海的火车票。” 它更是无能为力。

今天，我们将为我们的AI引入一个革命性的新能力：行动。我们将把它从一个“问答机器人”，升级为一个能使用工具的 “智能体（Agent）” ，让它能够响应我们的指令，去执行真正的任务。

第一部分：什么是AI Agent？从“聊天”到“行动”

AI Agent和我们之前构建的聊天机器人（Chatbot）最大的区别在于：

Chatbot 的工作是根据上下文生成文本。
Agent 的工作是根据用户目标，选择并执行动作（使用工具），最终达成目标。

这个过程模仿了人类助理的工作模式。当你对助理说：“帮我算一下5加上7等于几？” 助理不会凭空猜测，而是会执行以下步骤：

思考（Reasoning）: “老板想让我算个数，这是一个加法运算。”
选择工具（Tool Selection）: “我应该使用‘计算器’这个工具。”
准备参数（Parameter Extraction）: “计算器的‘加法’功能需要两个数字，它们是5和7。”
执行工具（Tool Execution）: 在计算器上按下 5 + 7 =。
观察结果（Observation）: 计算器显示结果是 12。
生成最终回复（Response Generation）: “老板，5加上7等于12。”

这个“思考->行动”的循环，就是Agent的核心。这之所以能实现，得益于现代大语言模型（如gpt-4o-mini）内置的强大能力——工具调用（Tool Calling）。我们只需向模型描述我们有哪些可用的工具，模型就能在需要时，告诉我们应该调用哪个工具以及需要提供哪些参数。

第二部分：在LangChain4j中定义一个“工具”

在LangChain4j中，赋予AI一个工具非常简单：你只需要创建一个普通的Java方法，并给它加上@Tool注解。

这个注解的作用就是向大语言模型“注册”这个方法，并告诉模型：

这个工具是干什么用的（通过注解的value属性或方法的 Javadoc）。
这个工具需要哪些参数（通过方法的参数列表）。

实战：创建一个计算器工具

创建Tools类
在service包下创建一个新文件CalculatorTools.java。

package com.example.aidemoapp.service;

import dev.langchain4j.agent.tool.Tool;
import org.springframework.stereotype.Component;

@Component // 将这个类注册为一个Spring Bean
public class CalculatorTools {

    @Tool("Calculates the sum of two integers")
    public int add(int a, int b) {
        System.out.println("Tool executed: add(" + a + ", " + b + ")");
        return a + b;
    }

    @Tool("Calculates the difference between two integers")
    public int subtract(int a, int b) {
        System.out.println("Tool executed: subtract(" + a + ", " + b + ")");
        return a - b;
    }
}

代码解析：

@Component：让Spring能够发现并管理这个类的实例。
@Tool("...")：注解的描述至关重要！LLM会根据这个描述来判断用户的意图是否与该工具匹配。描述写得越清晰，Agent就越“聪明”。

第三部分：构建一个能使用工具的Agent

我们将使用AiServices来创建一个新的Agent。这次，在构建AiService时，我们会告诉它有哪些工具（Tools）是可用的。

在config/LangChain4jConfig.java中创建Agent Bean
我们将创建一个新的AI服务，专门用于演示Agent功能。

// LangChain4jConfig.java

// ... 其他Bean的定义 ...
import com.example.aidemoapp.service.AgentAssistant;
import com.example.aidemoapp.service.CalculatorTools;

// ...

@Configuration
public class LangChain4jConfig {
    
    // ... 其他已有的Bean ...

    // 步骤1: 定义一个新的Agent服务接口Bean
    @Bean
    public AgentAssistant agentAssistant(ChatModel chatLanguageModel, CalculatorTools calculatorTools) {
        return AiServices.builder(AgentAssistant.class)
                .chatModel(chatLanguageModel)
                .tools(calculatorTools) // <-- 关键步骤：将工具注册到AI服务中
                .build();
    }
}

定义AgentAssistant接口
在service包下创建AgentAssistant.java。

package com.example.aidemoapp.service;

public interface AgentAssistant {
    String chat(String userMessage);
}

创建AgentController
在controller包下创建AgentController.java。

package com.example.aidemoapp.controller;

import com.example.aidemoapp.service.AgentAssistant;
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;

@RestController
@RequestMapping("/api/agent")
@RequiredArgsConstructor
public class AgentController {

    private final AgentAssistant agentAssistant;

    @GetMapping("/chat")
    public String chat(@RequestParam("query") String query) {
        return agentAssistant.chat(query);
    }
}

第四步：测试我们的新Agent！

启动Spring Boot应用。
进行一次普通聊天
请求URL: http://localhost:8080/api/agent/chat?query=Who are you?
你会得到一个正常的回答，比如“我是一个乐于助人的助手”。此时，查看后台日志，没有任何"Tool executed"的打印。
进行一次需要使用工具的聊天
请求URL: http://localhost:8080/api/agent/chat?query=What is 5 plus 7?
稍等片刻，你会得到回答：“5 plus 7 is 12.”
现在，查看后台日志，你会看到：
```
Tool executed: add(5, 7)
```
这证明了Agent成功地理解了你的意图，并调用了正确的Java方法！
再试一次
请求URL: http://localhost:8080/api/agent/chat?query=What is 100 minus 33?
你会得到回答：“100 minus 33 is 67.”
后台日志会显示：
```
Tool executed: subtract(100, 33)
```

总结

今天，我们成功地为我们的AI应用解锁了一项颠覆性的能力——行动。通过LangChain4j的@Tool注解和AiServices，我们轻松地将一个普通的Java方法变成了AI可以调用的工具，构建了一个初级的AI智能体。

我们的AI不再只是一个“知道分子”，它变成了一个能干活的“行动派”。

目前我们的工具还很简单，只是一个本地的计算器。但在真实世界中，工具的能力是无限的：它可以是一个调用外部天气API的HTTP客户端，一个查询数据库的DAO，甚至是一个发送邮件的服务。如何构建一个能与真实世界API交互的、更强大的Agent呢？

源码获取

本文中所有实战代码均已同步更新至Gitee仓库。建议您git pull拉取最新代码，对照本文进行学习。

Gitee仓库地址: https://gitee.com/chaocloud/springboot-langchain4j-demo.git

下一篇预告：
《Java大模型开发入门 (12/15)：Agent实战 - 打造能调用外部API的智能助手》—— 我们将把难度升级，封装一个能查询实时天气信息的API作为工具，打造一个能回答“明天上海天气怎么样？”这类问题的、更实用的智能助手。

Java大模型开发入门 (11/15)：让AI自主行动 - 初探LangChain4j中的智能体（Agents）

前言

第一部分：什么是AI Agent？从“聊天”到“行动”

第二部分：在LangChain4j中定义一个“工具”

第三部分：构建一个能使用工具的Agent

第四步：测试我们的新Agent！

总结

网站公告

今日签到

热门文章

最新发布