Java已死？别慌，看我如何用Java手写一个Qwen Code Agent，拯救Java

从通义灵码、CodeBuddy等编程助手，到Cursor、Trae等AI编程IDE，再到Claude Code、Gemini Cli、Qwen Code等命令行工具，AI编程Agent这个赛道一直很热闹，那么这些AI Agent是如何实现的呢？这篇文章我来介绍一下我用Java实现出来的一个简单版的AI编程Agent，你可以理解为是一个简单版本的Qwen Code。

为什么用Java？其实我也用Python写了一版，也没别的原因，就想试试Java到底行不行...

ReAct

首先介绍一下什么是ReAct，ReAct拆开就是Reason+Action，也就是思考+行动。为什么需要ReAct？第一个原因是LLM只能输出文字，没有行动能力，比如不能创建文件、写文件、读文件，因此我们需要给LLM提供工具，让它有行动能力。第二个原因是LLM不管是解决简单问题还是复杂问题，都是一次性给出答案，但实际情况是，对于复杂问题往往需要分阶段思考、分阶段行动会更好。

ReAct核心就是一个循环：

思考：根据问题，给出一个解决问题的计划，然后执行计划中的第一步
行动：针对当前步骤，分析出要执行哪些工具，工具入参是什么
观察：观察工具执行结果，将结果信息返回给大模型，模型继续思考和行动。

这个"思考-行动-观察"的循环不断重复，直到任务完成，有点抽象，我们来看具体代码。

第一步：配置

首先看看配置，配置DASHSCOPE平台的API_KEY、BASE_URL和我们要使用的LLM。

arduino 复制代码

/**
 * 需要完整代码可以联系我，微信号：it_zhouyu
 */
public class ModelConfig {
    public static final String API_KEY = System.getenv("DASHSCOPE_API_KEY");
    public static final String BASE_URL = "<https://dashscope.aliyuncs.com/compatible-mode/v1>";
    public static final String LLM_NAME = "qwen-plus";
}

第二步：定义工具

然后定义Agent需要的工具，在AgentTools中可以定义多个工具，@Tool和@ToolParam都是我自己定义的，并没有用Spring AI。

typescript 复制代码

/**
 * 需要完整代码可以联系我，微信号：it_zhouyu
 */
public class AgentTools {

    @Tool(description = "将指定内容写入本地文件。")
    public String writeFile(@ToolParam(description = "包含 'file_path' 和 'content' 的 JSON 字符串。") String jsonInput) {
        try {
            JsonNode rootNode = objectMapper.readTree(jsonInput);
            String filePath = rootNode.get("file_path").asText();
            String content = rootNode.get("content").asText();
            try (FileWriter writer = new FileWriter(filePath)) {
                writer.write(content);
                return String.format("成功将内容写入文件 '%s'。", filePath);
            } catch (IOException e) {...}
        } catch (Exception e) {...}
    }
}

这里的关键是注解@Tool和@ToolParam：

@Tool(description = "..."): 用来描述工具的作用，当有多个工具时，LLM能根据每个工具的描述来选择该用哪个工具来完成当前任务。
@ToolParam(description = "..."): 用来描述参数的用途，当调用工具时，LLM需要根据参数描述来构造输入数据。

第三步：构建核心ReAct提示词

ReAct中最核心的就是提示词，因为我们需要LLM能够按照我们需要的格式返回，然后我们再通过Java代码来按格式进行解析，比如解析出该调用哪个工具，也就是该调用AgentTools中的哪个方法，传什么参数，以下是我的提示词：

arduino 复制代码

/**
 * 需要完整代码可以联系我，微信号：it_zhouyu
 */
private static final String REACT_PROMPT_TEMPLATE = """
        你是一个强大的 AI 助手，通过思考和使用工具来解决用户的问题。

        你的任务是尽你所能回答以下问题。你可以使用以下工具：

        {tools}

        请严格遵循以下规则和格式：
        1. 你的行动必须基于一个清晰的"Thought"过程。
        2. 你必须按顺序使用 "Thought:", "Action:", "Action Input:"。
        3. 在每次回复中，你只能生成 **一个** Thought/Action/Action Input 组合。
        4. **绝对不要** 自己编造 "Observation:"。系统会在你执行动作后，将真实的结果作为 Observation 提供给你。
        5. 当你拥有足够的信息来直接回答用户的问题时，请使用 "Final Answer:" 来输出最终答案。
        6. 在每次回复中，"Thought:", "Action:", "Action Input:"和"Final Answer:"不能同时出现。

        下面是你的思考和行动格式：
        Thought: 我需要做什么来解决问题？下一步是什么？
        Action: 我应该使用哪个工具？必须是 [{tool_names}] 中的一个。
        Action Input: 我应该给这个工具提供什么输入？这必须是一个 JSON 对象。

        --- 开始 ---

        Question: {input}
        {agent_scratchpad}
        """;

其中：

{tools} : 占位符，用来填充所有的工具信息，也就是@Tool、@ToolParam中的内容
{tool_names} : 占位符，用来填充所有工具的名字
{input} : 占位符，用户的问题
{agent_scratchpad} : 占位符，用来记录之前所有步骤的"思考-行动-观察"历史，帮助LLM做出符合上下文的决策。

这里重点讲一下第4点和第6点:

第4点，是因为我在测试时，发现模型有时候会自己模拟工具的执行，编造一个假的工具执行结果，导致没有真正的执行工具。
第6点，是因为我在测试时，发现模型有时候会既给出行动指令又给出最终答案，这其实是矛盾的，所以得要求它不要既给出行动指令又给出最终答案。

第四步：实现ReAct核心循环

这块代码比较多，贴在文章里也不方便阅读，这里就只给出实现思路，大家想要完整代码可以加我微信领取，微信在文末。

外层是一个循环，设置一个maxIterations，因为不能让ReAct无限循环
填充提示词，解析工具信息，以及用户的问题需求，填充到REACT_PROMPT_TEMPLATE提示词模版中，得到完整的提示词
调用LLM，得到LLM原始输出
先判断原始输出中是否有Final Answer，如果有，则直接返回最终答案，结束循环
再判断原始输出中，是否有Thought、Action和Action Input，如果有，则提取出要执行的方法名和入参对象
执行工具，并得到工具结果Observation
然后将当前步骤的Thought、Action、Action Input、Observation等信息，保存到agentScratchpad中，用于下一次循环的输入
进行下一次循环，直到达到maxIterations次数或者LLM返回了Final Answer

第五步：组装Agent

最后将Agent组装起来就可以用了：

java 复制代码

/**
 * 需要完整代码可以联系我，微信号：it_zhouyu
 */
public class Main {
    public static void main(String[] args) {
        // 1. 初始化 API 客户端
        OpenAIClient apiClient = ...;

        // 2. 创建 AgentTools 实例
        AgentTools agentTools = new AgentTools();

        // 3. 创建 ReActAgent 实例
        ReActAgent agent = new ReActAgent(apiClient, agentTools);

        // 4. 定义问题并运行 Agent
        String question = "请帮我用HTML、CSS、JS创建一个简单的贪吃蛇游戏，分成三个文件，分别是snake.html、snake.css、snake.js";
        String finalResult = agent.run(question, 10);

        // 5. 打印最终结果
        System.out.println("AGENT 执行结束，最终结果为：");
        System.out.println(finalResult);
    }
}

总结

以上就是我手写的简单版的Qwen Code Agent的核心思路，虽然还不能投入生产使用，但对于大家理解AI Agent核心原理、什么是ReAct、如何开发一个Agent应该都有帮助，希望能得到大家的点赞、分享、关注，最后给出我的联系方式，需要完整代码的可以加我微信号：it_zhouyu。