AI Agent 学习计划(一)

完整、可执行、概念与实战紧密结合** 的 《Java 工程师 AI Agent 学习计划（8 天）》 ，专为 面向阿里云 + 通义千问 + 纯 Java 技术栈 的开发者设计。

✅ 不涉及模型训练

✅ 不依赖 Python

✅ 基于真实开源项目 langchain4j

✅ 每天包含：核心概念 + 动手实战 + 输出成果

---

📘 Java 工程师 AI Agent 学习计划（8 天 · 概念 + 实战一体化）

🎯 最终目标

构建一个 支持 ReAct 决策、RAG 检索、工具调用、多轮迭代 的 智能测试用例生成系统，部署在本地或阿里云。

---

📅 详细日计划

---

第1天：理解 AI Agent 核心概念 + 环境搭建

🔍 核心概念

• AI Agent 是什么？ 能自主决策、调用工具、完成任务的智能程序（不是聊天机器人）。
• ReAct 是什么？ "推理（Reasoning）→ 行动（Acting）"交替的决策模式。
• 为什么需要 RAG？ LLM 不知道你的私有规则（如"用户等级只能是1~5"），需从知识库检索补充。

🛠️ 实战任务

1. 注册 阿里云账号，进入 DashScope 控制台

2. 获取 API Key（新用户送免费额度）

3. Clone 项目：

   git clone https://github.com/langchain4j/langchain4j-examples.git
   cd langchain4j-examples/dashscope-examples

4. 在 src/main/resources/application.properties 中添加：

   dashscope.api-key=sk-xxxxxxxxxxxxxx

📤 输出成果

• ✅ 可运行的 Java 开发环境
• ✅ 概念笔记（手写或 Markdown）：解释 Agent / ReAct / RAG 的区别与联系

---

第2天：跑通第一个 ReAct Agent

🔍 核心概念

• ReAct 循环三要素 ：
  • Thought：LLM 的推理（"我需要查时间"）
  • Action ：调用哪个工具（get_current_time）
  • Observation：工具返回结果（"2024-06-15 10:00"）

🛠️ 实战任务

1. 运行 DashScopeReActExample.java
2. 修改问题为："现在几点？北京天气如何？"（需提前添加天气工具）
3. 观察控制台输出，识别 Thought/Action/Observation
4. 阅读源码：ReActAgent.java（GitHub 链接）

📤 输出成果

• ✅ 成功运行的日志截图
• ✅ 手绘 ReAct 流程图（标注数据流向）

---

第3天：自定义工具（Tool Use）

🔍 核心概念

• 工具（Tool）：Agent 的"手脚"，用于执行具体操作
• @Tool 注解：声明方法可被 LLM 调用
• Protocol（协议）：工具的输入/输出必须结构化（JSON Schema）

🛠️ 实战任务

1. 创建新类 TestRuleTool.java：

   public class TestRuleTool {
       @Tool("查询字段的测试规则，例如手机号必须为11位数字")
       public String queryRule(@P("field") String field) {
           if ("mobile".equals(field)) {
               return "手机号必须为11位数字，不能包含字母";
           }
           return "无特殊规则";
       }
   }

2. 在 DashScopeReActExample.java 中注册该工具：

   ReActAgent agent = ReActAgent.builder()
       .chatLanguageModel(chatModel)
       .tools(new DateTimeTool(), new TestRuleTool()) // ← 注册
       .build();

3. 测试提问："如何测试 mobile 字段？"

📤 输出成果

• ✅ 自定义 Tool 类
• ✅ 工具被成功调用的日志

---

第4天：集成 RAG（本地向量检索）

🔍 核心概念

• RAG = Retrieve + Augment + Generate
• Embedding ：将文本转为向量（使用 text-embedding-v2）
• 向量检索：计算相似度，返回最相关知识

🛠️ 实战任务

1. 添加 Chroma 依赖到 pom.xml：

   <dependency>
       <groupId>dev.langchain4j</groupId>
       <artifactId>langchain4j-chroma-spring-boot-starter</artifactId>
       <version>0.30.0</version>
   </dependency>

2. 准备知识文件 test_knowledge.txt：

   手机号测试：11位数字，不能为空
   用户名测试：长度3-20，不能含特殊字符

3. 编写 RagIngestor.java，将文本存入 Chroma

4. 创建 RagTool.java：

   @Tool("从历史知识库中检索相关测试规范")
   public String searchKnowledge(@P("query") String query) {
       List<TextSegment> results = chromaStore.findRelevant(query, 2);
       return results.stream().map(TextSegment::text).collect(Collectors.joining("\n"));
   }

📤 输出成果

• ✅ 本地 Chroma 向量库
• ✅ /rag-search 接口（可独立测试）

---

第5天：构建测试用例生成原型

🔍 核心概念

• 任务导向：Agent 的目标是生成高质量测试用例
• Prompt 工程：如何引导 LLM 输出结构化 YAML

🛠️ 实战任务

1. 定义输入格式（JSON）：

   { "fields": { "username": { "type": "string", "required": true } } }

2. 创建 TestCaseGeneratorTool.java：

   @Tool("根据字段定义和规则生成测试用例（YAML格式）")
   public String generateTestCases(
       @P("fieldSpec") String fieldSpec,
       @P("rules") String rules
   ) {
       // 调用 Qwen，Prompt 包含 fieldSpec + rules
       // 要求输出：- input: {username: ""}, expected: "400"
   }

3. 组装完整流程：

   • 用户输入接口定义
   • Agent 调用 RagTool 获取规则
   • Agent 调用 TestCaseGeneratorTool 生成用例

📤 输出成果

• ✅ 输入 JSON → 输出 YAML 测试用例

• ✅ 示例：

  - input: { username: "" }
    expected: "用户名不能为空"

---

第6天：多轮迭代与质量检查

🔍 核心概念

• 覆盖度驱动迭代：未覆盖场景 → 继续生成
• 终止条件：覆盖率达阈值 或 超过最大轮数

🛠️ 实战任务

1. 创建 CoverageCheckerTool.java：

   public double calculateCoverage(String generatedCases, String interfaceSpec) {
       // 解析已生成用例，统计覆盖的字段组合比例
       return 0.75; // 示例
   }

2. 修改主流程为循环：

   int iterations = 0;
   while (iterations < 5 && coverage < 0.9) {
       // ReAct 生成一批用例
       // 调用 CoverageChecker
       iterations++;
   }

3. 添加 DedupTool：用 Set 去重相似用例

📤 输出成果

• ✅ 支持多轮生成的 Agent
• ✅ 覆盖率报告（如 "共生成 12 条，覆盖 92%"）

---

第7天：工程化抽象（MCP 思想落地）

🔍 核心概念

• MCP 架构 ：
  • Model：LLM 调用封装
  • Context：任务状态管理
  • Protocol：工具接口规范

🛠️ 实战任务

1. 抽象 LlmClient 接口，实现 DashScopeClient

2. 创建 AgentContext 类：

   public class AgentContext {
       private String inputSpec;
       private List<TestCase> generatedCases;
       private double coverage;
       // getters/setters
   }

3. 工具统一注册到 ToolRegistry

4. 配置外部化（application.yml）

📤 输出成果

• ✅ 清晰的包结构：

  com.example.agent
  ├── model/      # LLM 封装
  ├── context/    # 状态管理
  ├── tool/       # 工具实现
  └── service/    # ReAct 引擎

---

第8天：整合 & 扩展

🔍 核心概念

• 端到端闭环：从输入到输出，可被团队使用
• 可扩展性：新增工具无需改核心逻辑

🛠️ 实战任务

1. 提供 REST API：

   @PostMapping("/generate-test-cases")
   public ResponseEntity<List<TestCase>> generate(@RequestBody InterfaceSpec spec) {
       return agent.run(spec);
   }

2. （可选）部署到阿里云 ECS 或函数计算

3. 编写 README.md，说明如何使用

📤 输出成果

• ✅ 可运行的 Spring Boot 服务
• ✅ 完整项目代码（GitHub 仓库）
• ✅ 演示视频或截图（输入 → 输出）

---

📦 附：技术栈清单

功能	技术
LLM 调用	阿里云 DashScope SDK (langchain4j-dashscope)
向量库	Chroma（本地） / 阿里云 OpenSearch（生产）
Web 框架	Spring Boot
构建工具	Maven
代码规范	Java 17+, Lombok（可选）

---

✅ 下一步行动

1. 今天就执行第1天任务：获取 API Key + clone 项目
2. 加入 langchain4j 社区 ：GitHub Discussions
3. 遇到问题？ 我可提供：
   • 完整代码模板
   • 阿里云部署指南
   • 测试用例生成 Prompt 示例

祝你学习顺利，8 天后你将拥有自己的 Java 版 AI Agent！🚀