Java 工程师 AI 智能体（Agent）完整学习路线

适用对象：具备 Java / Spring 后端基础，希望系统学习大模型应用与 AI 智能体开发的工程师。

路线主线：基础认知 → 提示词 → 编程调用 → 单智能体 → 工具/RAG → 多智能体 → 框架生态 → 工程化落地。

注：

博客：

https://blog.csdn.net/badao_liumang_qizhi

总览路线图

#mermaid-svg-JHDUpGBHa9OZTx6n{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;fill:#333;}@keyframes edge-animation-frame{from{stroke-dashoffset:0;}}@keyframes dash{to{stroke-dashoffset:0;}}#mermaid-svg-JHDUpGBHa9OZTx6n .edge-animation-slow{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 50s linear infinite;stroke-linecap:round;}#mermaid-svg-JHDUpGBHa9OZTx6n .edge-animation-fast{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 20s linear infinite;stroke-linecap:round;}#mermaid-svg-JHDUpGBHa9OZTx6n .error-icon{fill:#552222;}#mermaid-svg-JHDUpGBHa9OZTx6n .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-JHDUpGBHa9OZTx6n .edge-thickness-normal{stroke-width:1px;}#mermaid-svg-JHDUpGBHa9OZTx6n .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-JHDUpGBHa9OZTx6n .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-JHDUpGBHa9OZTx6n .edge-thickness-invisible{stroke-width:0;fill:none;}#mermaid-svg-JHDUpGBHa9OZTx6n .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-JHDUpGBHa9OZTx6n .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-JHDUpGBHa9OZTx6n .marker{fill:#333333;stroke:#333333;}#mermaid-svg-JHDUpGBHa9OZTx6n .marker.cross{stroke:#333333;}#mermaid-svg-JHDUpGBHa9OZTx6n svg{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-JHDUpGBHa9OZTx6n p{margin:0;}#mermaid-svg-JHDUpGBHa9OZTx6n .label{font-family:"trebuchet ms",verdana,arial,sans-serif;color:#333;}#mermaid-svg-JHDUpGBHa9OZTx6n .cluster-label text{fill:#333;}#mermaid-svg-JHDUpGBHa9OZTx6n .cluster-label span{color:#333;}#mermaid-svg-JHDUpGBHa9OZTx6n .cluster-label span p{background-color:transparent;}#mermaid-svg-JHDUpGBHa9OZTx6n .label text,#mermaid-svg-JHDUpGBHa9OZTx6n span{fill:#333;color:#333;}#mermaid-svg-JHDUpGBHa9OZTx6n .node rect,#mermaid-svg-JHDUpGBHa9OZTx6n .node circle,#mermaid-svg-JHDUpGBHa9OZTx6n .node ellipse,#mermaid-svg-JHDUpGBHa9OZTx6n .node polygon,#mermaid-svg-JHDUpGBHa9OZTx6n .node path{fill:#ECECFF;stroke:#9370DB;stroke-width:1px;}#mermaid-svg-JHDUpGBHa9OZTx6n .rough-node .label text,#mermaid-svg-JHDUpGBHa9OZTx6n .node .label text,#mermaid-svg-JHDUpGBHa9OZTx6n .image-shape .label,#mermaid-svg-JHDUpGBHa9OZTx6n .icon-shape .label{text-anchor:middle;}#mermaid-svg-JHDUpGBHa9OZTx6n .node .katex path{fill:#000;stroke:#000;stroke-width:1px;}#mermaid-svg-JHDUpGBHa9OZTx6n .rough-node .label,#mermaid-svg-JHDUpGBHa9OZTx6n .node .label,#mermaid-svg-JHDUpGBHa9OZTx6n .image-shape .label,#mermaid-svg-JHDUpGBHa9OZTx6n .icon-shape .label{text-align:center;}#mermaid-svg-JHDUpGBHa9OZTx6n .node.clickable{cursor:pointer;}#mermaid-svg-JHDUpGBHa9OZTx6n .root .anchor path{fill:#333333!important;stroke-width:0;stroke:#333333;}#mermaid-svg-JHDUpGBHa9OZTx6n .arrowheadPath{fill:#333333;}#mermaid-svg-JHDUpGBHa9OZTx6n .edgePath .path{stroke:#333333;stroke-width:2.0px;}#mermaid-svg-JHDUpGBHa9OZTx6n .flowchart-link{stroke:#333333;fill:none;}#mermaid-svg-JHDUpGBHa9OZTx6n .edgeLabel{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-JHDUpGBHa9OZTx6n .edgeLabel p{background-color:rgba(232,232,232, 0.8);}#mermaid-svg-JHDUpGBHa9OZTx6n .edgeLabel rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-JHDUpGBHa9OZTx6n .labelBkg{background-color:rgba(232, 232, 232, 0.5);}#mermaid-svg-JHDUpGBHa9OZTx6n .cluster rect{fill:#ffffde;stroke:#aaaa33;stroke-width:1px;}#mermaid-svg-JHDUpGBHa9OZTx6n .cluster text{fill:#333;}#mermaid-svg-JHDUpGBHa9OZTx6n .cluster span{color:#333;}#mermaid-svg-JHDUpGBHa9OZTx6n div.mermaidTooltip{position:absolute;text-align:center;max-width:200px;padding:2px;font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:12px;background:hsl(80, 100%, 96.2745098039%);border:1px solid #aaaa33;border-radius:2px;pointer-events:none;z-index:100;}#mermaid-svg-JHDUpGBHa9OZTx6n .flowchartTitleText{text-anchor:middle;font-size:18px;fill:#333;}#mermaid-svg-JHDUpGBHa9OZTx6n rect.text{fill:none;stroke-width:0;}#mermaid-svg-JHDUpGBHa9OZTx6n .icon-shape,#mermaid-svg-JHDUpGBHa9OZTx6n .image-shape{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-JHDUpGBHa9OZTx6n .icon-shape p,#mermaid-svg-JHDUpGBHa9OZTx6n .image-shape p{background-color:rgba(232,232,232, 0.8);padding:2px;}#mermaid-svg-JHDUpGBHa9OZTx6n .icon-shape .label rect,#mermaid-svg-JHDUpGBHa9OZTx6n .image-shape .label rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-JHDUpGBHa9OZTx6n .label-icon{display:inline-block;height:1em;overflow:visible;vertical-align:-0.125em;}#mermaid-svg-JHDUpGBHa9OZTx6n .node .label-icon path{fill:currentColor;stroke:revert;stroke-width:revert;}#mermaid-svg-JHDUpGBHa9OZTx6n :root{--mermaid-font-family:"trebuchet ms",verdana,arial,sans-serif;} 阶段1 基础认知
阶段2 提示词工程
阶段3 编程调用 LLM
阶段4 智能体核心原理
阶段5 工具/MCP/RAG
阶段6 多智能体与编排
阶段7 框架与生态
阶段8 工程化落地

[阶段 1：AI / LLM 基础认知](#阶段 1：AI / LLM 基础认知)
[阶段 2：提示词工程](#阶段 2：提示词工程)
[阶段 3：编程调用 LLM](#阶段 3：编程调用 LLM)
[阶段 4：智能体核心原理](#阶段 4：智能体核心原理)
[阶段 5：工具调用、MCP 与 RAG](#阶段 5：工具调用、MCP 与 RAG)
[阶段 6：多智能体与编排](#阶段 6：多智能体与编排)
[阶段 7：框架与生态](#阶段 7：框架与生态)
[阶段 8：工程化落地](#阶段 8：工程化落地)
附：阶段周期与产出总表

阶段 1：AI / LLM 基础认知

目标：建立对大模型能力与边界的正确直觉，理解 Token、上下文、参数、成本等核心概念。

1.1 核心术语

1.1.1 Token（词元）

讲解：模型处理文本的最小单位，文本先被切分为 Token 再转向量计算。英文约 1 Token ≈ 4 字符；中文约 1 Token ≈ 1～2 汉字；代码/公式按子词切分。

示例："你好，世界" 约 5～7 Token；"The quick brown fox" 约 4～5 Token。

场景：计费按 Token；上下文以 Token 为上限；可用官方 tokenizer 估算成本。

面试知识点：Q：中文为何更费 Token？A：中文无空格、语义密度高，常按字/词根切分，同等语义下 Token 更多。

1.1.2 上下文窗口（Context Window）

讲解：模型单次可见的最大 Token 数，含"输入 + 历史 + 输出"。超出截断或压缩。

示例：128K 窗口约 10 万汉字；输入占 120K 则输出仅剩 8K。

场景：长文档需配合 RAG/摘要；多轮对话需管理长度。

面试知识点：Q：窗口越大越好吗？A：不一定，会带来注意力分散、延迟与成本上升。

1.1.3 Embedding（向量嵌入）

讲解：把文本映射为稠密向量，语义相近则距离近，是 RAG/检索基础。

示例：float[] v = embeddingClient.embed("人工智能是计算机科学的分支");

场景：知识库检索、去重、聚类。

面试知识点：Q：Embedding 与生成模型区别？A：前者输出向量表征语义，后者输出文本，常配合使用。

1.1.4 微调 vs 推理

讲解：微调改变权重学新知识（贵、慢）；推理是用已有模型处理请求（日常 API）。

场景：一般业务用推理+Prompt/RAG；仅垂直领域固化风格才微调。

面试知识点：Q：何时用 RAG 而非微调？A：知识易变、需溯源、私有数据优先 RAG。

1.1.5 幻觉（Hallucination）

讲解：无依据时"自信编造"错误内容。

场景：事实问答、数据引用、API 名易幻觉。

缓解：RAG 注入证据、约束拒答、要求引用、人工复核。

面试知识点：Q：如何降低幻觉？A：RAG+约束拒答+引用溯源+多模型验证+人工复核。

1.1.6 知识截止日期

讲解：训练数据截止某时点，之后事件/新库未知。

场景：问最新资讯可能编造；用搜索/RAG 注入实时信息。

1.2 模型分类

类型	用途	示例
对话/生成	客服、写作	GPT-4o、通义千问、Claude
推理	数学/代码/规划	o1/o3、DeepSeek-R1
多模态	图文理解	GPT-4V、Gemini
Embedding	检索	text-embedding-3
Rerank	RAG 精排	BGE-Reranker

面试知识点：推理模型擅长复杂推理但延迟高、成本高；简单任务用普通模型。

1.3 采样参数

temperature：0～2，越低越确定；事实/代码用 0～0.3，创意用 0.8～1.0。
top_p：仅从累计概率达 top_p 的词集采样；与 temperature 二选一调。
top_k：仅取概率最高 k 个词。
max_tokens：限制输出长度、控成本。
stop：遇指定串停止。
frequency/presence penalty：降复读、鼓励新话题。

示例

json 复制代码

{ "model":"gpt-4o", "messages":[{"role":"user","content":"一句话解释 Token"}],
  "temperature":0.2, "top_p":0.9, "max_tokens":200, "stop":["\n\n"] }

面试知识点：Q：temperature=0 完全可复现？A：基本可复现但不保证 100%（推理模型随机性、批处理/实现差异）。

1.4 能力边界

短板：知识时效、精确计算、因果常识、不可复现、幻觉。

启示：让模型"想/说"，把"算/查"交工具。

面试知识点：Q：为何不让 LLM 做精确计算？A：自回归是概率预测，不保算术正确，应借工具执行。

1.5 推理成本

组成：输入+输出 Token（输出更贵）；缓存命中降本；推理模型更贵。

优化：压缩 System Prompt 复用前缀命中缓存、模型分级路由、限制 max_tokens、批量调用。

1.6 生态认知

OpenAI / Anthropic / Google / 国产（通义、智谱、DeepSeek、文心）。

解耦：用 Spring AI ChatClient、LangChain4j ChatLanguageModel 屏蔽厂商差异。

1.7 自测清单

1.8 面试题与参考答案

Token 及中英文差异？ 最小处理单位；中文无空格、语义密，约 1～2 字/Token，故更费。
上下文窗口含什么、超长怎样？ 输入+历史+输出；超出截断/压缩致信息丢失。
Embedding 作用？ 文本转向量，RAG 中检索语义相近块作证据。
微调 vs RAG？ 知识易变/需溯源→RAG；固化风格→微调。
幻觉与缓解？ 无依据编造；RAG+拒答约束+引用+验证+复核。
temperature=0 可复现？ 基本可，但不保证 100%（随机性/实现差异）。
为何不让 LLM 算精确数？ 概率预测不保算术，借工具/解释器执行。
降本手段？ 缓存前缀、RAG 取相关片段、模型路由、限长、批量。
推理模型取舍？ 强于复杂推理但贵且慢，按任务复杂度选。
多厂商解耦？ 抽象层统一接口，便于切换/灰度。

阶段 2：提示词工程（Prompt Engineering）

目标：稳定"指挥"模型产出期望结果，具备结构化输出与高级推理范式能力。

2.1 基础结构（三种角色）

System：设定角色/规则/语气，贯穿会话、权重最高。
User：当前指令。
Assistant ：模型回复，也可预填做 Few-shot。
面试知识点：System 定全局约束，优先级高；User 是当前任务。

2.2 基础技巧

角色设定 ：System: 你是一位 10 年 Spring Boot 架构师。
Zero/Few-shot：Few-shot 给"输入→输出"范例提升格式一致性（代价：占 Token、可能带偏）。
CoT：要求逐步推理再给答案（代价：更长更贵；推理模型已内化）。
Self-Consistency：多路径采样取多数，提复杂题准确率。

2.3 结构化输出

JSON Mode ：response_format:{type:"json_object"} 或明确要求只输出 JSON。
函数/Schema 约束：用 JSON Schema 约束字段。
校验兜底：Jackson 反序列化失败则重试。

java 复制代码

try { Result r = objectMapper.readValue(out, Result.class); }
catch (JsonProcessingException e) { /* 重试 */ }

面试知识点：JSON 非法兜底------JSON Mode+Schema 校验+失败重试+限长防截断+降级。

2.4 约束与防漏

拒答边界：只处理 Java 问题，否则回复"抱歉，我无法回答"。
格式/长度/语气强制。
Prompt Injection 防范：System 强调边界、隔离标记用户输入、输出过滤、关键动作 HITL、护栏二次校验。

2.5 高级范式

ReAct：Thought→Action(调工具)→Observation 循环，Agent 核心。
Plan-and-Solve：先规划再执行，适步骤清晰任务。
Reflexion：失败反思改进重试。
Tree-of-Thought ：多分支搜索最优。
面试知识点：ReAct 比 CoT 多了"行动+观察"，能接触外部世界。

2.6 评测意识

关注一致性、回归（Prompt 改动跑评测集）、数据集建设。

2.7 自测清单

2.8 面试题与参考答案

三角色作用？ System 全局规则权重高；User 当前指令；Assistant 回复/示例。
Few-shot vs Zero-shot？ Few-shot 引格式更稳但费 Token 可能带偏；简单任务 Zero-shot。
CoT 及代价？ 逐步推理提准确率；更长更贵，推理模型已内化。
稳定 JSON？ JSON Mode+Schema+校验重试+限长。
Prompt Injection 防范？ 边界强调、隔离用户输入、输出过滤、HITL、护栏。
ReAct 与 CoT 区别？ ReAct 想+做+观察，能调工具；CoT 只想。
Plan-and-Solve vs ReAct？ 可预见流程用前者；不确定需实时信息用后者。
JSON 非法处理？ 开启约束+代码校验重试+限长+降级。
为何 Prompt 需评测？ 同 Prompt 可能不一致，改动需回归比对。
Self-Consistency？ 多路径采样取多数，提正确率但成本线性升。

阶段 3：编程调用 LLM

目标：用代码把模型接进 Java 应用，掌握流式、错误处理、密钥管理。

3.1 HTTP 直接调用

端点 POST /v1/chat/completions，头 Authorization: Bearer <KEY>。

json 复制代码

{ "model":"gpt-4o",
  "messages":[{"role":"system","content":"Java 专家"},{"role":"user","content":"什么是 Stream API？"}],
  "temperature":0.3 }

面试知识点：Key 放请求头而非 Body，避免日志泄露、便于网关拦截。

3.2 SDK 与框架抽象

Spring AI ：ChatClient。

java 复制代码

String ans = chatClient.prompt().system("Java 架构师").user(q).call().content();

LangChain4j ：ChatLanguageModel.generate(...)。
面试知识点：抽象屏蔽厂商差异、内置重试/流式/拦截，便于切换与测试。

3.3 消息模型

SystemMessage/UserMessage/AssistantMessage/ToolMessage → Prompt → ChatResponse（含 usage）。

面试知识点：多轮历史全量发会超窗口且增成本，需截断/摘要。

3.4 流式处理

SSE（text/event-stream）逐段推送。

java 复制代码

chatClient.prompt().user(q).stream().content().subscribe(token -> System.out.print(token));

Web 层用 SseEmitter 推前端。成本同非流式；首字延迟低、体验好，但需处理断连/背压。

3.5 错误处理与重试

429 限流、408 超时、5xx、内容拦截。
可重试：429/408/5xx；不可重试：401/403/400/审核拦截。
指数退避+抖动、最大重试、降级兜底（如 Spring Retry @Recover）。
面试知识点 ：429 不立即重试；读 Retry-After 退避+本地限流+降级。

3.6 密钥与配置

放配置中心（Nacos/Apollo），不写死代码；多 Key 轮询分摊配额、支持轮转。
前端绝不持有 Key（盗刷+无法审计）。
面试知识点：密钥仅服务端，日志脱敏。

3.7 自测清单

3.8 面试题与参考答案

Key 放头还是体？ 头，防泄露、便拦截。
为何用抽象？ 屏蔽差异、统一模型、内置能力、易切换。
多轮历史管理？ 拼回历史，但需截断/摘要控成本。
流式 vs 非流式？ 成本同；流式体验好但需处理断连。
429 处理？ 读 Retry-After、退避+限流+降级。
可/不可重试？ 429/408/5xx 可；401/403/400/审核不可。
前端持 Key？ 不能，盗刷且不可审计。
SSE 与 Java 实现？ 服务端单向推送；SseEmitter/Flux。
多 Key 轮询价值？ 分摊配额、故障切换、轮转。
成本核算？ 解析 usage 按单价累计+可观测归因。

阶段 4：智能体（Agent）核心原理

目标：理解自主循环、工具、记忆构成的 Agent，掌握规划模式与工程风险。

4.1 什么是 Agent

Agent = LLM + Tools + Memory + Planning。区别于普通调用：输出可能是"下一步动作"而非最终答案。

4.2 四大支柱

Planning：拆解子任务、定顺序（ReAct 边想边做 / Plan-and-Solve 先规划）。
Memory：短期（会话历史）、长期（向量库/库）、压缩（摘要）。
Tools：把算/查交给外部能力。
Action ：将决策落地为工具调用或回答。
面试知识点：让模型想/说，算/查交工具，提正确降幻觉。

4.3 规划模式

ReAct：Thought→Action→Observation。
Plan-and-Execute：先计划再执行。
Reflexion ：失败反思改进重试。
面试知识点：ReAct 边想边做；Plan-and-Solve 适可预见流程；Reflexion 提复杂任务成功率。

4.4 记忆机制

类型	存储	场景
短期	内存消息	多轮对话
长期	向量库/库	用户偏好/知识
压缩	摘要文本	历史过长压缩
过长→超窗口/成本升/注意力稀释；解决：截断、摘要、长期检索回填。

4.5 执行循环与状态机

java 复制代码

for (int step=0; step<MAX; step++) {
    Decision d = planner.decide(history);
    if (d.isFinal()) return d.answer();
    String obs = toolRegistry.call(d.action(), d.input());
    history.add(new ToolMessage(obs)); // 回灌
}

面试知识点：模型无状态，必须把 Observation 回灌才能形成闭环。

4.6 终止条件

目标达成 / 步数上限 / 人工介入 / 错误熔断。步数上限防死循环与成本失控。

4.7 风险与防范

风险	防范
死循环	步数上限+重复检测
工具误用	Schema 校验+预检
成本失控	步数/Token 预算
越权	权限最小化+HITL
不可控输出	护栏+审计

4.8 自测清单

4.9 面试题与参考答案

Agent vs 普通调用？ 前者是感知-决策-行动-观察循环，能调工具改状态。
四大支柱？ Planning/Memory/Tools/Action。
想/说 vs 算/查？ LLM 擅推理不擅计算/实时，交工具提正确降幻觉。
ReAct vs Plan？ 不确定实时→ReAct；可预见→Plan；可结合。
Reflexion？ 失败后反思重试，提复杂任务成功率。
短记忆过长？ 超窗口/成本升；截断/摘要/长期回填。
回灌 Observation？ 模型无状态，需基于真实反馈闭环。
步数上限？ 防死循环与成本失控。
防误删？ 权限最小+HITL+预检+dry-run+审计回滚。
典型风险？ 死循环/误用/成本/越权/不可控输出及对应防范。

阶段 5：工具调用、MCP 与 RAG

目标：让 Agent 连接外部世界（工具/MCP）与私有知识（RAG）。

5.1 Function Calling

流程：声明工具(名/描述/Schema) → 用户问 → 模型返回 {name, arguments} → 本地执行 → 结果回灌 → 生成答案。模型不真正执行函数。

5.2 Java 注册工具

java 复制代码

public class WeatherTool {
  @Tool(description="查询城市天气")
  public String getWeather(@ToolParam(description="城市") String city){
      return weatherService.query(city);
  }
}
ChatClient c = ChatClient.builder(model).defaultTools(new WeatherTool()).build();

LangChain4j 用 @Tool + @P。防传错参：Schema 描述清晰+方法内校验+关键工具 HITL+失败重试。

5.3 MCP（模型上下文协议）

开放标准，AI 界的"USB-C"；MCP Server 暴露工具/资源，MCP Client 连接。
与 FC 关系：FC 是"模型如何表达要调函数"；MCP 是"工具如何被标准发现/调用"。
价值：工具一次实现、多应用复用、解耦能力提供与调用。

java 复制代码

List<ToolCallback> tools = mcpClient.listTools().stream().map(McpToolCallback::new).toList();

5.4 RAG 流水线

加载+切分：PDF/网页/DB；块 200～500 字，留重叠。
Embedding+向量库：Milvus/pgvector/Chroma/Redis/ES。
检索+Rerank：Top-K 相似度粗排，Rerank 模型精排。
注入生成：相关块拼 Prompt，可标来源。

java 复制代码

List<TextSegment> hits = vectorStore.search(embed(question),5);
hits = reranker.rerank(question, hits, 3);
String ans = chatClient.prompt().user("资料:\n"+join(hits)+"\n问题:"+question).call().content();

面试知识点：块太大噪声多、太小语义碎；Rerank 提 Top 相关性。

5.5 引用与溯源

给块编号、要求回答附编号；便于点击溯源、纠错、合规。降编造：只给真实片段+约束拒答+校验来源+置信阈值。

5.6 Agentic RAG

Agent 自主决定何时/查什么/多轮检索，与 ReAct 结合（Action=retrieve）。区别于传统"检索一次→生成"。

5.7 自测清单

5.8 面试题与参考答案

模型执行函数？ 否，只输出决策，本地执行后回灌。
防传错参？ Schema 清晰+方法校验+ HITL+重试。
MCP vs FC？ FC 是调用机制；MCP 是工具标准协议，解耦提供与调用。
块大小？ 太大噪声、太小碎；重叠调优。
为何 Rerank？ 粗排快但不精，精排提相关性。
降编造来源？ 真实片段+拒答+来源校验+阈值。
Agentic RAG？ Agent 动态控制检索时机/词/多轮。
向量库角色？ 存 Embedding，高效相似检索。
MCP 工程价值？ 复用、标准化、易治理。
完整 RAG 步骤？ 加载→切分→Embedding→存库→检索→Rerank→注入→生成

阶段 6：多智能体与编排

目标：掌握协作模式、编排范式、智能体间协议与人类在环。

6.1 为何多智能体

分工→专业化、可控、可并行；复杂任务单 Agent "什么都不精"。

6.2 协作模式

Supervisor/Worker：中枢拆解派发汇总，灵活适不确定任务。
Pipeline：线性流转，简单可预测。
辩论/投票：多方案交叉验证，成本高。
Blackboard ：共享黑板逐步汇聚，适探索性任务。
面试知识点：Pipeline 简单但缺灵活；Supervisor/Worker 动态派发更灵活。

6.3 编排范式

有向图（LangGraph 思想）：节点+边+状态，支持循环/分支。

java 复制代码

StateGraph g=new StateGraph();
g.addNode("planner",planner); g.addNode("researcher",r); g.addNode("writer",w);
g.addEdge("planner","researcher");
g.addConditionalEdge("researcher", s-> s.enough()?"writer":"researcher");

状态机：显式状态约束合法路径，便审计。
事件驱动 ：消息总线松耦合、可扩展。
面试知识点：图编排支持分支/循环/并行/中断，表复杂控制流。

6.4 共享状态与消息

统一任务上下文/消息结构（JSON Schema）传递；Supervisor 聚合、去重、排序、仲裁。

6.5 智能体间协议：A2A / ACP / Agent Card

A2A（Google） ：Agent Card（JSON 描述能力/端点/技能）、Task、Message；HTTP+JSON-RPC，SSE 推进度。
ACP：面向 Agent 通信的开放协议，侧重会话与能力协商。
Agent Card 示例：

json 复制代码

{ "name":"天气Agent", "url":"https://a2a.example.com/weather",
  "skills":[{"id":"get_weather","name":"查天气"}] }

面试知识点：A2A 解决 Agent 间协作（Agent 对 Agent）；MCP 解决 Agent 调工具（Agent 对资源），互补。

6.6 任务分解与结果聚合

按技能派发子任务；冲突用仲裁 Agent/投票/可信度加权；关键结论附证据或 HITL。

6.7 人类在环（HITL）

关键节点（发消息/删数据/发布）暂停审批，反馈回灌。兼顾自动化与可控。

6.8 自测清单

6.9 面试题与参考答案

多 Agent 适用？ 可拆分/需分工/可控/并行/人工介入。
Supervisor vs Pipeline？ 前者动态灵活，后者线性简单。
图编排优势？ 分支/循环/并行/中断，节点可测可换。
信息如何传？ 统一消息结构+聚合去重仲裁。
Agent Card？ Agent 名片/注册表，供发现与委托。
A2A vs MCP？ Agent 对 Agent vs Agent 对资源。
结果冲突？ 仲裁/投票/加权+证据+HITL。
HITL 节点？ 不可逆/高风险/强合规处。
Blackboard？ 共享黑板逐步汇聚，适探索任务。
辩论/投票价值与代价？ 降偏差但成本翻倍需收敛机制。

阶段 7：框架与生态

目标：选型与落地------弄清 Java 主流框架定位，以 Python 框架为范式参考。

7.1 为何用框架

标准化消息/重试/流式/工具/记忆/编排/可观测，降本提效；但需能下钻原始报文防黑盒。

7.2 Java 主流框架

Spring AI ：ChatClient，最贴合 Spring Boot；Advisor 拦截链。
LangChain4j ：轻量声明式 AiServices + @Tool。

java 复制代码

interface Assistant { @SystemMessage("Java 导师") String answer(@UserMessage String q); }
Assistant bot = AiServices.create(Assistant.class, model);

Spring AI Alibaba：通义/DashScope 优化，含 Agent Framework + 可视化 Dashboard，国内友好。
Semantic Kernel（Java） ：微软，Kernel+Plugin(函数集合)+Planner(目标拆解)。
协议 SDK ：MCP SDK 接 Server；A2A SDK 做 Agent 协作。
面试知识点：Spring AI 更 Spring 原生；LangChain4j 更轻量声明式。

7.3 Python 框架（范式参考）

LangGraph：有向图+状态编排事实标准。
AutoGen：多 Agent 对话协作、代码执行。
CrewAI ：Role/Crew/Task 岗位化协作。
学其设计，不迁业务到 Python。

7.4 选型建议

现状	推荐
Spring Boot 后端	Spring AI(+Alibaba)
轻量/声明式	LangChain4j
国内通义/可视化	Spring AI Alibaba
微软/插件治理	Semantic Kernel
多 Agent 图编排	框架图能力+LangGraph 思想
跨进程协作	MCP/A2A

防锁定：业务依赖抽象接口、走标准协议、编排与框架解耦。

7.5 自测清单

7.6 面试题与参考答案

用框架？ 标准化通用能力、统一治理；但防黑盒。
Spring AI vs LangChain4j？ 前者 Spring 原生融合深；后者轻量声明式。
Alibaba 特色？ 通义优化+Agent Framework+Dashboard+国内合规。
Semantic Kernel Plugin/Planner？ Plugin=函数集合模块化；Planner=目标拆计划。
何时参考 Python？ 范式先在 Python 成熟时学思想，Java/A2A 等价落地。
抽象解耦厂商？ 依赖统一接口，配置/适配器注入，便切换灰度。
MCP/A2A SDK 角色？ MCP 接工具；A2A 做 Agent 协作。
如何选型？ 技术栈/模型厂商/协作模式/跨进程需求综合。
锁定风险？ 依赖抽象、走标准、编排解耦。
成熟框架能力？ 模型抽象/工具/记忆/RAG/流式/护栏/编排/可观测。

阶段 8：工程化落地

目标：可上线、可观测、可评测、可治理。

8.1 可观测性

Metrics：Micrometer 记 Token/次数/耗时/错误率。

java 复制代码

registry.counter("llm.tokens","type","prompt").increment(usage.promptTokens());

Tracing：Langfuse/OpenTelemetry 追链路（每 Agent/工具为 span）。
Logging ：结构化记录，注意脱敏。
面试知识点：概率黑盒+长链路+高成本，无观测无法定位/算账。

8.2 评测体系

评测数据集（输入+期望/评分）→ 指标（准确率/幻觉率/工具成功率/合规率）→ 回归（CI 全量跑，不达标阻断）。

java 复制代码

@Test void regression(){ for(Case c:set) assertTrue(scorer.pass(c, agent.run(c.input()))); }

8.3 安全护栏

输入过滤（Prompt Injection/敏感词）、输出过滤（隐私/违规）、工具权限最小化、敏感操作 HITL、越权防护。

java 复制代码

// Advisor：输入护栏 + 输出脱敏
securityFilter.checkInput(req.userText());
r = r.withOutput(piiRedactor.redact(r.output()));

8.4 提示词与配置管理

Git 版本化、A/B 对比（评测集/灰度）、配置中心热更新。改动风险高，需回滚与灰度。

8.5 成本控制

模型分级路由（简单用小模型）、prompt 缓存、批处理、Token 预算上限。

java 复制代码

ChatModel m = isSimple(task)? cheap : strong;

8.6 部署与运维

容器化+K8s、Spring Boot 原生镜像降冷启、限流保护配额、灰度/回滚、队列削峰、降级兜底。

8.7 合规治理

PII 脱敏（姓名/手机）、日志脱敏、审计留痕、数据出境/备案合规。

java 复制代码

auditLogger.info("task={} input={}", id, piiRedactor.redact(raw));

8.8 自测清单

8.9 面试题与参考答案

为何需可观测？ 概率性+长链路+高成本，无指标难定位/算账。
判断 Prompt 改好？ 固定评测集量化比对+回归不退化。
防 Injection？ 边界强调+隔离输入+输出过滤+HITL+护栏。
HITL 与节点？ 不可逆/高风险/强合规处人工确认。
提示词版本化/灰度？ 改动风险高，便回滚审计、小流量验证。
降本？ 缓存前缀+RAG 取相关+路由+限长+批量+结果缓存。
运维要点？ 容器化弹性+限流+灰度回滚+异步削峰+降级+告警。
日志合规风险？ 泄露 PII/密钥；脱敏+访问控制+最小化+审计。
模型路由价值？ 按复杂度平衡成本与效果。
Agent 评测回归？ 评测集+CI 全量跑+指标对比+阻断发布。

附：阶段周期与产出总表

阶段	主题	周期	关键产出
1	基础认知	1 周	说清 Token/上下文/成本/边界
2	提示词工程	1--2 周	可复用高质量 Prompt 模板
3	编程调用 LLM	1--2 周	流式对话 Demo
4	智能体核心原理	2--3 周	理解四大支柱、手写 ReAct 循环
5	工具/MCP/RAG	3--4 周	带工具与知识库的助手
6	多智能体与编排	3 周	2--3 个 Agent 协作系统
7	框架与生态	持续	选定主框架并落地
8	工程化落地	2--3 周	可观测/可评测/可部署

Java 工程师 AI 智能体（Agent）完整学习路线