问题一:为什么选择做Java结合AI Agent的方向，不做纯传统后端？
问题二:你项目里的 Agent 自主决策、工具调用链路是怎么设计的？
问题三:除了开源Agent框架，你了解 SpringAI 吗？说说核心作用和适用场景
问题四:开发过程中如何规避大模型幻觉？有没有做过结果校验、重试机制？
问题五:你简历AI项目居多，未来职业定位：后端工程为主还是AI应用为主？
问题一:为什么选择做Java结合AI Agent的方向，不做纯传统后端？
单纯传统后端大多偏向标准化 CRUD 开发，技术场景比较固定。选择 Java 结合 AI Agent，一是可以充分利用 Java 在高并发、分布式、消息队列、系统工程化上的优势，用来承载 Agent 会话管理、任务调度；二是 AI Agent 能够给传统业务赋予自主工具调用、智能任务处理的能力，落地场景更广。同时走这条路线能形成复合型优势，区别于普通后端开发，我也认为未来很多业务系统都会逐步接入 AI 能力。
问题二:你项目里的 Agent 自主决策、工具调用链路是怎么设计的？
整体链路：接收请求→拼装会话与工具 Prompt→大模型自主决策是否调用工具→Java 层解析 + 安全校验→执行工具→结果回传模型循环决策→生成最终回复。同时限制最大调用轮次，避免死循环。
问题三:除了开源Agent框架，你了解 SpringAI 吗？说说核心作用和适用场景
SpringAI 是 Spring 官方 AI 框架，统一封装各类大模型调用，内置 Prompt、工具调用、RAG 能力；完美兼容 SpringBoot 生态。适合在现有 Java 业务系统快速接入大模型、开发 AI Agent 与企业知识库应用，相比 Python 开源框架，更适合后端生产工程落地。
问题四:开发过程中如何规避大模型幻觉？有没有做过结果校验、重试机制？
首先通过严谨 Prompt、RAG 检索从源头减少幻觉；再在 Java 后端对模型输出做格式与业务规则校验；校验失败开启有限轮次重试，带上错误上下文引导模型修正；超出重试上限直接终止。同时留存异常日志持续优化，禁止模型无依据编造信息。
问题五:你简历AI项目居多，未来职业定位：后端工程为主还是AI应用为主？
我以 Java 后端工程作为基础根基，重心偏向 AI 应用落地。扎实的后端能力是 AI 系统稳定运行的保障，我希望利用 Java 生态优势开发 AI Agent、智能业务系统；持续两边同步学习，目标是一名擅长大模型工程落地的后端开发。