从写CRUD到做AI Agent：我花了6个月转型，这是我的完整路线图

去年这个时候，我还在每天写CRUD接口。不是说CRUD不好------毕竟9年了，写起来又快又稳------但我心里清楚，纯CRUD开发的天花板快到了。

转折点是有次面试，面试官问我："你们有没有用AI做点什么？"我说没有。他没说什么，但那个沉默让我很难受。回来后我查了一下------好家伙，Spring AI已经1.0 GA了，MCP协议有5800多个Server了，AI Agent的生态在Java圈已经成型了。

我决定花半年时间转型。不是转行做AI，而是在Java开发的基础上，加上AI Agent开发能力。这篇文章是我6个月学习路线的真实记录，不是"完美规划"------中间走过弯路，也踩过坑。

---

为什么是6个月？

因为我试过"一个月速成"，失败了。

今年1月的时候，我花了一个月时间刷各种AI教程，看了无数视频和文章。但到月底发现------学了一堆概念，真正上手写代码的时候脑子一片空白。问题出在：光看不练，没有把知识转化为肌肉记忆。

后来我改成了"边学边做"的模式------每周学一个主题，同时在一个实际项目里用上。6个月下来，我不敢说精通，但至少能独立搭一个生产级的AI Agent系统了。

---

第1-2月：补基础------AI到底在干嘛

这段时间不写代码，先搞懂几件事。

第一周：理解LLM的基本原理

不是让你去学神经网络------你是Java开发者，不是算法工程师。你需要理解的是：LLM是怎么工作的，为什么它会"幻觉"，token是什么概念，上下文窗口是什么。

推荐资源：

• 3Blue1Brown的"Neural Networks"系列（YouTube，理解原理）
• Andrej Karpathy的"Let's build GPT"（理解Transformer，不用全看懂，建立直觉就行）
• OpenAI的API文档（理解token、temperature、top_p等参数）

学完的标准：能向别人解释清楚"为什么LLM会幻觉"和"temperature参数调高调低有什么区别"。

第二周：Prompt Engineering

别觉得这个low。Prompt工程是AI Agent开发的核心技能------你写的每一段system prompt，直接影响Agent的行为质量。

核心概念：

• Few-shot learning：给几个例子让模型学习模式
• Chain of Thought：让模型"想"一下再回答
• 结构化输出：让模型返回JSON而不是自然语言

// 差的prompt
"帮我分析这段代码有什么问题"

// 好的prompt
"你是一个Java代码审查专家。分析以下代码的安全性和性能问题。
按以下JSON格式输出：
{
  "issues": [
    {"severity": "high/medium/low", "category": "security/performance/best-practice", "description": "...", "suggestion": "..."}
  ],
  "overallScore": 1-10
}
代码：[粘贴代码]"

学完的标准：能写出让模型稳定输出结构化数据的prompt。

第三到第四周：RAG基础

RAG（检索增强生成）是AI应用最核心的模式。理解它的完整链路：文档加载 → 切分 → 向量化 → 存储 → 检索 → 重排序 → 生成。

用Spring AI搭一个最简RAG：

1. 准备10个PDF文档
2. 用TokenTextSplitter切分
3. 用EmbeddingModel向量化
4. 存入Redis向量库
5. 用VectorStore做相似度检索
6. 把检索结果和问题一起发给ChatClient

学完的标准：能跑通一个从文档导入到问答的完整RAG流程。

第五到八周：上手Spring AI 1.0

这两个月的后半段，开始真正写代码。Spring AI 1.0 GA是Java开发者做AI应用最好的起点。

重点学这几个模块：

1. ChatClient：核心对话接口，理解prompt、system、advisor的概念
2. Function Calling：让AI调用你的Java方法，这是Agent的基础
3. VectorStore：各种向量数据库的集成
4. ChatMemory：对话记忆管理
5. MCP Client：连接MCP Server使用外部工具

实践项目：做一个"代码助手"------能读取项目代码、回答关于代码的问题、生成代码注释、做简单的代码review。不需要完美，能跑就行。

// 你的第一个AI应用可能长这样
@Service
public class CodeAssistant {
    
    private final ChatClient chatClient;
    private final VectorStore vectorStore;
    
    public String askAboutCode(String question) {
        // 检索相关代码
        var codeSnippets = vectorStore.similaritySearch(
            SearchRequest.builder().query(question).topK(3).build()
        );
        
        String context = codeSnippets.stream()
            .map(Document::getText)
            .collect(Collectors.joining("\n\n"));
        
        return chatClient.prompt()
            .system("你是Java代码专家，基于提供的代码片段回答问题。")
            .user("代码片段：\n" + context + "\n\n问题：" + question)
            .call()
            .content();
    }
}

---

第3-4月：进阶------Agent设计模式

前两个月打了基础，第三个月开始进入真正的Agent开发。

什么是Agent？

Agent和普通AI应用的区别：Agent有自主决策能力。普通应用是"用户问→AI答"的一问一答。Agent是"用户给个目标→AI自己拆解步骤→调用工具→完成目标"。

举个具体的例子：

普通AI应用：
用户："订单DD20260720001的状态是什么？"
AI：调用queryOrder("DD20260720001") → 返回结果

Agent：
用户："帮我处理今天所有异常订单"
AI自主执行：
  Step 1: 调用getAbnormalOrders()获取异常订单列表
  Step 2: 对每个订单，判断异常类型
  Step 3: 如果是"库存不足"，调用updateInventory()
  Step 4: 如果是"支付超时"，调用sendPaymentReminder()
  Step 5: 如果是"地址错误"，调用notifyCustomerService()
  Step 6: 汇总处理结果，生成报告

Agent的核心是"推理-行动循环"（ReAct pattern）：先想下一步做什么（Reasoning），然后执行（Action），看结果，再想下一步。

Spring AI里的Agent模式

Spring AI 1.0没有直接叫"Agent"的类，但它提供了构建Agent的所有积木：

@Service
public class OrderAgent {
    
    private final ChatClient chatClient;
    
    // 定义Agent可用的工具
    @Bean
    public Function<GetOrdersRequest, List<Order>> getAbnormalOrders(OrderService service) {
        return req -> service.findAbnormalOrders(req.date());
    }
    
    @Bean  
    public Function<UpdateStockRequest, String> updateInventory(InventoryService service) {
        return req -> service.updateStock(req.productId(), req.quantity());
    }
    
    @Bean
    public Function<NotifyRequest, String> notifyCustomerService(NotificationService service) {
        return req -> service.notify(req.orderId(), req.message());
    }
    
    public String handleAbnormalOrders(String date) {
        return chatClient.prompt()
            .system("""
                你是订单处理Agent。你的任务是处理指定日期的异常订单。
                可用工具：
                - getAbnormalOrders: 获取异常订单列表
                - updateInventory: 更新库存
                - notifyCustomerService: 通知客服
                处理完所有订单后，生成一份处理报告。
                """)
            .user("处理日期：" + date + "的异常订单")
            .functions("getAbnormalOrders", "updateInventory", "notifyCustomerService")
            .call()
            .content();
    }
}

学习Spring AI的Agent Patterns

Spring官方有一个系列叫"Spring AI Agentic Patterns"，覆盖了：

• Agent Skills（工具封装）
• Sub-agent Orchestration（多Agent协作）
• A2A（Agent-to-Agent通信）
• Long-term Memory（长期记忆）

实践项目：把前两个月做的代码助手升级成Agent------不仅回答问题，还能自动修复简单的代码问题、创建GitHub Issue、生成修复PR。

---

第5-6月：实战------做一个生产级Agent

最后两个月，做一个能真正上线的Agent系统。这是最重要的阶段------之前学的所有东西都在这一个项目里综合应用。

我选的项目是"智能运维Agent"------接入告警系统，当收到告警时，Agent自动分析告警、查日志、定位问题、给出修复建议。

技术栈

框架：Spring Boot 4 + Spring AI 1.0
模型：DeepSeek（对话）+ bge-m3（embedding）
向量库：Redis
MCP Server：filesystem（读日志文件）、fetch（抓取监控页面）
工具：Kubernetes API（查Pod状态）、ELK API（查日志）、Grafana API（查指标）
记忆：Redis-backed ChatMemory
监控：Micrometer + Prometheus

Agent工作流

告警触发 → Agent启动
  ↓
Step 1: 分析告警类型和严重程度
  ↓
Step 2: 查询相关Pod状态（K8s API工具）
  ↓
Step 3: 查询最近5分钟的日志（ELK API工具）
  ↓
Step 4: 查询CPU/内存指标（Grafana API工具）
  ↓
Step 5: 综合分析，判断根因
  ↓
Step 6: 生成修复建议（如果是已知问题，直接给出解决方案）
  ↓
Step 7: 发送到企业微信群

关键代码结构

@Service
public class OpsAgent {
    
    private final ChatClient chatClient;
    private final AlertService alertService;
    private final NotificationService notificationService;
    
    @EventListener
    public void onAlert(AlertEvent event) {
        // Agent自主执行运维分析
        String analysis = chatClient.prompt()
            .system("""
                你是运维Agent。收到告警后，按以下步骤处理：
                1. 用getPodStatus查Pod状态
                2. 用queryLogs查最近5分钟日志
                3. 用getMetrics查CPU和内存指标
                4. 分析告警根因
                5. 给出修复建议
                
                输出格式：
                ## 告警分析
                [告警描述]
                
                ## 根因判断
                [分析过程和结论]
                
                ## 修复建议
                [具体操作步骤]
                """)
            .user("告警信息：" + event.toJson())
            .functions("getPodStatus", "queryLogs", "getMetrics")
            .call()
            .content();
        
        // 发送分析结果
        notificationService.sendToWeCom(analysis);
    }
}

产出效果

这个Agent上线后，运维团队反馈：

• 平均告警响应时间从15分钟降到30秒
• 简单告警（内存满、CPU高、磁盘满）的诊断准确率约85%
• 运维人员不需要每次都手动查日志和指标了，Agent直接给出分析结果

---

我的6个月学习时间表

时间	主题	投入	产出
第1周	LLM原理	10小时	理解token、temperature、幻觉
第2周	Prompt工程	10小时	能写结构化输出prompt
第3-4周	RAG基础	20小时	跑通最简RAG流程
第5-6周	Spring AI基础	20小时	ChatClient+Function Calling
第7-8周	实践项目1	20小时	代码助手（RAG版）
第9-10周	Agent设计模式	20小时	理解ReAct、多Agent
第11-12周	实践项目2	20小时	代码助手（Agent版）
第13-16周	MCP + 进阶	40小时	接入MCP Server
第17-20周	实践项目3	40小时	智能运维Agent
第21-24周	上线+调优	30小时	生产级Agent

总计约230小时，平均每周10小时。晚上2小时 + 周末半天。

---

学完之后的变化

最大的变化不是技术层面的，而是思维方式的：

以前写代码：用户要什么 → 我写什么接口 → 返回结果。

现在做Agent：用户给一个目标 → Agent自己决定调用哪些工具 → 自主完成。

这个转变看起来不大，但对开发方式的影响是根本性的。你不再是在写"接口"，而是在设计"能力"------给Agent什么工具、什么约束、什么记忆，让它能自主完成任务。

还有个很现实的变化------面试的时候，被问到"有没有AI相关经验"的时候，不再沉默了。

---

避坑指南

1. 别一上来就学LangChain的Python版。你是Java开发者，直接学Spring AI。等你用Spring AI做出东西了，再横向对比其他框架不迟。我第一周浪费了好几天看Python教程，后来发现用不上。

2. 别只看不动手。看100篇文章不如自己跑一个demo。每个概念学完，立刻在项目里用一遍。

3. 别追求"完美"的Agent。第一版一定很粗糙，先跑通再说。迭代优化是常态，不是一次到位。

4. AI Agent不是万能的。有些场景传统代码更合适。判断标准：任务有明确的步骤和规则 → 传统代码；任务需要"理解"和"判断" → 考虑Agent。

5. 成本意识。Agent每次调用LLM都要花钱。一个复杂的Agent可能一次任务调用5-10次LLM，token消耗不小。上线前一定要算好成本。

---

6个月说长不长说短不短。如果你也在考虑从CRUD转型AI Agent方向，希望这个路线图能给你一个参考。不用完全照搬，找到适合自己的节奏就行。

核心就一句话：别想太多，先做起来。

---