前言
为什么写这本教程
随着大语言模型（LLM）技术的飞速发展，AI 智能体（Agent）正在从实验室走向生产环境。从 ChatGPT 的对话能力到 AutoGPT 的自主执行，我们看到了 AI 智能体的巨大潜力。
然而，构建一个真正可用的智能体应用并非易事。开发者需要处理：
- 复杂的推理循环：如何让 AI 能够"思考"并"行动"？
- 工具调用编排：如何让 AI 能够使用外部工具完成任务？
- 记忆管理：如何让 AI 记住对话历史和用户偏好？
- 多智能体协作：如何让多个 AI 智能体协同工作？
- 生产环境部署：如何保证稳定性、可观测性和安全性？
AgentScope-Java正是为解决这些问题而生的框架。它为 Java 开发者提供了一套完整的智能体开发工具链，让你能够专注于业务逻辑，而无需从零搭建基础设施。
这本教程适合谁
适合阅读的读者
Java 开发者
- 有 1 年以上 Java 开发经验
- 对 AI/LLM 技术感兴趣
- 希望在项目中引入智能体能力
全栈开发者
- 已经了解 LLM API 的基本使用
- 希望构建更复杂的 AI 应用
- 需要 Java 后端的智能体解决方案
架构师和技术负责人
- 评估企业级智能体框架
- 规划 AI 应用的技术架构
- 关注生产环境的可靠性和可维护性
前置知识要求
| 知识领域 | 要求程度 | 说明 |
|---|---|---|
| Java 基础 | 必需 | 熟悉 Java 17+ 语法、泛型、注解 |
| Maven/Gradle | 必需 | 会配置依赖和运行项目 |
| Spring Boot | 推荐 | 部分示例使用 Spring Boot |
| 响应式编程 | 可选 | 教程会介绍 Reactor 基础 |
| LLM 基础概念 | 可选 | 了解 Token、Prompt 等概念更佳 |
如何使用这本教程
学习建议
动手实践
- 不要只看不练，每个代码示例都应该运行一遍
- 修改示例代码，观察行为变化
- 遇到问题先自己调试，加深理解
循序渐进
- 按章节顺序阅读，概念是层层递进的
- 第一部分和第二部分是基础，务必掌握
- 后续部分可根据需要选读
