近年来AI智能体技术发展非常之快，目前智能体已经大量应用于各个行业，与每个人息息相关；从去年刚开始的 function_calling、Prompt 到单智能体到最新的多智能体，从刚开始只能进行实现简单问答式、单一的调用外部工具、MCP、RAG 到 多智能体自主推理 → 执行计划 → 执行工具 → 观察结果 → 再推理的ReAct 循环；2026年已推出Harness，上下文管理、工作区、记忆、读写本地文件、沙箱等功能。为了适应未来AI技术的发展，我对AI智能体开发技术进行了调研，并将调研结果分享出来，希望对准备入门AI智能体开发的小伙伴有所帮助。
本文中的工程源码已开源至Gitee代码仓库，地址为：
https://gitee.com/duyanjun/agent-harness-demo.git
一、AI智能体需求
通过一个对话页面，实现智能体具备ReAct 循环（推理 → 执行计划 → 执行工具 → 观察结果 → 再推理），在对话页展示「思考 / 推理 / 执行计划 / 执行工具 / 观察结果」+ 最终回答 以及 展示总耗时与 Token 消耗；智能体具备上下文管理、工作区、记忆、读写本地文件、沙箱等功能。
用户通过对画页面发起对话请求时，先从本地RAG进行检索，检索到后返回结果；如果没有检索到再与LLM（大模型）进行交互。当需要读写未授权的目录下的文件时，需要与操作人员进行确认后再执行，先放效果图：
1）、输入问题：对于智能体开发框架，AgentScope-java 与 Spring ai alibaba的优势和劣势分别是什么，帮我输出一份技术比对方案，当推理完成后并准备输出文件时与人工进行确认是否授权输出文件
2）、人工确认：同意后如下图所示
二、AI智能体开发技术框架对比
| 序号 | 框架 | 官方网站 | 说明 |
|---|---|---|---|
| 1 | Spring Ai alibaba | Spring AI Alibaba | 1、单智能体：可以调用工具 2、多智能体：适用于固定流程编排，无法实现自行理解、推理、决策、行动多智能体的自主决策 3、Java智能体框架 4、后期计划要并入到AgentScope项目中 |
| 2 | AgentScope 2.0 | AgentScope — Where Agents Come Alive | 1、生产就绪定位，2.0.x 快速迭代，官方建议迁移；Python/Java/TypeScript 三语并进 2、Python版的SDK 2、单智能体 3、多智能体 |
| 3 | AgentScope-Java | AgentScope Java v2 - AgentScope Java | 1、AgentScope Harness：在Spring boot应用中嵌入SDK 2、AgentScope 服务：独立部署服务 Agent 注册 · 托管 · 编排（Team / Workflow）· 发布 Endpoint 统一调用 API · SSE 事件流 · Managed Agent API 调用方：其他业务系统 / 前端 / 其他 Agent 平台 |
| 4 | LangChain | LangChain: the open agent platform to own your intelligence | 1、LangChain 是框架层（怎么快速把 Agent 写出来）单智能本，对应Java技术栈的Spring AI Alibaba 2、解决"怎么快速写出一个 Agent" 3、标准工具调用 Agent（客服、查询助手、内部知识问答）、一次性 RAG 流水线（检索→增强→生成，不回头）、快速原型和 POC、需要频繁换模型对比效果的场景。 |
| 5 | LangGraph | LangGraph: Agent Orchestration Framework for Reliable AI Agents | 1、LangGraph 是编排运行时（怎么让 Agent 在生产里可靠地跑）多智能体，对应Java技术栈的Spring AI Alibaba Graph 2、 解决"怎么让 Agent 在生产里可靠地跑" 3、长时任务（跑几十分钟到几天的流程）、有审批关卡的业务流程（你要的"数据审批"就是典型）、多智能体系统、需要精确控制每一步且要可审计合规的行业流程。 |
| 6 | DeepSeek Harness | DeepSeek Harness｜共探智能上限 | 1、一切皆插件" 的 agent 执行脚手架（Agent = Model + Harness 范式），模型、工具、沙箱、存储、Agent Loop、UI 全部可在配置里替换GitHubDeepSeek 2、明确 developer preview，官方声明将有破坏性变更；未完成安全审计 3、 Docker 沙箱 + 明确工具契约，但官方声明"未经安全审计、不可当生产"；社区通报高危 CVE-2026-82533（9.4 分） 4、仅支持Python |
| 7 | Jev | 1、Jev 是 TypeSafe AI 发布的 System One 决策模型——输入一段待判断材料（下文简称 state）和预定义问题，输出可直接被程序使用的结构化判断与概率，但不生成自由文本。 2、快速、直觉、低消耗的判断 3、最擅长：识别、分流、打分、拦截 4、把应用里那些本来只能靠 if-else、规则引擎，或者硬塞给大模型的离散判断，单独抽成一层原生能力 |
三、AI智能体开发技术栈
1、AI智能体开发技术栈
本文中使用Java技术栈，本例需求是要开发多智能体，且智能体需要自主ReAct 循环（推理 → 执行计划 → 执行工具 → 观察结果 → 再推理），所以智能体框架选中AgentScope-java中的AgentScope Harness；LLM选用的是通义千问大模型qwen-plus，向量模型选用的是qwen3.7-text-embedding。
| 序号 | 组件 | 版本 | 说明 |
|---|---|---|---|
| 1 | JDK | 17 | AgentScope 2.0.4要求JDK17 |
| 2 | Spring Boot | 4.0.4 | 与 AgentScope 官方 BOM 声明一致 |
| 3 | Spring Framework | 7.0.x | 由 Spring Boot 4.0.4 托管 |
| 4 | agentscope-harness | 2.0.4 | io.agentscope:agentscope-harness |
| 5 | agentscope-extensions-model-dashscope | 2.0.4 | 通义千问（DashScope） |
| 6 | agentscope-extensions-model-openai | 2.0.4 | OpenAI 兼容端点（DeepSeek / vLLM 等） |
| 7 | Reactor | 2025.0.x | 由 Spring Boot 4.0.4 托管，与 AgentScope 声明的 2025.0.2 同代 |
| 8 | milvus-sdk-java | 2.6.16 | Milvus向量库，用于存储RAG向量数据 |
| 9 | pdfbox | 3.0.3 | 从PDF文档中提出文本切片 |
| 10 | qwen-plus | 大语言模型：通义千问 | |
| 11 | qwen3.7-text-embedding | 3.7 | 向量模型 |
2、Milvus向量库安装
如果不启用本地RAG检索，可以不用执行Milvus向量库安装，可以直接进入【四、AI智能体工程构建】步骤
1）、本次安装采用Docker-compose，所以要求先安装Docker、Docker-compose环境，我本机是Windows环境，需要安装Docker Desktop才能进行下面步骤；
2）、创建docker-compose.yml
在本地D:\work\docker\milvus目录下创建docker-compose.yml，内容如下：
services: etcd: container_name: milvus-etcd image: quay.io/coreos/etcd:v3.5.18 environment: - ETCD_AUTO_COMPACTION_MODE=revision - ETCD_AUTO_COMPACTION_RETENTION=1000 - ETCD_QUOTA_BACKEND_BYTES=4294967296 - ETCD_SNAPSHOT_COUNT=50000 volumes: - ${DOCKER_VOLUME_DIRECTORY:-.}/volumes/etcd:/etcd command: etcd -advertise-client-urls=http://etcd:2379 -listen-client-urls http://0.0.0.0:2379 --data-dir /etcd healthcheck: test: ["CMD", "etcdctl", "endpoint", "health"] interval: 30s timeout: 20s retries: 3 minio: container_name: milvus-minio image: minio/minio:RELEASE.2024-05-28T17-19-04Z environment: MINIO_ACCESS_KEY: minioadmin MINIO_SECRET_KEY: minioadmin ports: - "9001:9001" - "9000:9000" volumes: - ${DOCKER_VOLUME_DIRECTORY:-.}/volumes/minio:/minio_data command: minio server /minio_data --console-address ":9001" healthcheck: test: ["CMD", "curl", "-f", "http://localhost:9000/minio/health/live"] interval: 30s timeout: 20s retries: 3 standalone: container_name: milvus-standalone image: milvusdb/milvus:v2.5.15 command: ["milvus", "run", "standalone"] security_opt: - seccomp:unconfined environment: MINIO_REGION: us-east-1 ETCD_ENDPOINTS: etcd:2379 MINIO_ADDRESS: minio:9000 volumes: - ${DOCKER_VOLUME_DIRECTORY:-.}/volumes/milvus:/var/lib/milvus healthcheck: test: ["CMD", "curl", "-f", "http://localhost:9091/healthz"] interval: 30s start_period: 90s timeout: 20s retries: 3 ports: - "19530:19530" - "9091:9091" depends_on: - "etcd" - "minio" networks: default: name: milvus3）、执行安装命令
C:\Users\dyj09>d: D:>cd D:\work\docker\milvus D:\work\docker\milvus>docker compose up -d确认启动成功后，用客户端连接Milvus
4）、安装可视化客户端Attu
https://github.com/zilliztech/attu/releases/download/v2.5.12/attu-Setup-2.5.12.exe
四、AI智能体工程构建
工程基于AgentScope Java 2.0.4 的
agentscope-harness构建的智能体应用示例。
整体框架采用Spring Boot（WebFlux）+ 内嵌 Vue：Vue 页面直接放在 Spring Boot 的resources/static下，不需要单独的前端工程、不需要 Node 构建。采用WebFlux是因为智能体需要采用流式方式向前端页面流式返回数据，前端页面对流式数据进行拼接后进行解析。
1、下载源码
git clone https://gitee.com/duyanjun/agent-harness-demo.git2、修改参数
1)、修改LLM（大语言模型）、向量模型API_KEY，这个大家可以自己申请阿里千问或deepseek的apikey都可以
2）、本地RAG向量检索
如果本地已部署好Milvus向量数据库，则按下图进行修改本地RAG配置
3）、初始化向量库
初始化向量库时将rag.force-geingest参数改为true，表示服务启动时会将src\reources\DAMA国际数据管理知识体系指南（第二版）-2022.pdf 文件进行切片并向量化后，将向量数据批量插入Milvus向量数据库中；
初始化向量库完成后将rag.force-geingest参数改为false，表示服务启动后将不会再次对src\reources\DAMA国际数据管理知识体系指南（第二版）-2022.pdf 文件的向量数据初始化到Milvus向量数据库；
3、启动服务
1）、启动src\main\java\com.example.agentharness.AgentHarnessApplication.java
2）、启动成功后访问http://localhost:8080
五、验证
1、根据用户输入的问题输出一个文件
输入问题：对于智能体开发框架，AgentScope-java 与 Spring ai alibaba的优势和劣势分别是什么，帮我输出一分技术比对方案
完成后文档输出至：workspace/alice/output/2026-10-14-技术比对方案.md
2、检索本地RAG
输入问题：数据管理成熟度如何评估？
智能体思考后优先从本地RAG(retrieve_knowledge工具)执行检索，结果如下
以上就是本次对于智能体开发技术分享的全部内容。
