Java AI智能体开发实战从零构建智能对话系统指南随着大语言模型的普及AI智能体Agent已从概念走向工程落地。在Java生态下如何利用成熟的框架和API快速搭建一个可扩展的智能对话系统并将其应用于客服、售前、售后等场景本文将从零开始手把手带你完成一个基于Java的智能体原型并给出生产级优化思路。## 一、理解AI智能体与对话系统架构AI智能体本质是一个能够感知环境、自主推理并采取行动的软件实体。在对话系统中智能体需要完成三项核心任务理解用户意图、管理对话状态、生成合理回复。一个典型的对话系统架构包含以下层次-输入层接收用户文本WebSocket/HTTP-NLU层识别意图、抽取实体可调用大模型API或本地模型-对话管理维护会话上下文决定下一步动作-动作执行调用外部工具查询数据库、执行工单等-NLG层生成自然语言回复同样由大模型或模板完成Java技术栈的选型建议| 组件 | 推荐方案 ||---------------|-----------------------------------|| 应用框架 | Spring Boot 3.x || 大模型接入 | OpenAI / 百度千帆 / 通义千问 SDK || 异步处理 | CompletableFuture 线程池 || 会话存储 | Redis / 本地ConcurrentHashMap || 工具调用 | 自定义Function Calling 适配器 |## 二、技术选型与核心依赖我们将基于Spring Boot构建一个轻量级智能体服务核心依赖如下Mavenxmlproperties java.version21/java.version spring-ai.version1.0.0-M4/spring-ai.version/propertiesdependencies !-- Spring Boot Web -- dependency groupIdorg.springframework.boot/groupId artifactIdspring-boot-starter-web/artifactId /dependency !-- Spring AI简化大模型调用 -- dependency groupIdorg.springframework.ai/groupId artifactIdspring-ai-openai-spring-boot-starter/artifactId version${spring-ai.version}/version /dependency !-- Redis 会话存储 -- dependency groupIdorg.springframework.boot/groupId artifactIdspring-boot-starter-data-redis/artifactId /dependency !-- 工具调用待实现函数注册 --/dependenciesSpring AISpring官方出品提供了统一的“聊天客户端”接口可以快速切换不同模型提供商。配置如下yamlspring: ai: openai: api-key: ${OPENAI_API_KEY} chat: options: model: gpt-4o-mini temperature: 0.7## 三、构建智能体引擎意图识别、对话管理与响应生成### 3.1 智能体核心类javaComponentpublic class AgentEngine { private final ChatClient chatClient; private final ConversationStore conversationStore; private final ToolRegistry toolRegistry; // 系统提示词模板定义智能体的角色和能力 private static final String SYSTEM_PROMPT 你是一个专业的AI客服助手名为小智。 你可以使用以下工具来帮助用户解决问题 {tools} 当需要查询订单或执行操作时请输出工具调用指令格式为 TOOL_CALL: 工具名 | 参数JSON 如果用户问题不涉及工具调用直接回复自然语言。 ; public AgentEngine(ChatClient.Builder builder, ConversationStore conversationStore, ToolRegistry toolRegistry) { this.chatClient builder.build(); this.conversationStore conversationStore; this.toolRegistry toolRegistry; } public AgentResponse process(String sessionId, String userMessage) { // 1. 获取历史对话 ListMessage history conversationStore.getHistory(sessionId); // 2. 构建消息列表系统提示 历史 用户消息 ListMessage messages new ArrayList(); messages.add(new SystemMessage(buildSystemPrompt())); messages.addAll(history); messages.add(new UserMessage(userMessage)); // 3. 调用大模型 ChatResponse response chatClient.prompt() .messages(messages) .call() .chatResponse(); String reply response.getResult().getOutput().getContent(); // 4. 解析工具调用如果有 if (reply.startsWith(TOOL_CALL:)) { String toolName extractToolName(reply); String params extractParams(reply); String toolResult toolRegistry.execute(toolName, params); // 将工具结果回传给模型生成终回复 messages.add(new AssistantMessage(reply)); // 原工具调用文本 messages.add(new UserMessage(工具执行结果 toolResult)); ChatResponse finalResponse chatClient.prompt() .messages(messages) .call() .chatResponse(); reply finalResponse.getResult().getOutput().getContent(); } // 5. 保存会话 conversationStore.save(sessionId, userMessage, reply); return new AgentResponse(reply); } private String buildSystemPrompt() { String toolsDesc toolRegistry.getAllTools().stream() .map(t - - t.getName() t.getDescription()) .collect(Collectors.joining(\n)); return SYSTEM_PROMPT.replace({tools}, toolsDesc); }}### 3.2 工具注册与执行工具是智能体连接外部系统的桥梁。例如查询订单、创建售后工单等javapublic interface AgentTool { String getName(); String getDescription(); String execute(String paramsJson);}Componentpublic class QueryOrderTool implements AgentTool { Override public String getName() { return queryOrder; } Override public String getDescription() { return 根据订单号查询订单状态参数{\orderId\:\xxx\}; } Override public String execute(String paramsJson) { // 调用订单服务API实际项目需注入Feign或RestTemplate return 订单号20240801状态已发货物流单号SF123456; }}### 3.3 对话上下文存储生产环境推荐使用Redis按sessionId存储近20轮对话javaComponentpublic class RedisConversationStore implements ConversationStore { Autowired private RedisTemplateString, ListMessage redisTemplate; private static final long TTL 30; // 分钟 private static final int MAX_MESSAGES 40; Override public ListMessage getHistory(String sessionId) { ListMessage msgs redisTemplate.opsForValue().get(sessionId); return msgs null ? new ArrayList() : msgs; } Override public void save(String sessionId, String userMsg, String assistantMsg) { ListMessage msgs getHistory(sessionId); msgs.add(new UserMessage(userMsg)); msgs.add(new AssistantMessage(assistantMsg)); if (msgs.size() MAX_MESSAGES) { msgs msgs.subList(msgs.size() - MAX_MESSAGES, msgs.size()); } redisTemplate.opsForValue().set(sessionId, msgs, TTL, TimeUnit.MINUTES); }}## 四、集成与业务场景客服、售前、售后### 4.1 通用REST APIjavaRestControllerRequestMapping(/api/agent)public class AgentController { Autowired private AgentEngine agentEngine; PostMapping(/chat) public ResponseEntityAgentResponse chat(RequestBody ChatRequest request) { String sessionId request.getSessionId() ! null ? request.getSessionId() : UUID.randomUUID().toString(); AgentResponse response agentEngine.process(sessionId, request.getMessage()); return ResponseEntity.ok(response); }}### 4.2 场景适配AI客服售后在系统提示中强调“当用户反馈退款、退货等问题时优先调用createAfterSale工单工具”。例如用户说“我要退货”智能体识别意图后触发工具创建售后单并告知进度。AI售前配置商品查询工具queryProduct系统提示词增加“主动推荐相关商品”。当用户问“有没有适合女生的笔记本电脑”智能体调用商品搜索工具返回结果并附带推荐话术。AI客户服务通用支持多轮FAQ问答可挂载知识库检索工具向量数据库Embedding。Spring AI已支持向量存储可结合Pinecone或Redis Stack实现RAG。### 4.3 多轮对话示例用户我想查一下我的订单智能体好的请提供您的订单号。用户订单号是20240801智能体调用queryOrder工具您的订单已发货快递单号SF123456预计明天送达。用户我不在家可以改地址吗智能体调用modifyAddress工具已为您将收货地址修改为XX请注意查收。## 五、部署与优化建议### 5.1 性能优化-流式响应使用SSE替代全量等待提升用户感知速度。Spring AI支持stream方法配合Flux返回。-超时与重试为外部API大模型、第三方服务设置合理超时如30s并实现指数退避重试。-上下文缓存Redis TTL不宜过长建议30分钟超长会话可做滑动窗口摘要。### 5.2 安全与审计-输入过滤使用敏感词库或LLM Guard过滤恶意输入。-工具调用权限每个工具调用前校验session权限避免越权操作。-日志审计记录每次用户输入、模型回复和工具调用结果用于后续分析。### 5.3 成本控制-提示词精简避免在系统提示中堆砌大量无关示例。-模型选择简单FAQ用gpt-4o-mini或国产便宜模型复杂推理用更强模型。-缓存命中对常见问题如“怎么退货”直接缓存回复减少API调用。### 5.4 扩展性-插件化工具定义AgentTool接口后使用Spring的Component自动注册无需修改核心引擎。-多模型支持Spring AI允许通过Qualifier注入不同ChatClient按场景切换如售前用gpt-4o售后用专用模型。## 结语本文从架构设计到代码实现展示了如何用Java和Spring AI生态构建一个具备工具调用能力的智能对话系统。该方案可直接复用于客服、售前、售后场景只需调整系统提示词和注册对应业务工具即可。未来随着大模型能力的提升智能体的自主决策边界将不断扩展Java开发者应尽早掌握Agent工程化能力以应对AI原生应用时代的到来。