- 课程目录
- 课程介绍
-
在线阅读：开篇词｜从“跑得通”到“敢上线”：Java 开发者如何打赢 AI Agent 工程之战
复杂业务与长稳场景，才是Java的主场
-
01｜基于 Spring Boot Starter，快速实现“天气查询 Agent”
实现你的第一个Java Agent
-
02｜Python vs JVM生态：为什么 80% 的 Agent 项目最终会回到 Java？
Python VS Java
-
03｜Embabel 核心模型：从 OODA 到 Actions、Conditions、Goals
搞懂 Embabel 的核心模型
-
04｜Spring 生态整合：站在 Spring、Spring AI 肩膀上
俯瞰Spring生态，看看我们手里有哪些“底牌”
-
05｜Java 的绝招：强类型领域建模是复杂业务的关键
Embabel Agent到底如何“理解世界”？
-
06｜GOAP vs ReAct：为什么复杂业务需要目标导向规划？
GOAP（目标导向行动规划）是什么
-
07｜@Tool 遇上 MCP：标准化工具接口设计
系统拆解 Embabel 的工具体系，用“标准化接口设计”解决工具治理的难题
-
08｜Embabel 与 RAG 集成：让 Agent 真正“读懂”你的私有知识
深入拆解Embabel的RAG集成方式
-
09｜其他规划策略：Utility AI 和 Supervisor
Utility AI 和 Supervisor 规划器
-
10｜月省 70% 成本：企业级 Agent 的模型路由与缓存设计
Embabel 的成本控制体系——四层防线
-
11｜不出事故的 Agent：三层安全护栏设计防注入，防越权，防失控
三层护栏机制
-
12｜测试策略：单元、集成、E2E 三层测试体系保证质量
三层测试
-
13｜系统集成：Agent 能力与现有系统无缝对接
零侵入适配、事务安全、资源复用
-
14｜Agent 可观测性：打开黑盒，日志、追踪、性能剖析
打开框架的黑盒
-
15｜从 0 到 1：构建一个企业级智能保险 Agent 平台
决策后果越重、业务流程越固定，LLM 就应该离得越远；后果越轻、越依赖灵活性，LLM 就要离得越近。
-
结束语｜课程结束，工程开始
恭喜你学完这门课！
-
结课测试｜来赴一场满分之约！
结课测试共 5 道单选题，5 道多选题，满分 100 分，系统自动评分，快来挑战吧！
课程介绍
你将获得 10 分钟跑通第一个 Java AI Agent，快速入门不踩坑 掌控 GOAP 多步规划能力，搞定复杂业务决策 模型路由 + 缓存设计，降低 70% LLM 成本 从 0 到 1，独立搭建企业级智能保险 Agent 平台...你将获得
- 10 分钟跑通第一个 Java AI Agent，快速入门不踩坑
- 掌控 GOAP 多步规划能力，搞定复杂业务决策
- 模型路由 + 缓存设计，降低 70% LLM 成本
- 从 0 到 1，独立搭建企业级智能保险 Agent 平台
- 打通测试监控全链路，让智能体真正稳定上线
讲师介绍
课程介绍
为什么做这门课？
超过 50% 的生成式 AI 项目死在 POC 阶段。不是模型不够聪明，而是缺少工程化的安全感。
Java 开发者并非这场浪潮的局外人。恰恰相反，当 Agent 需要从“跑得通”走向“敢上线”，JVM 生态在稳定性、类型安全、并发治理、可观测性等方面的数十年积累，将成为决定成败的关键。这门课，就是教你用最熟悉的 Spring 生态，拿回企业级 AI Agent 的工程主动权。
这门课教什么？
课程不堆砌概念，而是围绕一条主线：如何让 Agent 从“会聊天”到“能干活、不闯祸、可省钱”。
第一步：快速建立信心
10 分钟基于 Spring Boot Starter 跑通第一个 Agent。不纠结概念，先看到效果。然后对比 Python 与 JVM 生态，理解为什么 80% 的企业 Agent 项目最终会回到 Java——不是情怀，是类型安全、成熟监控、与现有系统无缝集成的硬需求。
第二步：掌握核心机制
深入 Embabel 的 OODA 执行模型与五大核心概念。重点攻克 GOAP 自动规划：同一个多步骤理赔场景，对比 ReAct和 GOAP（动态规划）的实现差异，给出“何时用 ReAct、何时用 GOAP”的决策树。掌握 MCP 协议，将现有 Java 服务封装为标准 Agent 工具，让 Agent 不再是一座孤岛。
第三步：构建生产工程体系
- 成本：多 LLM 路由 + 缓存设计，实战降低 70% Token 消耗。
- 安全：输入过滤、输出审核、权限隔离（Spring Security 集成）三层护栏。
- 质量：单元（Mock LLM）、集成（Testcontainers）、E2E 三层测试策略。
- 可观测性：Micrometer + Zipkin + 实时状态可视化，打开 Agent 黑盒。
- 集成：与 Spring Boot、Spring Data、Kafka、现有数据库无缝对接。
第四步：完成企业级交付
从 0 到 1 构建智能保险理赔 Agent 平台：规则引擎、多条件审批、人工介入（HITL）、知识检索、审计日志。不是 Demo，是可部署、可监控、可审计的生产系统。
怎么学？
这不是“PPT 式”的教学，而是全程可运行代码 + 真实业务场景的实战。
对比教学：每个核心点都对比 Python 常见做法与 Embabel 设计（ReAct vs GOAP、动态字典 vs 强类型模型），让你不仅学会一个框架，更能建立工程化思维的分水岭。
阶梯式思考，逐步迭代：“基础 + 进阶”两档练习，从添加一个天气预报功能，到设计混合规划器架构，逐步提升实战深度。
学完你能带走什么？
- 一套可直接落地的工程方法论：管控成本、防范事故、无缝融入现有 Spring 系统。
- 一个完整可运行的企业级项目：智能保险理赔 Agent 平台（含规则引擎、人工介入、审计日志），稍加改造即可用于你自己的业务。
- 一种确定性工程思维：不再迷信“更强大的模型”，而是用类型系统、规划算法、护栏和可观测性，构建稳定、可信、可演进的 AI 系统。
AI Agent 的竞争，终将拼的不是“谁更聪明”，而是“谁更可靠”。
课程目录
适合人群
如果你：
- 是 Java、Kotlin 等 JVM 语言的开发者
- 想把 AI 从 Demo 落地到生产
- 对系统设计和工程能力有要求
- 其他语言开发者想要借鉴 Java 做 Agent 的优势
那么，这门课非常适合你。