2026-05-14

走进智能体的世界 你有没有想过，为什么现在的AI助手能帮你自动订机票、自动写报告、甚至自动改代码？它们是怎么做到的？ 如果你用过Cursor写代码，让它帮你实现某个功能，它会先看看你的文件结构，找到合适的位置，写代码，然后运行看看有没有问题

框架实战快速上手 前面几篇把 Agent 的概念、协作模式和架构拆开讲过了，这一篇进入实战——用 Spring AI Alibaba ReactAgent 从零搭一个订单助手，五个核心能力（Tools、Memory、Hook、Interce

主流架构深度对比 上一篇我们知道了Agent是什么，这篇来聊聊Agent是怎么干活的。 同样是完成一个任务，不同的Agent可能有完全不同的"工作风格"。有的边想边干，做一步看一步；有的先整体规划，再分步执行；有的做完还要自我检查，反复打磨

多智能体深度协作 前面两篇我们聊的都是单个Agent，但在真实的业务场景中，一个Agent往往搞不定复杂的任务。 想象一下，你有一个超级智能客服的需求：它要能回答产品问题、处理售后投诉、查询订单物流、还要能做数据分析给出运营建议。如果把这些

进阶特性与源码探秘 本章节比较难，是讨论源码的流程，如果对源码不感兴趣或者不想看源码的同学，可以直接跳过。 前面几篇我们学会了搭建Agent、给它配工具、让它有记忆。但在生产环境中，还有一些关键问题需要解决： 敏感操作（如支付、退款）能让A

认识工具调用机制 你有没有想过这样一个问题：为什么大模型能写诗、能写代码，却没法告诉你今天股票涨了多少？ 这不是因为它笨，而是因为它的"记忆"是静态的。大模型的知识来源于训练数据，训练完成后这些知识就被"冻结"了。你问它2023年的事情可能

Spring AI工具调用实战 上一节我们搞明白了工具调用是怎么回事。现在的问题是：在Spring AI里，具体怎么把自己的方法变成大模型能调用的工具？ Spring AI给我们提供了两种路子： 注解方式：用@Tool把普通方法变成工具 函

ToolCallback源码解析 上一节我们知道了Spring AI提供两种定义工具的方式：@Tool注解和Function Bean。那你有没有好奇过：这两种方式在底层有什么区别？Spring AI拿到你的工具定义后，内部是怎么调用的？

工具设计原则与最佳实践 前面几节我们学会了怎么定义工具、怎么调用工具。但有个问题还没聊：怎么定义一个好用的工具？ 这里的"好用"不是指你写代码方便，而是指模型能不能正确理解和使用。 工具定义好了、功能能跑，但模型就是不调或者调错——问题往往

深入MCP通信机制 在设计一个通信协议时，有很多选择：RESTful API、GraphQL、gRPC、自定义二进制协议......MCP最终选择了JSONRPC。这个选择背后有什么考量？ 先来看看JSONRPC的几个特点： 极简主义 JS

Spring AI构建MCP服务端实战 实战目标 这一篇我们动手搭建一个真实可用的MCP Server。为了让示例更有实际意义，我们以"智能办公助手"为场景，开发以下工具： 工具名称 功能描述 checkAttendance 查询员工考勤记

MCP调用链路源码解密 前面几篇我们已经把 MCP Server 和 Client 跑起来了，但上一篇对“源码调用链路”的描述还是偏通用，容易把 Spring AI 的公共机制和本项目的真实实现混在一起。 这一篇不泛讲概念了，以之前的项目里

MCP企业级开发进阶技巧 当你在本地调试MCP时，一切都很顺利。但真正推向生产环境时，肯定会有各种的问题：远程服务怎么做认证？网络断了如何自动恢复？不同用户能调用的工具不一样怎么办？这篇文章就来聊聊这些企业级开发中的进阶技巧。 认证鉴权：给

MCP与相关技术的关系 当你开始在项目中引入MCP时，可能会遇到这样的疑问： "我们已经有RPC框架了，还需要MCP吗？" "MCP和我们现有的微服务架构怎么配合？" "听说还有个A2A协议，它和MCP什么关系？" 这些问题的本质是在问：M

三种传输模式全面解读 上一篇讲的JSONRPC解决了"说什么话"的问题——统一的数据格式。但光有话术还不够，还需要解决"怎么把话传过去"的问题。 这就像人类通讯方式的演进： 最早是面对面交流：两个人坐一起，说话直接听到 后来有了电话：隔着距

揭开MCP协议的面纱 想象一下这样的场景：你问智能助手"帮我订一下明天下午3点的会议室"，它回复道"好的，我已经帮您预订好了"。但当你走到会议室门口，发现根本没有预订记录。为什么会这样？ 因为大模型本质上是一个"只会说话的大脑"。它的所有知

Spring AI MCP客户端开发指南 上一篇我们开发了MCP Server，现在来做另一半——MCP Client。 想象你要打造一个企业智能助手，它需要具备多种能力： 对接HR系统查考勤、查工资 对接行政系统订会议室、查排期 对接搜索

RAG入门与核心原理概述 先来看个真实的场景。 某公司花了大价钱接入了某知名大模型，想做一个智能客服。产品经理信心满满地上线了，结果第一天就翻车了 用户问："你们家XX3000型号打印机的墨盒怎么换？" AI客服回答得头头是道："首先打开打

分片代码实战：Spring系列 前面讲了分块策略的理论和ChunkViz可视化实验，这篇开始写具体的实现代码。 Java生态中主要有三个框架支持文档分片： 框架 特点 推荐度 Spring AI 官方只提供TokenTextSplitter

RAG三代进化史与架构选型 还记得诺基亚那个年代吗？手机只能打电话发短信，拍照是奢侈功能，像素还低得可怜。后来有了智能机，拍照能力一代比一代强——从单摄到双摄，从双摄到三摄，从普通拍照到AI算法加持。 RAG技术的演进也是类似的路子。 从最

元数据的详细解析 上一篇聊了文档分块的各种姿势，把长文档切成小块之后，你会发现一个问题：每个块就剩一段光秃秃的文字，完全不知道它从哪来、该给谁看、出了问题怎么找。这就像把一本书撕成碎片，每片纸上虽然有字，但没人知道这是哪本书的第几页。 这篇

文档切片策略选择 假设你点了一个超大的披萨，18寸的那种。 直接抱着吃？不现实。得切成小块。 但怎么切有讲究： 切太大，嘴巴塞不下 切太小，馅料都掉了，吃起来没味道 切得位置不对，可能把一块完整的培根切成两半 文档分片也是同样的道理。 大模

文档预处理读取清洗与标准化 下厨房做饭，第一步是什么？ 不是开火，不是切菜，而是洗菜。 买回来的青菜上面有泥土、虫子、农药残留，不洗干净直接下锅，做出来的菜能好吃吗？ RAG也是一样的道理。 企业里的文档五花八门——PDF里混着图片和表格，

ChunkViz实验与可视化 上一篇讲了分块策略的理论，但光看文字描述可能还不够直观。 这篇用一个免费的在线工具——ChunkVizhttps://chunkviz.up.railway.app/，来可视化地展示不同分块策略的效果，让你亲眼

搞懂Tika才能做好RAG文档解析 先来个例子。 朋友小陈做了一个内部知识库系统——员工上传各种产品手册和技术文档，然后通过AI问答来检索。系统上线当天，领导试了一下： "我们XX200系列的安装步骤是什么？" AI回答得特别自信： "XX

RAG入门与核心原理概述 先来看个真实的场景。 某公司花了大价钱接入了某知名大模型，想做一个智能客服。产品经理信心满满地上线了，结果第一天就翻车了 用户问："你们家XX3000型号打印机的墨盒怎么换？" AI客服回答得头头是道："首先打开打

RAG三代进化史与架构选型 还记得诺基亚那个年代吗？手机只能打电话发短信，拍照是奢侈功能，像素还低得可怜。后来有了智能机，拍照能力一代比一代强——从单摄到双摄，从双摄到三摄，从普通拍照到AI算法加持。 RAG技术的演进也是类似的路子。 从最

文档预处理读取清洗与标准化 下厨房做饭，第一步是什么？ 不是开火，不是切菜，而是洗菜。 买回来的青菜上面有泥土、虫子、农药残留，不洗干净直接下锅，做出来的菜能好吃吗？ RAG也是一样的道理。 企业里的文档五花八门——PDF里混着图片和表格，

搞懂Tika才能做好RAG文档解析 先来个例子。 朋友小陈做了一个内部知识库系统——员工上传各种产品手册和技术文档，然后通过AI问答来检索。系统上线当天，领导试了一下： "我们XX200系列的安装步骤是什么？" AI回答得特别自信： "XX

文档切片策略选择 假设你点了一个超大的披萨，18寸的那种。 直接抱着吃？不现实。得切成小块。 但怎么切有讲究： 切太大，嘴巴塞不下 切太小，馅料都掉了，吃起来没味道 切得位置不对，可能把一块完整的培根切成两半 文档分片也是同样的道理。 大模

分片代码实战：Spring系列 前面讲了分块策略的理论和ChunkViz可视化实验，这篇开始写具体的实现代码。 Java生态中主要有三个框架支持文档分片： 框架 特点 推荐度 Spring AI 官方只提供TokenTextSplitter

ChunkViz实验与可视化 上一篇讲了分块策略的理论，但光看文字描述可能还不够直观。 这篇用一个免费的在线工具——ChunkVizhttps://chunkviz.up.railway.app/，来可视化地展示不同分块策略的效果，让你亲眼

元数据的详细解析 上一篇聊了文档分块的各种姿势，把长文档切成小块之后，你会发现一个问题：每个块就剩一段光秃秃的文字，完全不知道它从哪来、该给谁看、出了问题怎么找。这就像把一本书撕成碎片，每片纸上虽然有字，但没人知道这是哪本书的第几页。 这篇

Spring AI工具调用实战 上一节我们搞明白了工具调用是怎么回事。现在的问题是：在Spring AI里，具体怎么把自己的方法变成大模型能调用的工具？ Spring AI给我们提供了两种路子： 注解方式：用@Tool把普通方法变成工具 函

ToolCallback源码解析 上一节我们知道了Spring AI提供两种定义工具的方式：@Tool注解和Function Bean。那你有没有好奇过：这两种方式在底层有什么区别？Spring AI拿到你的工具定义后，内部是怎么调用的？

工具设计原则与最佳实践 前面几节我们学会了怎么定义工具、怎么调用工具。但有个问题还没聊：怎么定义一个好用的工具？ 这里的"好用"不是指你写代码方便，而是指模型能不能正确理解和使用。 工具定义好了、功能能跑，但模型就是不调或者调错——问题往往

认识工具调用机制 你有没有想过这样一个问题：为什么大模型能写诗、能写代码，却没法告诉你今天股票涨了多少？ 这不是因为它笨，而是因为它的"记忆"是静态的。大模型的知识来源于训练数据，训练完成后这些知识就被"冻结"了。你问它2023年的事情可能

MCP与相关技术的关系 当你开始在项目中引入MCP时，可能会遇到这样的疑问： "我们已经有RPC框架了，还需要MCP吗？" "MCP和我们现有的微服务架构怎么配合？" "听说还有个A2A协议，它和MCP什么关系？" 这些问题的本质是在问：M

MCP企业级开发进阶技巧 当你在本地调试MCP时，一切都很顺利。但真正推向生产环境时，肯定会有各种的问题：远程服务怎么做认证？网络断了如何自动恢复？不同用户能调用的工具不一样怎么办？这篇文章就来聊聊这些企业级开发中的进阶技巧。 认证鉴权：给

MCP调用链路源码解密 前面几篇我们已经把 MCP Server 和 Client 跑起来了，但上一篇对“源码调用链路”的描述还是偏通用，容易把 Spring AI 的公共机制和本项目的真实实现混在一起。 这一篇不泛讲概念了，以之前的项目里

Spring AI MCP客户端开发指南 上一篇我们开发了MCP Server，现在来做另一半——MCP Client。 想象你要打造一个企业智能助手，它需要具备多种能力： 对接HR系统查考勤、查工资 对接行政系统订会议室、查排期 对接搜索

Spring AI构建MCP服务端实战 实战目标 这一篇我们动手搭建一个真实可用的MCP Server。为了让示例更有实际意义，我们以"智能办公助手"为场景，开发以下工具： 工具名称 功能描述 checkAttendance 查询员工考勤记

三种传输模式全面解读 上一篇讲的JSONRPC解决了"说什么话"的问题——统一的数据格式。但光有话术还不够，还需要解决"怎么把话传过去"的问题。 这就像人类通讯方式的演进： 最早是面对面交流：两个人坐一起，说话直接听到 后来有了电话：隔着距

揭开MCP协议的面纱 想象一下这样的场景：你问智能助手"帮我订一下明天下午3点的会议室"，它回复道"好的，我已经帮您预订好了"。但当你走到会议室门口，发现根本没有预订记录。为什么会这样？ 因为大模型本质上是一个"只会说话的大脑"。它的所有知

深入MCP通信机制 在设计一个通信协议时，有很多选择：RESTful API、GraphQL、gRPC、自定义二进制协议......MCP最终选择了JSONRPC。这个选择背后有什么考量？ 先来看看JSONRPC的几个特点： 极简主义 JS

主流架构深度对比 上一篇我们知道了Agent是什么，这篇来聊聊Agent是怎么干活的。 同样是完成一个任务，不同的Agent可能有完全不同的"工作风格"。有的边想边干，做一步看一步；有的先整体规划，再分步执行；有的做完还要自我检查，反复打磨

多智能体深度协作 前面两篇我们聊的都是单个Agent，但在真实的业务场景中，一个Agent往往搞不定复杂的任务。 想象一下，你有一个超级智能客服的需求：它要能回答产品问题、处理售后投诉、查询订单物流、还要能做数据分析给出运营建议。如果把这些

框架实战快速上手 前面几篇把 Agent 的概念、协作模式和架构拆开讲过了，这一篇进入实战——用 Spring AI Alibaba ReactAgent 从零搭一个订单助手，五个核心能力（Tools、Memory、Hook、Interce

走进智能体的世界 你有没有想过，为什么现在的AI助手能帮你自动订机票、自动写报告、甚至自动改代码？它们是怎么做到的？ 如果你用过Cursor写代码，让它帮你实现某个功能，它会先看看你的文件结构，找到合适的位置，写代码，然后运行看看有没有问题

进阶特性与源码探秘 本章节比较难，是讨论源码的流程，如果对源码不感兴趣或者不想看源码的同学，可以直接跳过。 前面几篇我们学会了搭建Agent、给它配工具、让它有记忆。但在生产环境中，还有一些关键问题需要解决： 敏感操作（如支付、退款）能让A