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
有超过十年的软件开发经验，曾在创业公司野蛮生长，也曾在国内一线互联网大厂阿里巴巴加班内卷，目前就职于外企 PayPal，在决策平台团队担任高级软件工程师。
技术栈以 JVM 生态（Java/Kotlin）为主，同时具备 Python、Lua、JavaScript 等多语言开发经验，尤其在企业级规则引擎、平台型系统建设方面有较深积累。关注大模型技术落地，坚持实战优先，致力于将 LLM 能力转化为可落地的业务价值，擅长从工程实践中提炼可复用的方法。
课程介绍
为什么做这门课？
过去两年，AI Agent 无疑是技术圈最热的话题。LangChain、AutoGPT 层出不穷，用 Python 几行代码就能跑出一个“会思考”的 Demo。然而，当企业真正尝试将这些 Agent 接入客服、理赔、运营后台等核心系统时，问题开始集中暴露：恶意 Prompt 注入、Token 成本失控、行为不可预测、重构举步维艰……
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。
订阅须知
- 本专栏为虚拟商品，交付形式为图文+音频，一经订阅，概不退款。
