小傅哥 bugstack 虫洞栈

# 《AI Agent 脚手架 + 场景应用》- 综合 Spring AI、LangChain4j + Google ADK（a2a、mcp、skills），打造全新智能体架构方案。

作者：小傅哥
博客：https://bugstack.cn (opens new window)
项目：https://t.zsxq.com/a8AJj (opens new window)

沉淀、分享、成长，让自己和他人都能有所收获！😄

大家好，我是技术UP主小傅哥。

💥炸了！日更，日更，接下来这套新项目，即刻开启日更！ 是的，小傅哥又一个新 AI 项目来啦。可以说，现阶段 AI 是每个工程师都必备的技术技能。

从 RAG 到 MCP、A2A 再到 Skills，一系列的 AI 编程技术技能陆续迭代更新， 各个互联网企业也随之跟进开发自身的 AI Agent 智能体，解决业务场景问题。

因此你在 Boss 直聘，校招/社招，都能看到大量的 AI 应用开发岗位。AI 没让程序员工作丢失，反而多了更多的岗位！

新项目，📅于25年12月初启动，26年2月底完结，将近耗时90天打造精品企业级智能体解决方案项目。

在小傅哥社群，OpenAI 代码自动评审做了、OpenAI 应用 + 扫码登录 + 微信支付 + 敏感词过滤 + SDK 开发做了、AI Agent 可视化编排也做了、AI MCP 网关深入理解 MCP 协议还做了！

那为什么还要做一个 AI Agent 呢？🤔🤔🤔

因为 【AI Agent 可视化编排】 解决的是横向通用性场景方案，而本次要做的 【AI Agent 脚手架 + 场景方案】 是纵深业务场景细化方案（也是企业里必备的架构设计，针对细化场景，通用的编排就失效啦！）。这些东西，不是个架构师带着你，那你就根本理解不到！

好，该项目为大家带来一套企业级 AI Agent 智能体脚手架底座及场景应用方案的实战编程项目。项目采用 Spring AI、Langchain4j（对照学习） + Google ADK（a2a 框架 + 工作流编排），融合 MCP、Skills、Plugin、Session 等多项智能体开发技术，构建通用智能体脚手架工程。

并借助该脚手架，用户能够快速高效地搭建各类智能体应用场景。就像本次项目，既带着你搭建脚手架，也带着你使用脚手架做场景用（价值超级大，还要带着你做手机版大龙虾 MobileOpenClaw 🦞！）。

💻 每个工程师，都需要AI应用编程技能！

竹外桃花三两枝，春江水暖鸭先知🦆。没有哪个行业，有程序员👨🏻‍💻可以这么快的接触到世界的科技变化。甚至也只有程序员行业，可以驾驭 AI 技术，做出各项 AI 应用软件。AutoPhone、OpenClaw，码农正在加速改变这个世界！

当前互联网企业，Java 有庞大的市场，如美团、京东、阿里、饿了么、滴滴等。这些业务都要大量的引入 AI 进行提效，如；客服、巡检、运营、监控等。因为这些业务本身也都是基于 Java 构建，背靠 Spring 框架。所以很多公司也就天然的选择了 Spring AI 框架开发智能体应用。包括；阿里还基于 Spring AI 做了 alibaba 版本，谷歌也做了 google adk 框架。现在你懂了，为什么我们选择 Spring AI 实现业务智能体项目了吧！当然，这些框架也都类似，选择一套学习后，其他的也都很容易上手。

🧧 文末提供了本套项目的完整工程代码，此外还有其他的业务项目 + 组件项目，共计20个全部可以获取。

# 一、我能学到什么

首先，这是一整套从0到1，文档 + 视频 + 源码，包含前后端 + DevOps 的综合实战项目。带着大家进行需求分析、底座构建、脚手架设计、应用场景实践。所以，你可以非常完整的学习到关于 AI Agent 智能体的全部内容，让你具备企业级项目开发能力。

  • 【后端】熟练 Spring AI、Langchain4j（对照学习）框架的使用知识，掌握 api、model、client 的组装构建。
  • 【后端】深入 Spring AI 框架，使用 spring-ai-community 包，引入 Agent Skills 技能。
  • 【后端】设计多种 MCP 加载策略，满足 local、sse、stdio 各种类型的加载操作。
  • 【后端】运用 Google ADK 框架，整合 Spring AI、Langchain4j 分别验证学习，做好技术调研。
  • 【后端】使用 Google ADK 框架，通过提供的 loop（循环）、parallel（并行）、sequential（串行），构建多样性智能体。
  • 【后端】通过 Google ADK 框架，掌握 Runner 运行插件机制，掌握智能体运行中各个节点的数据采集和控制操作。
  • 【后端】设计通用智能体配置 yml 文件，通过配置文件的内容编排，可以配置出复杂的智能体。
  • 【后端】深入 Google ADK 源码，调试源码找到bug，并提供解决方案。已经在google adk 发布了issue #705 - 小傅哥为 Google ADK 框架，提交的 issue 记录 (opens new window)
  • 【后端】拓展设计模式的使用，在智能体构建中，使用规则树模式进行各个节点的编排。编排依赖于 agent.yml 文件的配置。这是非常灵活的设计。
  • 【后端】基于 Maven 脚手架构建方式，对底座工程创建出通用脚手架项目。
  • 【后端】积累 Netty 通信技术，基于 Netty 构建通信网关。
  • 【前端】安卓 Android（Kotlin） 网关终端开发，做智能设备控制。基于 AutoPhone 9B + OpenClaw 理解，构建 MobileOpenClaw
  • 【前端】使用 React 构建前端工程 + draw.io，实现出一套智能体绘图操作。这部分会结合 AI IDE + prompt 进行编程实现。
  • 【运维】在云服务器环境（Ubuntu 24）安装 Docker 环境 + Protainer 管理面板，以及初始化环境等（提供了一件安装脚本）。
  • 【运维】分别对前后端进行 docker 镜像构建，以及在云服务器上完成项目的部署操作。
  • 【其他】积累应用设计经验，面向对象开发，在整个工程实现中，都有非常干净，清晰，具备高内聚，低耦合，有单一职责的逻辑体现。

小傅哥带着你做的是企业级项目架构和技术积累，通过这些东西的学习，在面试中与面试官交流，才会显得更为专业。

# 二、适合哪些伙伴

  • 需要快速🔜写到简历(每个阶段完成都可以写简历)，用于秋招/社招面试（本项目可快速部署验证结果）。
  • 对 AI Agent 智能体感兴趣，但不知道如何自己实现一套的。
  • 希望提高自己的架构设计思维，设计模式运用的。
  • 增强核心竞争力，储备一些非业务的核心技术类知识的。
  • 需要掌握 Spring AI、Langchain4j、Google ADK 框架使用。

# 三、项目是否硬核

很多小伙伴都害怕学习到一个(前端)外壳漂亮，(后端)代码水货的项目，满是 CRUD 缺少架构设计，也没有编程思维的体现。这样的项目，在面试后端工程师的时候，很难讲出东西。所以，这里小傅哥先把一些核心的架构设计给大家看看，让大家知道小傅哥带着你学习的东西质量如何。

# 1. 智能体整体设计

  • 2025年11月27日，Google 正式在 Maven 仓库管理中心，推送了 0.4.0 版本 ADK，该版本新增加了 Spring AI 的集成。google-adk-spring-ai (opens new window) 至此，也因此，小傅哥决定基于这套服务组合，设计智能体脚手架。
  • 首先，Google ADK 是一个智能体框架，他自身也是支持直接对接各类大模型的 API，以及构建 ChatModel 的。但在整合 Spring AI、LangeChain4J 以后，Google ADK 的使用，将会得到已经使用上述组件的公司更大的青睐。
  • 之后，Spring AI 解决的 AI 对接的前半部分，让你可以把 AI API、Model、Prompt、RAG、Tool（Function、MCP）等，非常方便的构建出一个单一的 AI Agent 服务（也可以称之为是一个客户端）。
  • 然后，Google ADK 解决的是，多个 AI Agent 怎么协同工作的问题。这里包括，Sequential 序列顺序执行、Loop 循环执行、Parallel 并行执行，而这些执行方式，又可以组合搭配的配置到一个 Sequential 中进行顺序执行（注意图中颜色）。绿色的是大模型服务，绿色部分可以被深黄色或者浅青色包装，之后在组合到 SequentialAgent - 序列执行中。
  • 最后，Google ADK 提供了记忆上下文 Runner 执行器（也可以自己扩展实现），在这里又提供了钩子插件，你可以对执行过程中的流程，进行拦截。这个过程类似 Spring 容器中对 Bean 对象的处理，before、after 的过程。

# 2. 系统的分层结构

如图，整体简要架构设计（剥离其他流程，方便理解）；

整个应用架构分为3层，包括；基础底座、脚手架、业务场景；

  • 基础底座，负责整 Spring AI + Google ADK 框架的使用，这里的重点在于整个智能体工作流程的设计和使用（第2部分20节课程）。
  • 脚手架，将基础底座使用 maven 抽取出脚手架，脚手架可以让我们快速复刻出一套基础工程（第3部分3节）。
  • 业务场景，结合 draw.io 绘图操作 + ai agent 智能体，做一套AI交互式画图系统（第4部分6节）。

# 3. 底座的运行流程

  • 首先，从用户基于脚手架创建完成后，在使用 YML 文件进行智能体的配置，之后在启动项目后，会进行一些利的装配。api、model、agent、workflow、runner，再到 spring 容器。
  • 其中，关于智能体的工作流组装是非常巧妙的，可以自由组合出多种类型智能体。这部分不需要硬编码即可完成。
  • 最后，是整个内容装配完成后，提供了通用的接口能力可以进行对话。

# 4. 脚手架配置发布

  • 左侧，对现有工程使用 maven-archetype-plugin 插件，构建工程脚手架。将当前的工程打包成一个可复用的 Archetype 模板。
  • 中间，打包好的脚手架，可以在本地直接使用，也可以发布jar到私服，让大家都可以使用。私服部分，后续在做处理。
  • 右侧，使用方可以基于命令，或者 IntelliJ IDEA 配置 Maven 脚手架的方式，创建和启动工程。这一节，我们先通过命令的方式使用。

# 四、应用场景举例

# 1. 普通对话

  • 智能体搭建后，可以进行对话操作，基于你配置的 MCP 能力，它可以做很多事项。

# 2. draw.io + 画图

agents:
  # 1. 需求分析与检索智能体
  - name: agent_analyst
    description: 负责理解用户意图，调用工具检索信息，并决定是请求补充信息还是继续绘图。
    instruction: |
      你是一个专业的需求分析师。你的任务是分析用户的绘图请求。
      1. 如果用户提供了具体的上下文或需要引用外部知识（如Git仓库、本地文件），请使用可用的工具（MCP）进行检索和分析。
      2. 分析用户的意图：
         - 如果用户的描述模糊、不完整，无法直接生成图表，你需要返回 JSON 格式要求用户补充信息。
           格式：{"type": "user", "content": "请补充关于...的具体信息"}
         - 如果用户意图清晰，请整理出详细的绘图需求（图表类型、节点、关系、布局要求等）。
      3. 输出你的分析结果。
    output-key: analysis_result
  # 2. 绘图执行智能体
  - name: agent_drawer
    description: 根据分析结果生成 Draw.io 的 XML 数据。
    instruction: |
      你是一个 Draw.io 绘图专家。请根据输入 {analysis_result} 进行操作：
      1. 如果输入是 {"type": "user", ...}，请直接原样输出该 JSON。
      2. 如果输入是详细的绘图需求：
         - 设计图表的结构（UML、流程图、时序图等）。
         - 生成符合 Draw.io 规范的 XML 代码。
         - 确保节点布局合理，逻辑清晰，连线不能交叉等。
         - 输出生成的 XML 内容。
    output-key: draft_diagram
  # 3. 检查与优化智能体
  - name: agent_reviewer
    description: 检查绘图结果，确保无连线交叉等问题，并格式化最终输出。
    instruction: |
      你是一个图表质量检查员。请审查输入 {draft_diagram}：
      1. 如果输入是 {"type": "user", ...}，请直接原样输出。
      2. 如果输入是 XML 代码：
         - 检查连线是否混乱或有严重的交叉（在文本层面尽力优化布局逻辑）。
         - 检查 XML 语法是否正确。
         - 如果有问题，请尝试修正 XML。
         - 最终输出必须严格符合 JSON 格式：
           {"type": "drawio", "content": "这里放最终的XML字符串"}
    output-key: final_result
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
  • ai agent + draw.io，可以配置出一套交互式绘图智能体。我们可以把诉求发给 AI，之后 AI 进行分析和决策，让用户补充信息或者直接画图。
  • 在大量的测试和体验中，这套智能体 + gpt 5.1 可以绘制出非常符合企业中真实场景的流程图，效果还是非常不错的。如果你还配置 mcp 可以结合本地代码库，文档库，产品PRD库，那么它还可以更好的绘制出相关的流程图。

# 3. AutoPhone 实验性场景

智谱发布过一个 Open-AutoGLM (opens new window) 类似于豆包手机，可以通过指令发送 AI，AI 操作手机完成一系列动作。目前官网这套产品目前使用的是 ADB 连接手机，数据线调试方式。

这里小傅哥在体验了 OpenClaw 大龙虾的设计后，对 AutoPhone 也有了想法。我们可以设计一套安卓版的手机 MobileOpenClaw，在手机端开发一个网关，网关功能具备；启动应用、点击指定坐标、输入文本、滑动屏幕等。之后在让 AI 以借助 Socket 通信，对手机设备进行管理。

  • 首先，需要实现一套 MobileOpenClaw 的网关，这部分内容是安卓开发的一个软件，如果 IOS 也还有其他方案。可以在 Github 检索相关资料 https://github.com/search?q=phone%20agent&type=repositories (opens new window)
  • 之后，基于脚手架，开发 MobileOpenClaw 智能体，这部分要通过 Socket 和 手机端进行通信。让 AI 识别用户意图，控制手机端执行相关操作。因为这里大量的视觉识别，所以 gemini-3-pro-preview 效果不错，另外就是 GLM 定制的 AutoGLM-Phone-9B (opens new window) 模型，可以自己在 GPU 部署。

# 五、课程学习目录

全程视频 + 文档 + 源码，开局 IntelliJ IDEA + Webstorm + Android Studio，手把手带着你一路狂飙！

以下2、3、4部分，每部分做完，都可以写简历，也就是最早学习完2部分20节，就可以写一份简历啦！

# 介绍

AI Agent 脚手架 + 场景应用 - 综合 Spring AI、LangChain4j + Google ADK（a2a、mcp、skills），打造全新智能体架构方案。

面试：技能、简历、问题汇总

# 第1部分：需求与架构

# 第2部分：基础底座开发

# 第3部分：脚手架工程化

# 第4部分：业务场景（ai+draw.io） - 这部分内容非常有实用价值！

# 第5部分：业务场景（MobileOpenClaw）- 这部分内容非常有意思！

星球里另外一套 AI Agent 还对接了 ELK、普罗米修斯、微信公众号等，也可以把 MCP 对接过来进行系统巡检。有了这套脚手架的学习，你可以完成非常多的场景对接使用。

# 六、学习路线推荐（AI）

小傅哥的社群星球「码农会锁」，现已经有20个实战项目，6个AI、5个业务、8个组件 + 1套源码（MyBatis），这6个AI项目，你可以按需选择学习。

综上，所有的实战项目，加入小傅哥社群，全部都可以学习的到！

面试：技能、简历、问题汇总 →

京ICP备19031103号 |

京公网安备 11030102010881号

 | GPL Licensed | Copyright © 2019 小傅哥，All rights reserved.