167分钟
基于LangChain4j的Java智能体开发实战
随着 Agentic AI 兴起，企业对智能体的需求已从“实验室 demo”转向“生产级系统”。Java 凭借其企业级稳定性、微服务兼容性，成为构建长期维护智能体的优选，但多数开发者面临核心痛点：不会…
随着 Agentic AI 兴起，企业对智能体的需求已从“实验室 demo”转向“生产级系统”。Java 凭借其企业级稳定性、微服务兼容性，成为构建长期维护智能体的优选，但多数开发者面临核心痛点：不会用 LangChain4j 封装 LLM 接口与工具调用；不熟悉 Qdrant 向量数据库的知识存储与检索逻辑；对 MCP 协议的流式执行机制理解不足，无法实现长周期任务的动态调度；多智能体协作时易出现上下文割裂，影响系统效率。这些问题导致 Java 开发者难以参与企业级智能体项目，错失技术转型机会。
为此，三节课邀请了拥有 Java 开发与技术管理经验的清梧老师带来本门课程。清梧老师曾服务于 BAT 级企业，主导过 AI 工程化与云原生项目，擅长将 Java 生态与前沿 AI 技术结合，解决企业级智能体落地难题。
本课程旨在帮助 Java 开发者掌握企业级智能体开发能力：从 Java 智能体生态认知入手，详解 LangChain4j 构建基础 Agent（含记忆管理、RAG 集成），再到多智能体协作系统设计（任务分工、上下文共享），最后落地 MCP 协议整合与 Agentic AI 探索。通过实操案例（如 Qdrant 向量检索、多智能体通信），让你突破技术瓶颈，能用 Java 构建稳定、可协同的智能体系统，助力企业实现 AI 技术落地。
第一章 Java 智能体开发基础与生态认知
第二章 从0到1构建基础Agent
- 第一节 基础Agent的核心能力构建
- 第二节 智能体的健壮性设计
第三章 多智能体协作系统设计
- 第一节 多智能体协作模式设计与Agent间任务分工、上下文共享
- 第二节 多智能体通信协议初探
- 第三节 中心化Qdrant知识协作与Agent工具共享
第四章 Agent+MCP整合应用
- 第一节 MCP是什么，它解决了什么问题？
- 第二节 RPC与MCP：演进路径与根本差异
- 第三节 MCP重塑智能体边界与协作模式
- 第四节 分布式智能体中的上下文同步策略
第五章 代理式人工智能（Agentic AI）探索
第六章 课程总结与未来方向
清梧
架构师、技术总监