Java 后端转 AI Agent 学习路线

目标定义

目标不是“会用一个 Agent 框架”,而是能从后端工程角度做出一个可靠的 AI Agent 系统:

用户目标 -> 意图识别 -> 检索知识 -> 调用工具 -> 维护状态 -> 生成答案 -> 记录 trace -> 评测回归

最终项目建议锁定为:

Personal Knowledge Agent:基于 Obsidian 的个人知识库 Agent,支持 RAG 问答、MCP 暴露、学习计划、任务追踪、长期记忆、trace/eval。

能力迁移图

flowchart TD
    Java["Java 后端基础"] --> Backend["后端工程能力"]
    Backend --> API["LLM Gateway"]
    API --> Agent["Agent Runtime"]
    Backend --> Tool["Tool / State / Trace"]
    Tool --> Agent
    Notes["Obsidian Notes"] --> RAG["RAG Retriever"]
    RAG --> Agent
    Agent --> MCP["MCP Server"]
    Agent --> Product["Personal Knowledge Agent"]

<rect x="60" y="140" width="150" height="44" rx="8" fill="#dcfce7"/>
<text x="90" y="166">MySQL / Redis</text>
<path d="M210 162 L288 162" stroke="#64748b" stroke-width="2" marker-end="url(#arrow)"/>
<rect x="290" y="140" width="170" height="44" rx="8" fill="#bbf7d0"/>
<text x="319" y="166">Memory / Trace Store</text>

<rect x="60" y="200" width="150" height="44" rx="8" fill="#fef3c7"/>
<text x="86" y="226">线程池 / MQ</text>
<path d="M210 222 L288 222" stroke="#64748b" stroke-width="2" marker-end="url(#arrow)"/>
<rect x="290" y="200" width="170" height="44" rx="8" fill="#fde68a"/>
<text x="318" y="226">异步 Tool / Eval Runner</text>

<rect x="520" y="92" width="150" height="42" rx="8" fill="#ede9fe"/>
<text x="548" y="117">RAG / MCP</text>
<rect x="520" y="154" width="150" height="42" rx="8" fill="#ffe4e6"/>
<text x="542" y="179">Workflow Agent</text>
<rect x="520" y="216" width="150" height="42" rx="8" fill="#ccfbf1"/>
<text x="546" y="241">可评测产品</text>

总体路线

每阶段必懂的工程对象

典型后端架构

flowchart TD
    UI["Web / CLI / App"] --> Controller["AgentController"]
    Controller --> Runtime["AgentRuntime"]
    Runtime --> Context["上下文层<br/>RAG / Memory"]
    Context --> Data["Vector DB / MySQL"]
    Runtime --> Tooling["工具层<br/>Local Tools / MCP"]
    Tooling --> Model["Model Gateway"]
    Runtime --> Ops["观测层<br/>Trace / Eval"]

技术选型建议

先修依赖与升级判定

这条路线不是按名词推进,而是按“工程对象能否跑通”推进。每一层都有上一层必须提供的证据,缺证据就不要跳到下一层。

schema boundary access evidence state history proof

阶段交付切片

每个阶段都要留下能复盘的产物。只写笔记不算完成,只写代码但没有 trace / eval 也不算完成。

路线分叉决策

学习中最容易浪费时间的是“看到新框架就切方向”。用下面的判定表决定当前该补什么。

从 Java 后端到 Agent 工程的迁移模型

Java 后端经验不是被 Agent 淘汰,而是换了落点。传统后端的核心是“确定性请求处理”:输入固定、代码路径固定、数据库事务固定。Agent 工程的核心是“受约束的非确定性决策”:模型会选择路径、调用工具、引用上下文、写入记忆,所以必须把不可控部分关进工程边界里。

迁移路线不要理解成“学更多框架”,而是把旧能力升级成下面的成熟度:

学习时可以把每个新概念都落成一个后端对象:

# Agent 工程对象清单：每学一个概念，都问它最终落在哪个对象里。
agent_service:
  role: "编排一次任务，从用户输入到最终答案"
  must_have: ["state", "traceId", "stepLimit", "failurePolicy"]

tool_executor:
  role: "把模型的 tool_call 变成受控的真实动作"
  must_have: ["schemaValidation", "permissionDecision", "timeout", "audit"]

context_builder:
  role: "决定模型本轮能看到什么"
  must_have: ["systemRules", "userTask", "retrievedChunks", "memory", "tokenBudget"]

eval_runner:
  role: "判断一次改动是进步还是退化"
  must_have: ["caseSet", "promptVersion", "retrieverVersion", "diffReport"]

真正的学习闭环是:概念 -> 工程对象 -> 可运行接口 -> trace 证据 -> eval 回归。只停在概念解释,容易觉得自己懂了;能把它写成对象、接口、失败样本和评测,才算进入工程阶段。

12 周里程碑

gantt
    title Java 后端转 Agent 12 周路线
    dateFormat  YYYY-MM-DD
    section 基础闭环
    LLM API / Streaming      :a1, 2026-07-05, 14d
    Tool Calling / Security  :a2, after a1, 14d
    section 知识与协议
    MCP Server               :b1, after a2, 14d
    Obsidian RAG             :b2, after b1, 14d
    section Agent 化
    Workflow / Memory        :c1, after b2, 14d
    Trace / Eval / Deploy    :c2, after c1, 14d

主项目拆解

flowchart TD
    PKA["Personal Knowledge Agent"] --> Knowledge["知识层<br/>Notes Indexer / RAG Q&A"]
    Knowledge --> Runtime["运行层<br/>MCP Server / Learning Planner"]
    Runtime --> Feedback["复盘层<br/>Memory Store / Trace Eval"]
    Feedback --> Product["可持续学习产品"]

验收门槛

先做什么

优先做一个闭环,不要先追复杂 Agent:

1. Spring Boot 写 /chat 和 /chat/stream。
2. 加 search_notes、read_note 两个只读工具。
3. 把 Obsidian 的 技术栈/AI Agent 建成最小索引。
4. 回答必须带来源路径。
5. 保存每轮 trace。
6. 把 search_notes / read_note 暴露成 MCP。
7. 做 20 个固定问题的 eval。

判断是否真正学会

如果系统能完成下面这件事,说明路线走通:

用户问:“我有 Java 后端基础,怎么继续学 Agent?”

系统必须:

1. 读取本目录路线笔记。
2. 检索相关 AI 工程基础和项目清单。
3. 生成分阶段路线。
4. 给出引用来源。
5. 创建本周任务。
6. 记录 trace。
7. 支持通过 MCP 让其他 Agent 调用这个能力。

这不是一个“回答”,而是一个完整 AI Agent 工程闭环。