一、本章介绍

通过编写功能验证代码，分别基于 Spring AI、LangChain4j、Google ADK 等框架完成对 AI 服务的接入与调用测试，验证各技术方案在模型连接、能力适配、流程编排等方面的可行性与实现效果。

该阶段的目标在于通过实际案例完成关键能力预研与技术验证，为后续 AI Agent 智能体脚手架 的技术选型、架构设计与工程化落地奠定基础。

二、环境配置

• JDK 17
• Maven 3.8.x - Maven 教程
• IntelliJ IDEA 社区版(免费) IntelliJ IDEA 教程
• Git - 安装后会配置到 IntelliJ IDEA 这样才能向服务端推送或者拉取代码。

三、框架介绍

1. Spring AI

官网：https://docs.spring.io/spring-ai/reference/index.html

Spring AI 项目旨在简化集成人工智能功能的应用程序的开发，避免不必要的复杂性。

该项目在设计理念上借鉴了 LangChain、LlamaIndex 等知名 Python 项目的经验与思路，但 Spring AI 并不是对这些项目的简单迁移或直接复刻。其诞生的核心出发点在于：下一代生成式人工智能应用的构建不应局限于 Python 生态，而应面向更广泛的开发群体与多语言技术体系。

也正因如此，Spring AI 更强调在 Java / Spring 生态 下构建适用于企业级场景的生成式 AI 应用基础设施，致力于为不同编程语言背景下的开发模式提供可借鉴的工程化实践与统一抽象能力。

2. LangChain4J

官网：https://docs.langchain4j.info/

LangChain4j 的核心目标，是降低 LLM 集成到 Java 应用程序中的实现门槛，让开发者能够以更简洁、更工程化的方式构建基于大语言模型的应用能力。

LangChain4j 诞生于 2023 年初 ChatGPT 快速兴起的阶段。项目团队当时注意到，相较于 Python 和 JavaScript 生态中已较为丰富的 LLM 工具库与开发框架，Java 领域仍缺少一个具有代表性的对应方案，因此推动了 LangChain4j 的设计与实现。

虽然项目名称中包含“LangChain”，但 LangChain4j 并不是对 LangChain 的单一复刻，而是综合吸收了 LangChain、Haystack、LlamaIndex 以及更广泛社区中的设计思想与实践经验，并在此基础上结合 Java 生态特点进行了扩展与创新，形成了更适合 Java 开发者使用的 LLM 应用开发框架。

3. Google ADK

官网：https://google.github.io/adk-docs/get-started/java/#

代理开发工具包（ADK）是一套灵活、模块化的 AI Agent 开发与部署框架，用于支持各类智能体应用的构建、组织与运行。ADK 虽然针对 Gemini 及 Google 生态体系进行了较深度的优化，但其整体设计并不依赖特定模型或固定部署方式，同时也具备与其他框架和技术体系进行兼容集成的能力。

ADK 的设计理念，是让智能体开发过程尽可能接近传统软件工程开发方式，使开发者能够以更加标准化、工程化的方式构建、部署与编排智能体系统。基于这一能力，开发人员既可以实现面向单一任务的轻量级代理，也可以组织支持复杂流程、多阶段协作与多智能体编排的高级代理架构。

三、功能测试

1. 工程结构

2. 接口说明

curl https://gpt.xxxx.xyz/v1/chat/completions -H "Content-Type: application/json" -H "Authorization: Bearer sk-x5RwPi42uhXyazTK5eFf4c49499d4dE**** *你的完整apikey" -d '{
  "model": "gpt-5.1",
  "messages": [
    {
      "role": "user",
      "content": "1+1"
    }
  ]
}'