面向 Java 后端开发者的企业级 AI Agent 工程教程。课程以中文讲解为主，保留准确的英文 API、类型和协议名，重点覆盖 LangChain、RAG、LangGraph 以及它们与 Spring Boot 的协作边界。
课程状态： 12 章内容、离线示例和自动测试全部完成。内容完成不等于已经掌握；能够解释数据流、运行示例并定位故障才是学习验收目标。
很多 Agent 示例只展示几行模型调用，无法回答“身份从哪里来、业务事实存在哪里、失败后如何恢复”。本项目从工程问题出发，按以下顺序组织每章：
问题与约束 → 核心心智模型 → 真实执行顺序 → 最小示例
→ 关键 API → Java 类比 → 生产边界 → 思考题
适合以下读者：
- 熟悉 Java、Spring Boot 和常见后端技术栈；
- 能阅读 Python 基础代码，但工程实践较少；
- 希望学习 AI 应用与 Agent 工程，而不是模型训练；
- 希望把模型、RAG 和工作流接入现有企业后端。
| 阶段 | 章节 | 主要能力 |
|---|---|---|
| 建立边界 | 第 1 章 · 第 2 章 | LLM API、上下文、必要 Python、uv、异步与 FastAPI |
| LangChain | 第 3 章 · 第 4 章 | Message、Prompt、LCEL、Structured Output、Tool Calling |
| RAG | 第 5 章 · 第 6 章 | Document、Embedding、Retriever、Qdrant、多租户与评估 |
| LangGraph | 第 7 章 · 第 8 章 | State、Node、路由、Checkpointer、Runtime、Interrupt |
| 企业工程 | 第 9 章 · 第 10 章 · 第 11 章 | SSE、Spring 转发、存储、幂等、评估、安全与架构边界 |
| 综合应用 | 第 12 章 | 拆解独立的企业售后 Agent 完整项目 |
完整进度和验证记录见 ROADMAP.md。
要求：Python 3.12 与 uv。
git clone https://github.com/MIRS571/java-backend-to-agent.git
cd java-backend-to-agent
uv sync --locked
uv run pytest
uv run mkdocs serve文档预览默认地址：http://127.0.0.1:8000。
完整质量检查：
uv run ruff check .
uv run pytest
uv run mkdocs build --strict只有需要真实模型的 integration 示例才读取本地 .env：
LLM_MODEL=
LLM_API_KEY=
LLM_BASE_URL=仓库不会保存厂商地址、模型名或密钥。普通测试不访问付费模型；integration 测试在缺少本地配置时跳过。
docs/ 教程正文、学习方法和附录
examples/ 与章节对应的最小可运行示例
src/ 多章节复用的少量公共代码
tests/ 离线测试和仓库质量约束
infra/ Qdrant、Redis、PostgreSQL 等学习环境
- 先讲背景、目的和局限，再讲 API；
- 区分 Python 语法、框架约定、模型协议和业务设计；
- Java 类比只用于建立入口，并明确不等价之处；
- Demo 保持可读，生产必须补充安全、租户、持久化、评估和可观测性；
- 技术行为优先引用官方文档，并记录验证日期和依赖版本。
第 12 章链接并拆解独立项目 Enterprise Support Agent。教程只提炼最小模式，不复制完整项目。
- 代码与配置：MIT，见 LICENSE-CODE；
- 原创教程文档：CC BY-NC-SA 4.0，见 LICENSE-DOCS；
- 双许可证边界说明：见 LICENSE。