路线与环境

个人学习记录，主要是为了后面复习和实操。10 年 Java 转 AI Agent，我的判断不是去卷算法训练岗，而是把原来的后端工程能力，接上大模型、RAG、Tool Calling 和 Agent 工作流。

整体路线

先放结论。

Java 做生产级后端、业务系统、权限、数据库、流程、微服务、部署
Python 做 AI 生态、Agent 编排、RAG 实验、LangChain / LangGraph

所以这个路线不是：

Java 程序员从 0 转算法工程师

更像是：

Java 后端工程能力
    +
Python AI 生态能力
    +
Agent 工程落地能力
    =
AI Agent 后端 / 平台开发

![AI Agent 90 天路线总览]
routeoverview.png

3 个月目标先定得现实一点：

第 1 个月：跑通 LLM API、Spring AI、FastAPI、简单 Tool Calling
第 2 个月：做出企业知识库 RAG 系统
第 3 个月：做出 Java + Python 混合架构的业务 Agent

我的理解：

不是放弃 Java 去追热点，而是把 Java 后端从“写接口”升级成“能接大模型、能编排工具、能进入业务流程”的平台能力。

Java 和 Python 的分工

Java 继续作为主线。

Java 负责：

用户体系
权限控制
订单系统
工单系统
知识库管理
文件上传
数据库事务
日志审计
接口网关
调用 Python AI 服务

Python 不是替代 Java，而是补 AI 生态。

Python 负责：

FastAPI AI 服务
LangChain
LangGraph
RAG 实验
Agent 工作流
Tool Calling
评测脚本
模型 API 调用

最终结构大概是：

前端
  ↓
Spring Boot 后端
  ↓
FastAPI AI 服务
  ↓
LangGraph / LangChain
  ↓
大模型 API
  ↓
DeepSeek / Qwen / OpenAI 兼容接口

![Java Python Agent 分工]envchecklist.png

这块我觉得要想清楚。

Spring Boot 适合做稳定业务系统，FastAPI 适合快速接 AI 能力，LangGraph 适合做 Agent 工作流。三者不是竞争关系，是组合关系。

起步要做什么

先不急着写复杂代码。

主要把后面 90 天要用的基础工具链准备好：

JDK 21
Maven 3.9+
IntelliJ IDEA
Python 3.10+
PyCharm / VS Code
Git
Docker
DeepSeek 或 Qwen API Key

最后要达到的状态：

java -version
javac -version
mvn -version
python --version
pip --version
git --version
docker --version
docker compose version

这些命令都能正常输出版本号。

![环境检查清单]architecture.png

Java 环境

建议版本：

JDK 21
Maven 3.9+
IntelliJ IDEA

原因也简单：

Spring Boot 3.x 要求 Java 17+
JDK 21 是长期支持版本
Maven 仍然是 Java 项目里很常用的构建工具
IDEA 对 Spring Boot 支持最好

macOS 可以用 Homebrew：

brew install openjdk@21
brew install maven

配置环境变量：

echo 'export JAVA_HOME=$(/usr/libexec/java_home -v 21)' >> ~/.zshrc
echo 'export PATH=$JAVA_HOME/bin:$PATH' >> ~/.zshrc
source ~/.zshrc

验证：

java -version
javac -version
mvn -version
echo $JAVA_HOME

Windows 可以用 winget：

winget install -e --id EclipseAdoptium.Temurin.21.JDK
winget install -e --id Apache.Maven

验证：

java -version
javac -version
mvn -version
where java

如果 Maven 下载慢，可以配置国内镜像。

文件：

~/.m2/settings.xml

内容：

<settings>
    <mirrors>
        <mirror>
            <id>aliyunmaven</id>
            <mirrorOf>*</mirrorOf>
            <name>阿里云公共仓库</name>
            <url>https://maven.aliyun.com/repository/public</url>
        </mirror>
    </mirrors>
</settings>

Python 环境

建议版本：

Python 3.10+
venv
pip
PyCharm / VS Code

起步阶段不建议把 conda 搞复杂。

做 FastAPI、LangChain、LangGraph，用项目自己的 venv 就够。conda 更适合数据科学、本地模型、Jupyter 那类环境。

安装依赖：

python -m pip install --upgrade pip
python -m pip install fastapi uvicorn python-dotenv requests

如果 PyPI 访问慢，可以换清华源：

python -m pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple
python -m pip install fastapi uvicorn python-dotenv requests

后面做 Agent 再装：

python -m pip install langchain langgraph

后面做 RAG 再装：

python -m pip install langchain-community langchain-openai psycopg2-binary pgvector

FastAPI 最小项目

先建一个 main.py，能跑起来就行。

from fastapi import FastAPI

app = FastAPI()


@app.get("/")
def hello():
    return {
        "message": "hello ai agent"
    }

启动：

uvicorn main:app --reload

访问：

http://127.0.0.1:8000

接口文档：

http://127.0.0.1:8000/docs

FastAPI 默认会生成 OpenAPI 文档，后面 Java 调 Python 服务时很方便。

Git 和项目目录

安装 Git：

brew install git

Windows：

winget install -e --id Git.Git

配置用户信息：

git config --global user.name "你的名字"
git config --global user.email "你的邮箱"
git config --global --list

建议目录这样放：

ai-agent-study
├── java
│   ├── spring-ai-chat-demo
│   └── rag-knowledge-base
├── python
│   ├── fastapi-agent-demo
│   └── langgraph-agent-demo
├── docs
│   ├── route-env.md
│   └── roadmap.md
└── docker
    └── docker-compose.yml

个人习惯：

代码和笔记分开，Java 和 Python 分开，后面复习和写简历都清楚。

Docker 环境

后面做 RAG / Agent 会用到：

PostgreSQL + pgvector
Redis
MySQL
Nginx

这些东西如果都直接装本机，时间长了会乱。Docker 更适合做学习环境和项目演示。

验证：

docker --version
docker compose version
docker run hello-world

macOS 直接安装 Docker Desktop。

Windows 建议先开启 WSL2，再安装 Docker Desktop。

大模型 API Key

第一阶段建议优先准备一个国内模型 API，少折腾网络问题。

可以选：

DeepSeek API
Qwen / DashScope API

API Key 不要写死在代码里。

错误写法：

api_key = "sk-xxxx"

推荐放到 .env：

DEEPSEEK_API_KEY=你的key
QWEN_API_KEY=你的key

Python 读取：

from dotenv import load_dotenv
import os

load_dotenv()

api_key = os.getenv("DEEPSEEK_API_KEY")

Java 也可以从环境变量读：

String apiKey = System.getenv("DEEPSEEK_API_KEY");

.gitignore 里记得排除：

.env
.venv/
target/
.idea/
__pycache__/
*.log

环境检查清单

Java：

java -version
javac -version
mvn -version

Python：

python --version
pip --version

Git：

git --version
git config --global --list

Docker：

docker --version
docker compose version
docker run hello-world

FastAPI：

uvicorn main:app --reload

访问：

http://127.0.0.1:8000/docs

API Key：

.env 文件已创建
API Key 没有写死代码里
.gitignore 已排除 .env

常见问题

java 命令不识别

大概率是 JDK 没装好，或者 JAVA_HOME / PATH 没配好。

检查：

java -version
echo $JAVA_HOME

Windows：

where java
echo $env:JAVA_HOME

pip 安装报 SSL 错误

一般是访问 PyPI 不稳定。

可以切换镜像：

python -m pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple

Docker 命令能执行，但服务启动失败

先确认 Docker Desktop 已经启动。

再看：

docker info
docker compose version

Windows 上还要确认 WSL2 正常。

小结

这一篇的目标不是产出一个很牛的 Agent。

今天真正要完成的是三件事：

1. 明确方向：Java 后端 + Python AI 生态 + Agent 工程化
2. 准备工具：JDK、Maven、Python、Git、Docker、API Key
3. 跑通最小服务：FastAPI 能启动，后面再接大模型

先把地基铺好，后面做 Spring AI、RAG、LangGraph、Tool Calling 才不会天天被环境问题打断。

这个家伙很懒，啥也没有留下😋