同一需求三套写法：用 Spring AI、LangChain4j、AgentScope Java 各实现一个带工具调用的 RAG 助手（实战对比）

📚本文是「Java 大模型框架专题」系列第 5 篇（实战收尾篇）。全系列 5 篇，建议按序阅读：

1. [总纲] 2026 Java 大模型框架选型终极指南：Spring AI vs LangChain4j vs AgentScope Java 深度横评
2. [深度] Spring AI 2.0 深度解析
3. [深度] LangChain4j 深度解析
4. [深度] AgentScope Java 深度解析
5. [实战]同一需求三套写法（本篇）

（发布后请把每行标题替换为对应文章的超链接，形成专题矩阵互导闭环）

一、需求定义：一个"技术问答助手"

前四篇都在讲"是什么、怎么选"。这篇反过来，用一个真实需求把三家拉出来遛一遛。

需求：一个技术问答助手，要求：

1. 用户问一个技术问题；
2. 先从知识库检索相关文档（RAG）；
3. 需要时能调用工具（比如查当前时间）；
4. 以流式方式输出带依据的回答。

说明：以下代码为示意实现，突出各框架的编程范式与代码量差异；具体 API 以官方文档为准（文末附链接）。

二、Spring AI 2.0 实现

// 配置：RAG 检索器挂进 Advisor 链@ConfigurationclassAiConfig{@BeanChatClientchatClient(ChatClient.Builderbuilder,VectorStorestore){returnbuilder.defaultAdvisors(QuestionAnswerAdvisor.builder(store).build()).build();}}// 工具：@Tool 声明，被 ToolCallingAdvisor 自动发现@ComponentclassTimeTools{@Tool(description="返回当前 UTC 时间")Stringnow(){returnInstant.now().toString();}}@RestControllerclassAssistantController{privatefinalChatClientchatClient;AssistantController(ChatClient.Builderbuilder){this.chatClient=builder.build();}@GetMapping(value="/ask",produces=MediaType.TEXT_EVENT_STREAM_VALUE)Flux<String>ask(@RequestParamStringq){returnchatClient.prompt().system("你是技术问答助手，优先依据检索到的上下文回答").user(q).stream().content();// 流式输出}}

特点：命令式 + Fluent；RAG 靠QuestionAnswerAdvisor挂载；工具靠@Tool自动发现；流式返回Flux<String>。

三、LangChain4j 实现

interfaceAssistant{@SystemMessage("你是技术问答助手，优先依据检索到的上下文回答")Flux<String>answer(@UserMessageStringquestion);// 流式}// 检索器ContentRetrieverretriever=EmbeddingStoreContentRetriever.builder().embeddingStore(store)// pgvector / InMemory 等.embeddingModel(embeddingModel).maxResults(3).build();// 工具classTimeTools{@Tool("返回当前 UTC 时间")Stringnow(){returnInstant.now().toString();}}// 装配Assistantassistant=AiServices.builder(Assistant.class).chatLanguageModel(model).contentRetriever(retriever)// 自动把检索结果注入上下文.tools(newTimeTools()).build();Flux<String>answer=assistant.answer("Spring AI 2.0 需要哪个 Boot 版本？");

特点：声明式@AiService；RAG 靠ContentRetriever自动注入；工具靠@Tool注入；流式靠方法返回类型Flux自动切换。

四、AgentScope Java 实现

// 把"检索知识库"封装成一个工具，交给 Agent 自主调用classKnowledgeTools{@Tool("在技术知识库中检索相关文档")Stringsearch(@ToolParamStringquery){returnvectorSearch(query);}}// 用 HarnessAgent 承载生产级 Agent（长期记忆 / 会话持久化 / 沙箱）HarnessAgentassistant=HarnessAgent.builder().name("技术问答助手").model(model)// Qwen / OpenAI / Claude / Gemini….tools(newKnowledgeTools(),newTimeTools()).build();Responseresp=assistant.run("Spring AI 2.0 需要哪个 Boot 版本？");

特点：Agent 编排式；RAG 不是内建抽象，而是封装成一个@Tool让 Agent 自主决定何时调用；用HarnessAgent直接获得记忆、持久化、沙箱能力。

五、三份代码并排对比

读法：三者都能完成这个需求，但**"舒服程度"取决于你的心智模型**——Spring 团队觉得第一列最顺，Quarkus/纯 Java 团队觉得第二列最顺，做多智能体的人觉得第三列才是正解。

六、真实跑起来会遇到什么

七、结论

回到系列第 1 篇的那句话：三个框架不在同一层。

• 做单体智能（本场景就是）→Spring AI（Spring 栈 / Boot 4）或LangChain4j（跨框架 / 生态最全）；
• 做多智能体自治系统→AgentScope Java。

这个"技术问答助手"恰好是"单体智能"的典型，所以Spring AI 与 LangChain4j 是更贴合的答案；但如果你要把它升级成"研究-写作-评审分工的 AI 团队"，AgentScope 的HarnessAgent+ 子智能体编排就是更优解。

你正在做的项目，是"单体智能"还是"多智能体协作"？评论区聊聊，我帮你对号入座。

系列矩阵导航

• 🔗 [第 1 篇·总纲] 三框架选型深度横评（含分层定位图 + 决策树)
• 🔗 [第 2 篇·深度] Spring AI 2.0 深度解析
• 🔗 [第 3 篇·深度] LangChain4j 深度解析
• 🔗 [第 4 篇·深度] AgentScope Java 深度解析

本文数据截至 2026-11-02；代码为示意实现，API 细节分别以 Spring AI、LangChain4j、AgentScope Java 官方文档为准。