摘要Spring 创始人 Rod Johnson 推出了名为 Embabel 的开源框架旨在让 Java 开发者在熟悉的 JVM 生态中构建生产级 AI Agent。该框架借鉴游戏行业的 GOAP目标导向行动规划算法将规划逻辑交由确定性代码处理仅将不确定性任务如文本生成委派给大模型从而有效解决了传统 Agent 框架在可审计性、类型安全和成本控制方面的痛点。核心要点1. 项目背景与起源发起人Rod JohnsonSpring Framework 之父。动机驳斥Java 已死”或Agent 只能由 Python 编写”的论调。解决现有 Python Agent 框架如 LangChain在生产环境中缺乏可解释性、难以审计的问题。避免企业为接入 AI 而将成熟的 Java 业务系统重写为 PythonRod Johnson 称之为“令人费解”。版本迭代7 月底发布 1.0 正式版8 月中旬已迭代至 1.5 版本采用 Apache 2.0 协议开源。2. 核心技术架构GOAPEmbabel 的核心设计灵感源自游戏 NPC 的行为规划系统 GOAPGoal-Oriented Action Planning定义要素开发者只需定义 Action动作和 Goal目标。规划机制框架内置规划器自动计算动作执行顺序无需硬编码流程。每执行一步均根据最新状态动态重新规划后续步骤。确定性保障规划过程完全由代码执行不调用大模型因此不消耗 Token。输入相同则输出路径恒定便于日志追踪与故障复盘。强类型安全动作间传递真实的 Java 领域对象如 Record 或 Kotlin data class。支持编译期类型检查重构时 IDE 可自动定位受影响代码。3. 工程化特性与生态Spring 深度集成类比关系若将 Spring AI 视为 Servlet API则 Embabel 相当于 Spring MVC。支持组件扫描、依赖注入及标准打包部署。注解驱动通过 Agent 和 Action 注解定义业务逻辑。模型兼容性支持 OpenAI、Anthropic、Google、DeepSeek、智谱 GLM、MiniMax 等主流模型。支持 Ollama 本地部署。生产级功能RAG接口标准化降低 API 变动风险。MCP支持双向交互调用他人工具或发布为 MCP Server。监控集成 Spring Boot Actuator统一查看健康状态。通信支持 A2A 协议实现 Agent 间通信。离线能力支持 ONNX 本地运行 Embedding适配隔离网环境。4. 版本与依赖版本线1.0 线对应 Spring Boot 3.5 Java 21。1.5.0 线对应 Spring Boot 4 Spring AI 2最新推荐。依赖引入dependencygroupIdcom.embabel.agent/groupIdartifactIdembabel-agent-starter/artifactIdversion1.5.0/version/dependency5. 当前局限与挑战源码语言核心代码由 Kotlin 编写Java 调用无感知但阅读源码需适应 Kotlin 语法。生态规模GitHub Star 数约 4000相比 LangChain10 万社区案例较少文档仍在完善中。模型接入未列入官方列表的模型需自行编写 Spring AI 桥接代码。关键引述与数据Rod Johnson 观点“你不能凭感觉vibe-code编写严肃软件。”行业数据官方文档称约 70% 的生产应用运行在 JVM 上。设计理念“模型处理不确定性JVM 将路径、类型、审计与恢复锁进工程系统。”历史对比Spring 当年将 Java 从 EJB 的泥潭中救出Embabel 旨在将 Java 工程师从 Python 的包围中救出。行动项与启发适用人群建议Spring 生态团队若已在 Spring 上运行多年且希望接入 Agent这是首选方案可立即上手。非 Spring 体系若仅需简单的模型调用封装建议继续使用 LangChain4j。个人开发者可尝试 Ollama 本地模型配合模板仓库预计半天内可跑通第一个 Agent。下一步行动开源地址是https://github.com/embabel/embabel-agent。反正 Star 先点上值不值得跟看后续。技术验证搭建 Spring Boot 4 Java 21 环境。尝试定义一个简单的 Agent如日志诊断或文档生成体验 GOAP 的自动规划能力。深度阅读查阅官方文档中的迁移指南了解从 1.0 到 1.5 的升级路径。思考启发确定性 vs 不确定性在 AI 时代将“流程控制”回归确定性代码将“内容生成”交给大模型可能是构建企业级 AI 应用的最佳实践。技术栈选择随着 AI 工具日益强大未来技术栈的选择可能由 AI 主导而当下由人类主导的框架选择显得尤为稀缺和珍贵。 Spring 推出 Embabel：Java 生产级 Agent 编排框架
摘要Spring 创始人 Rod Johnson 推出了名为 Embabel 的开源框架旨在让 Java 开发者在熟悉的 JVM 生态中构建生产级 AI Agent。该框架借鉴游戏行业的 GOAP目标导向行动规划算法将规划逻辑交由确定性代码处理仅将不确定性任务如文本生成委派给大模型从而有效解决了传统 Agent 框架在可审计性、类型安全和成本控制方面的痛点。核心要点1. 项目背景与起源发起人Rod JohnsonSpring Framework 之父。动机驳斥Java 已死”或Agent 只能由 Python 编写”的论调。解决现有 Python Agent 框架如 LangChain在生产环境中缺乏可解释性、难以审计的问题。避免企业为接入 AI 而将成熟的 Java 业务系统重写为 PythonRod Johnson 称之为“令人费解”。版本迭代7 月底发布 1.0 正式版8 月中旬已迭代至 1.5 版本采用 Apache 2.0 协议开源。2. 核心技术架构GOAPEmbabel 的核心设计灵感源自游戏 NPC 的行为规划系统 GOAPGoal-Oriented Action Planning定义要素开发者只需定义 Action动作和 Goal目标。规划机制框架内置规划器自动计算动作执行顺序无需硬编码流程。每执行一步均根据最新状态动态重新规划后续步骤。确定性保障规划过程完全由代码执行不调用大模型因此不消耗 Token。输入相同则输出路径恒定便于日志追踪与故障复盘。强类型安全动作间传递真实的 Java 领域对象如 Record 或 Kotlin data class。支持编译期类型检查重构时 IDE 可自动定位受影响代码。3. 工程化特性与生态Spring 深度集成类比关系若将 Spring AI 视为 Servlet API则 Embabel 相当于 Spring MVC。支持组件扫描、依赖注入及标准打包部署。注解驱动通过 Agent 和 Action 注解定义业务逻辑。模型兼容性支持 OpenAI、Anthropic、Google、DeepSeek、智谱 GLM、MiniMax 等主流模型。支持 Ollama 本地部署。生产级功能RAG接口标准化降低 API 变动风险。MCP支持双向交互调用他人工具或发布为 MCP Server。监控集成 Spring Boot Actuator统一查看健康状态。通信支持 A2A 协议实现 Agent 间通信。离线能力支持 ONNX 本地运行 Embedding适配隔离网环境。4. 版本与依赖版本线1.0 线对应 Spring Boot 3.5 Java 21。1.5.0 线对应 Spring Boot 4 Spring AI 2最新推荐。依赖引入dependencygroupIdcom.embabel.agent/groupIdartifactIdembabel-agent-starter/artifactIdversion1.5.0/version/dependency5. 当前局限与挑战源码语言核心代码由 Kotlin 编写Java 调用无感知但阅读源码需适应 Kotlin 语法。生态规模GitHub Star 数约 4000相比 LangChain10 万社区案例较少文档仍在完善中。模型接入未列入官方列表的模型需自行编写 Spring AI 桥接代码。关键引述与数据Rod Johnson 观点“你不能凭感觉vibe-code编写严肃软件。”行业数据官方文档称约 70% 的生产应用运行在 JVM 上。设计理念“模型处理不确定性JVM 将路径、类型、审计与恢复锁进工程系统。”历史对比Spring 当年将 Java 从 EJB 的泥潭中救出Embabel 旨在将 Java 工程师从 Python 的包围中救出。行动项与启发适用人群建议Spring 生态团队若已在 Spring 上运行多年且希望接入 Agent这是首选方案可立即上手。非 Spring 体系若仅需简单的模型调用封装建议继续使用 LangChain4j。个人开发者可尝试 Ollama 本地模型配合模板仓库预计半天内可跑通第一个 Agent。下一步行动开源地址是https://github.com/embabel/embabel-agent。反正 Star 先点上值不值得跟看后续。技术验证搭建 Spring Boot 4 Java 21 环境。尝试定义一个简单的 Agent如日志诊断或文档生成体验 GOAP 的自动规划能力。深度阅读查阅官方文档中的迁移指南了解从 1.0 到 1.5 的升级路径。思考启发确定性 vs 不确定性在 AI 时代将“流程控制”回归确定性代码将“内容生成”交给大模型可能是构建企业级 AI 应用的最佳实践。技术栈选择随着 AI 工具日益强大未来技术栈的选择可能由 AI 主导而当下由人类主导的框架选择显得尤为稀缺和珍贵。