从 Java 到 Agent
在上一节，我们已经写好了功能强大的 TradeService（大脑的手）。
现在，我们需要接入 DeepSeek （大脑），并编写一个 Controller （神经中枢），让大脑能够指挥双手干活。
这就是 "Chat to Action" —— 让自然语言直接触发业务代码。
🤖 原理回顾：AI 是如何“按按钮”的？
AI 并不懂 Java，它只懂 JSON。我们要做的就是建立一个翻译机制 。
sequenceDiagram
participant User as 👤 用户
participant Controller as 🎮 后端调度器
participant AI as 🧠 DeepSeek API
participant Service as 🔧 TradeService
User->>Controller: "我要买那本《Java编程思想》"
rect rgb(240, 248, 255)
Note right of Controller: 1. 询问 AI (带上工具箱)
Controller->>AI: 用户说要买书 + Tools定义
AI-->>Controller: 💡 意图识别: 请调用 buyBook("Java编程思想")
end
rect rgb(255, 248, 240)
Note right of Controller: 2. 执行 Java 代码
Controller->>Service: tradeService.buyBook(...)
Service-->>Controller: ✅ 返回: 交易成功，订单号 10086
end
rect rgb(240, 255, 240)
Note right of Controller: 3. 最终回复
Controller->>AI: 告诉 AI 交易结果
AI-->>Controller: "好的，购买成功！订单号是 10086。"
end
Controller-->>User: 显示最终回复
📝 第一步：定义工具箱 (JSON Schema)
我们需要把 Java 方法 buyBook 和 publishBook 描述成 JSON 格式，告诉 AI：“我有这些本事，你看着用”。
在 controller 包下新建 ToolsConstant.java：
package com.example.smartbook.controller ;
public class ToolsConstant {
public static final String TOOLS_JSON = """
[
{
"type": "function",
"function": {
"name": "searchBook",
"description": "搜索二手书。当用户想买书时，必须先调用此工具查询图书ID。",
"parameters": {
"type": "object",
"properties": {
"keyword": {"type": "string", "description": "书名关键词"}
},
"required": ["keyword"]
}
}
},
{
"type": "function",
"function": {
"name": "buyBook",
"description": "购买图书。注意：调用此工具前，必须通过搜索工具获取具体的 bookId。",
"parameters": {
"type": "object",
"properties": {
"bookId": {"type": "integer", "description": "图书ID"},
"buyerName": {"type": "string", "description": "买家名字（通常是当前用户）"}
},
"required": ["bookId", "buyerName"]
}
}
}
]
""" ;
}
Prompt 技巧
注意看 buyBook 的描述：我特意强调了 “必须先搜索获取 ID” 。这能防止 AI 瞎编一个 ID 去下单。
🔌 第二步：准备 AI 客户端 (AiUtils)
发送 HTTP 请求和解析 JSON 比较繁琐。为了让你专注于逻辑，老师为你准备好了一个工具类。
请在 utils 包下新建 AiUtils.java。
(注：此处使用 Spring 6 的 RestClient，如果你用的是旧版本 Spring Boot，需替换为 RestTemplate 或 OkHttp)
复制粘贴 AiUtils 代码
由于代码较长，请直接复制课件附件中的 AiUtils.java。
核心方法说明 ：
callDeepSeek(String userMsg, String toolsJson): 发送请求给 AI。parseFunctionName(String aiResponse): 从 JSON 中提取 AI 想调用的方法名。parseFunctionArgs(String aiResponse): 从 JSON 中提取方法参数。
🎮 第三步：编写调度器 (ChatController)
这是本节的核心。我们需要编写一个“中转站”，根据 AI 的指示去调用 Service。
@RestController
@RequestMapping ( "/chat" )
@Slf4j
public class ChatController {
@Autowired private TradeService tradeService ;
@Autowired private AiUtils aiUtils ; // 刚才复制的工具类
// 模拟当前登录用户 (实际项目中应从 Session/Token 获取)
private String currentUser = "lisi" ;
@PostMapping ( "/send" )
public Result < String > chat ( @RequestBody String userMessage ) {
// 1. 构建 System Prompt (注入当前用户信息)
String systemPrompt = "你是一个二手书交易助手。当前用户是：" + currentUser + "。请帮助他买卖图书。" ;
// 2. 第一次请求 AI (带上工具箱)
String aiResponse = aiUtils . callDeepSeek ( systemPrompt , userMessage , ToolsConstant . TOOLS_JSON );
// 3. 判断 AI 是否想要调用工具 (Tool Calling)
if ( aiUtils . hasToolCall ( aiResponse )) {
String functionName = aiUtils . parseFunctionName ( aiResponse );
JsonNode args = aiUtils . parseFunctionArgs ( aiResponse );
log . info ( "🤖 AI 请求执行工具: {} | 参数: {}" , functionName , args );
String executionResult = "" ;
try {
// === 核心调度逻辑 (Switch-Case) ===
if ( "searchBook" . equals ( functionName )) {
String keyword = args . get ( "keyword" ). asText ();
var books = tradeService . searchBook ( keyword ); // 假设你在 Service 实现了这个方法
executionResult = "搜索结果: " + books . toString ();
}
else if ( "buyBook" . equals ( functionName )) {
Long bookId = args . get ( "bookId" ). asLong ();
var tx = tradeService . buyBook ( currentUser , bookId );
executionResult = "交易成功！订单ID: " + tx . getId ();
}
} catch ( Exception e ) {
executionResult = "执行失败: " + e . getMessage ();
}
// 4. 第二次请求 AI (把执行结果喂给它，让它生成最终回复)
// "我帮你查过了，结果是XXX，请你回复用户。"
String finalAnswer = aiUtils . callDeepSeekWithContext ( userMessage , executionResult );
return Result . success ( finalAnswer );
}
// 5. 如果 AI 只是普通聊天，直接返回
return Result . success ( aiUtils . parseContent ( aiResponse ));
}
}
🧪 第四步：交互式测试验证
启动 Spring Boot，使用 Postman 或浏览器插件测试。
🔍 测试用例 1：搜书 🛒 测试用例 2：买书
请求信息 (Request)
POST http://localhost:8080/chat/send
Content-Type: text/plain
"帮我看看有没有 Java 相关的书？"
预期结果 (Expectation)
* 后台日志 ：
*
AI 响应 ：
> "为您找到一本《Java编程思想》，售价 50 元。"
请求信息 (Request)
POST http://localhost:8080/chat/send
Content-Type: text/plain
"就把那本 Java 编程思想买了吧"
预期结果 (Expectation)
* 后台日志 ：
💾 数据库验证 (重要)
t_user: 李四余额减少，张三余额增加。t_book: 状态变为 SOLD。t_transaction: 新增一条交易记录。
📝 总结
恭喜你！你已经完成了一个具备 Agent 能力 的 Java 应用。
对于用户 ：他不需要知道什么是表单、什么是 ID，只要像和朋友聊天一样说话。对于开发者 ：你成功将复杂的 AI 能力“关”进了 Java 的逻辑笼子里，既利用了 AI 的灵活性，又保证了业务（事务）的严谨性。
下一步 ：
拿起你的键盘，开始完成最后的 实验 6：结课大作业