Java 开发者福音：无影 AgentBay 官方 Java SDK 正式发布，无缝集成 Spring AI 与 LangChain4j-阿里云开发者社区

本文作者：阿里云无影技术专家王磊

在 AI Agent 浪潮中，Python 和 TypeScript 凭借其敏捷性，在原型构建和快速迭代上确实走在了前列。然而，在许多企业（包括阿里内部），Java 的稳定性和成熟生态是支撑复杂业务逻辑的基石，许多核心“大脑”（业务系统）是构建在 Java 技术栈之上的。这就带来了一个现实的挑战：当这些 Java“大脑”需要 Agent“手脚”的执行力时，如何安全、高效地将两者连接起来？尤其是今年年初以 Manus 为代表的 Agent 展示了惊人的自主能力（如操作本地文件、执行代码），这在带来兴奋的同时，也让“信任”问题成为了核心焦点。

因此，“沙箱”（Sandbox）——这个用于隔离不可信代码的执行环境——成为了 Agent 领域一个日益重要的安全选项。但现实是，许多“执行层”服务（如云端沙箱）优先拥抱了脚本语言，这使得庞大的 Java 生态在接入时缺少了“开箱即用”的桥梁。基于这个背景， 无影 AgentBay 近期适配了 Java 版SDK。现在，你可以用熟悉的方式，将 Agent 的“手脚”（即安全的代码执行能力）无缝集成到现有的 Java 应用或智能体服务中。

🎉 好消息：AgentBay SDK 已在 GitHub 开源（欢迎 Star✨）！目前已全面支持 Python、TypeScript、Go 和 Java 四大主流语言。

一、 Agent “本地执行”的现实挑战

在 Java 应用中构建 Agent，最直接的方案就是在 Java 服务器本地执行 Agent 任务（比如 ProcessBuilder 调用 Python 脚本）。

在本地调试时这确实很方便，但在生产环境中，这种“方便”可能会带来一系列的现实挑战：

安全风险：核心问题是信任。我们真的能信任 LLM 动态生成的代码吗？即使 Prompt 做了严格限制，也难以完全避免潜在的风险，例如“运行时供应链攻击”——Agent 在运行时被诱导执行pip install a-malicious-package，而这个包从未出现在你的 CI 扫描中。
并发与资源瓶颈：这是 Java 后端最关心的问题。企业级应用需要并发处理。如果 100 个用户同时请求 Agent 服务，你的 Java 服务器是否要并行启动 100 个 Python 进程或浏览器实例？这不仅会迅速耗尽宿主机的 CPU 和内存，更会与你的核心 Java 业务争抢资源。
环境一致性：开发环境能跑，生产环境翻车；“我的机器没问题，同事的机器就是报错” —— Agent 对环境的依赖（如 Python 版本、Chrome 版本、系统库）只会加剧这个经典难题。

二、云端沙箱：一种“解耦”的思路

如果我们将 Agent 的“执行环境”从 Java 宿主机剥离，转移到云端沙箱会怎样？

这带来了一种可能：Java 后端（编排层）只负责“思考”和“编排”，而 AgentBay（执行层）负责“执行”和“隔离” 。这有两大好处：

首先是安全：所有不可信代码都在云端隔离的沙箱中执行，执行完毕即销毁。
其次是并发：这可能是最大的优势。Java 服务器不再承担执行负载。它只需要通过 SDK 发送任务。AgentBay 作为一个云服务，可以按需、高并发地调度成百上千的 Linux、Windows、Android 和浏览器环境 ，各自独立运行，互不干扰，完全不影响 Java 宿主机的性能和稳定。

AgentBay 提供了专为 Agent 设计的云端运行时，包含了四大场景化沙箱：

浏览器沙箱：基于 Playwright 的 Web 自动化。
代码空间：Python、JavaScript 等多语言代码执行环境。
云电脑：完整的 Linux/Windows 桌面环境。
云手机：Android 设备模拟。

三、无影 AgentBay Java SDK 快速上手

3.1 准备工作

首先，你需要一个 AgentBay API Key：

访问 AgentBay 控制台
登录你的阿里云账号
在服务管理部分创建或选择一个 API KEY
在终端中设置环境变量：

export AGENTBAY_API_KEY=your_api_key_here

3.2 Maven 依赖配置 (LangChain4j 示例)

<properties>
    <maven.compiler.source>17</maven.compiler.source>
    <maven.compiler.target>17</maven.compiler.target>
    <project.build.sourceEncoding>UTF-8</project.build.sourceEncoding>
    <langchain4j.version>0.36.2</langchain4j.version>
</properties>
<dependencies>
    <dependency>
        <groupId>com.aliyun</groupId>
        <artifactId>agentbay-sdk</artifactId>
        <version>0.14.1</version>
    </dependency>
    <dependency>
        <groupId>dev.langchain4j</groupId>
        <artifactId>langchain4j</artifactId>
        <version>${langchain4j.version}</version>
    </dependency>
    <dependency>
        <groupId>dev.langchain4j</groupId>
        <artifactId>langchain4j-open-ai</artifactId>
        <version>${langchain4j.version}</version>
    </dependency>
    <dependency>
        <groupId>org.slf4j</groupId>
        <artifactId>slf4j-simple</artifactId>
        <version>2.0.9</version>
    </dependency>
</dependencies>

3.3 第一个 Agent：在云端执行命令

我们从最简单的场景开始 —— 让 Agent 在云端执行一条命令：

import com.aliyun.agentbay.AgentBay;
import com.aliyun.agentbay.model.SessionResult;
import com.aliyun.agentbay.session.CreateSessionParams;
import com.aliyun.agentbay.session.Session;
import com.aliyun.agentbay.model.CommandResult;
public class HelloAgentBay {
    public static void main(String args) {
        String apiKey = System.getenv("AGENTBAY_API_KEY");
        AgentBay agentBay = new AgentBay(apiKey); 
        Session session = null;
        try {
            // 1. 创建一个云端会话（启动一个隔离沙箱）
            System.out.println("正在创建云端环境...");
            CreateSessionParams params = new CreateSessionParams();
            SessionResult result = agentBay.create(params); // 
            session = result.getSession();
            System.out.println("✅ 环境就绪! Session ID: " + session.getSessionId());
            // 2. 在云端执行命令
            CommandResult cmdResult = session.getCommand()
            .executeCommand("echo 'Hello from Cloud!' && date && uname -a");
            System.out.println("命令输出:");
            System.out.println(cmdResult.getOutput());
        } catch (Exception e) {
            System.err.println("出错了: " + e.getMessage());
            e.printStackTrace();
        } finally {
            // 3. 务必清理环境
            if (session!= null) {
                try {
                    agentBay.delete(session, false); // 
                    System.out.println("✅ 环境已清理");
                } catch (Exception e) {
                    e.printStackTrace();
                }
            }
        }
    }
}

四、实战（一）：将 AgentBay 接入 Spring AI (FunctionCallback 模式)

在pom.xml中添加Spring AI的相关依赖：

<project>
    <dependencyManagement>
        <dependencies>
            <dependency>
                <groupId>org.springframework.ai</groupId>
                <artifactId>spring-ai-bom</artifactId>
                <version>${spring.ai.version}</version>
                <type>pom</type>
                <scope>import</scope>
            </dependency>
        </dependencies>
    </dependencyManagement>
    <dependencies>
        <dependency>
            <groupId>org.springframework.boot</groupId>
            <artifactId>spring-boot-starter</artifactId>
        </dependency>
        <dependency>
            <groupId>org.springframework.ai</groupId>
            <artifactId>spring-ai-openai</artifactId>
        </dependency>
    </dependencies>
</project>

4.1 步骤一：创建“执行层” —— `Function` Bean

package com.example.agentdemo.service;
import com.aliyun.agentbay.AgentBay;
import com.aliyun.agentbay.model.CodeExecutionResult;
import com.aliyun.agentbay.model.SessionResult;
import com.aliyun.agentbay.session.CreateSessionParams;
import com.aliyun.agentbay.session.Session;
import com.fasterxml.jackson.annotation.JsonClassDescription;
import com.fasterxml.jackson.annotation.JsonProperty;
import com.fasterxml.jackson.annotation.JsonPropertyDescription;
import org.springframework.stereotype.Service;
import java.util.function.Function;
@Service("agentBayToolService") // 显式命名 Bean
public class AgentBayToolService implements Function<AgentBayToolService.Request, AgentBayToolService.Response> {
    private final AgentBay agentBay;
    public AgentBayToolService(AgentBay agentBay) {
        this.agentBay = agentBay;
    }
    @JsonClassDescription("在安全的云端沙箱中执行 Python 3 代码")
    public record Request(
            @JsonProperty(required = true, value = "code")
            @JsonPropertyDescription("要执行的 Python 3 代码字符串")
            String code
    ) {}
    public record Response(String result, boolean success) {}
    @Override
    public Response apply(Request request) {
        String code = request.code();
        System.out.println(">>> AgentBay (Function): 收到代码执行任务...\n" + code);
        Session session = null;
        try {
            CreateSessionParams params = new CreateSessionParams();
            params.setImageId("code_latest"); 
            SessionResult result = agentBay.create(params);
            session = result.getSession();
            System.out.println(">>> AgentBay: 沙箱环境已创建. Session ID: " + session.getSessionId());
            CodeExecutionResult execResult = session.getCode().runCode(code, "python"); 
            if (execResult.isSuccess()) {
                System.out.println(">>> AgentBay: 执行成功.");
                return new Response(execResult.getResult(), true);
            } else {
                System.err.println(">>> AgentBay: 执行失败: " + execResult.getErrorMessage());
                return new Response(execResult.getErrorMessage(), false);
            }
        } catch (Exception e) {
            e.printStackTrace();
            return new Response("SDK调用异常: " + e.getMessage(), false);
        } finally {
            if (session!= null) {
                try {
                    agentBay.delete(session, false);
                    System.out.println(">>> AgentBay: 环境已清理.");
                } catch (Exception e) {
                    e.printStackTrace();
                }
            }
        }
    }
}

4.2 步骤二：配置“编排层” —— `FunctionCallbackWrapper`

package com.example.agentdemo.config;
import com.aliyun.agentbay.AgentBay;
import com.aliyun.agentbay.exception.AgentBayException;
import com.example.agentdemo.service.AgentBayToolService;
import org.springframework.ai.chat.client.ChatClient;
import org.springframework.ai.chat.model.ChatModel;
import org.springframework.ai.model.function.FunctionCallback;
import org.springframework.ai.model.function.FunctionCallbackWrapper;
import org.springframework.context.annotation.Bean;
import org.springframework.context.annotation.Configuration;
@Configuration
public class AiConfig {
    @Bean
    public AgentBay agentBay() {
        String apiKey = System.getenv("AGENTBAY_API_KEY");
        if (apiKey == null || apiKey.isEmpty()) {
            throw new IllegalStateException("环境变量 AGENTBAY_API_KEY 未设置");
        }
        try {
            return new AgentBay(apiKey);
        } catch (AgentBayException e) {
            throw new IllegalStateException("初始化 AgentBay 失败", e);
        }
    }
    @Bean
    public FunctionCallback agentBayFunctionCallback(AgentBayToolService agentBayToolService) {
        // [6, 8]
        // 使用 FunctionCallbackWrapper 将我们的 Function Bean 包装成一个 LLM 可调用的工具
        return FunctionCallbackWrapper.builder(agentBayToolService)
              .withName("executePythonCode") // LLM 将调用这个名字
              .withDescription("在安全的云端沙箱中执行 Python 3 代码")
              .build();
    }
    @Bean
    public ChatClient chatClient(ChatModel chatModel, FunctionCallback agentBayFunctionCallback) {
        return ChatClient.builder(chatModel)
                // 显式地将函数注册到 ChatClient
              .defaultFunctions(agentBayFunctionCallback)
              .build();
    }
}

4.3 步骤三：调用 Agent

package com.example.agentdemo.service;
import org.springframework.ai.chat.client.ChatClient;
import org.springframework.stereotype.Service;
@Service
public class DataAnalysisService {
    private final ChatClient chatClient;
    public DataAnalysisService(ChatClient chatClient) {
        this.chatClient = chatClient;
    }
    public String runAnalysis(String prompt) {
        System.out.println(">>> 用户: " + prompt);
        // chatClient 会自动处理函数调用的完整流程
        String response = chatClient.prompt()
               .user(prompt)
               .call()
               .content();
        System.out.println(">>> 助手: " + response);
        return response;
    }
}

完整项目地址：https://github.com/aliyun/wuying-agentbay-sdk/tree/release/java_sdk/java/demos/spring-ai

五、实战（二）：LangChain4j 的实现范式

对于不使用 Spring 的 Java 开发者，LangChain4j 提供了另一套强大的AiService 模式。这个例子展示了如何向 Agent 提供多个工具（Python, Shell, JavaScript），LangChain4j 会根据用户的提问自动选择最合适的工具。

5.1 步骤一：定义“工具集” —— `AgentBayTools.java`

package com.example.agent;
import com.aliyun.agentbay.AgentBay;
import com.aliyun.agentbay.model.CodeExecutionResult;
import com.aliyun.agentbay.model.CommandResult;
import com.aliyun.agentbay.session.Session;
import dev.langchain4j.agent.tool.Tool;
public class AgentBayTools {
    private final AgentBay agentBay;
    public AgentBayTools(String apiKey) {
        //... 构造函数...
    }
    @Tool("在安全的云端沙箱中执行 Python 3 代码。") 
    public String executePythonCode(String code) {
        System.out.println(">>> AgentBay (LangChain4j): 收到代码执行任务...");
        Session session = null;
        try {
            //... (与 Spring 示例中的 apply 方法体相同)
            //... session create, runCode, delete...
            return "执行成功，输出:\n...";
        } catch (Exception e) {
            return "SDK调用异常: " + e.getMessage();
        } finally {
            //... (严谨的 session delete)
        }
    }
    @Tool("在云端 Linux 环境中执行 Shell 命令。")
    public String executeShellCommand(String command) {
        //... (同上)
    }
    
    @Tool("在云端环境中执行 JavaScript (Node.js) 代码。")
    public String executeJavaScriptCode(String code) {
        //... (同上, 但使用 "javascript") 
    }
}

5.2 步骤二：定义“编排层” —— `DataAnalysisAgent.java`

我们使用 AiService 接口来定义 Agent 的角色和能力。

package com.example.agent;
import dev.langchain4j.service.SystemMessage;
import dev.langchain4j.service.UserMessage;
public interface DataAnalysisAgent {
    @SystemMessage("""
            你是一个专业的数据分析助手。
            你可以使用以下工具：
            - executePythonCode: 执行 Python 代码
            - executeShellCommand: 执行 Shell 命令
            - executeJavaScriptCode: 执行 JavaScript 代码
            请根据用户的需求选择合适的工具来完成任务。
            """)
    String analyze(@UserMessage String query);
}

5.3 步骤三：组装并运行 Agent —— `AgentBayDemo.java`

package com.example.agent;
import dev.langchain4j.model.chat.ChatLanguageModel;
import dev.langchain4j.model.openai.OpenAiChatModel;
import dev.langchain4j.service.AiServices;
public class AgentBayDemo {
    public static void main(String[] args) {
        String agentbayApiKey = System.getenv("AGENTBAY_API_KEY");
        String openaiApiKey = System.getenv("OPENAI_API_KEY");
        //... (省略了对 API Key 的空值检查)
        ChatLanguageModel chatModel = OpenAiChatModel.builder()
             .apiKey(openaiApiKey).modelName("gpt-4").build();
        AgentBayTools tools = new AgentBayTools(agentbayApiKey);
        DataAnalysisAgent agent = AiServices.builder(DataAnalysisAgent.class)
             .chatLanguageModel(chatModel)
             .tools(tools) // 注入工具
             .build();
        // --- 示例 1: 触发 Python 工具 ---
        String query1 = "帮我用 Python 计算 1000 以内所有质数的和";
        agent.analyze(query1);
        
        // --- 示例 2: 触发 Shell 工具 ---
        String query2 = "在云端环境中，创建一个文本文件 info.txt，写入当前日期";
        agent.analyze(query2);
    }
}

完整项目地址：https://github.com/aliyun/wuying-agentbay-sdk/tree/release/java_sdk/java/demos/langchain-4j

说明：如果需要使用ChatModel需要配置Open AI的API Key。

六、超越“执行”：Agent 的“记忆”与“协作”

一个 Agent 的价值不止在于“执行”，还在于“记忆” 。LLM 本身是无状态的，但 AgentBay 的 Context 机制提供了一种“物理记忆”——一个可持久化的云端文件系统 。

场景一: Context 的基本使用

// (伪代码，展示 Context 用法)
public void reviewCodeWithPersistence(String workspaceId) throws Exception {
    
    // 1. 获取或创建一个持久化的 Context 
    ContextResult contextResult = agentBay.getContext().get(workspaceId, true, "cn-hangzhou");
    Context workspaceContext = contextResult.getContext();
    // 2. 创建会话时绑定 Context，实现数据持久化
    CreateSessionParams params = new CreateSessionParams();
    ContextSync sync = ContextSync.create(
        workspaceContext.getId(),
        "/workspace",  // 云端工作目录
        SyncPolicy.defaultPolicy()
    );
    params.setContextSyncs(Arrays.asList(sync));
    Session session = agentBay.create(params).getSession();
    try {
        // 3. Agent 在 /workspace 目录下读写文件
        boolean hasHistory = session.getFileSystem().exists("/workspace/review_log.txt");
        session.getCommand().executeCommand(
            "echo '...新审查结果...' >> /workspace/review_log.txt"
        );
    } finally {
        // 4. 删除会话时，syncContext=true 会把 /workspace 的所有变更
        //    同步回持久化的 Context 中，下次可继续使用。
        agentBay.delete(session, true); // 
        System.out.println("会话已结束，数据已持久化");
    }
}

场景二：多 Agent 协作 (Multi-Agent Collaboration)

Context 机制也为多 Agent 协作提供了“共享工作区” 。

Planner Agent 启动，挂载 Context: "project-xyz"。它执行 echo 'Task 1:...' > plan.md，同步并终止。
Coder Agent 启动，挂载同一个 Context: "project-xyz"。它读取 plan.md，编写代码 app.py，同步并终止。
Tester Agent 启动，挂载同一个 Context: "project-xyz"。它读取 app.py，执行并写入 test_results.log。

通过上述实践，我们可以清晰地看到：Java 并非 AI Agent 时代的“旁观者”，而是凭借其深厚的工程底蕴与成熟的生态体系，正稳步转型为智能体架构中值得信赖的“指挥中枢”。无影 AgentBay 的 Java SDK 不仅弥合了 Java 生态在安全执行能力上的缺口，更通过云端沙箱、持久化 Context 以及多语言工具集成，让 Java 应用也能安全、高效地调用 Agent 的“手脚”——以企业级所需的可靠性、可扩展性和高并发能力，无缝融入 AI 原生的新范式。

Java 开发者福音：无影 AgentBay 官方 Java SDK 正式发布，无缝集成 Spring AI 与 LangChain4j

一、 Agent “本地执行”的现实挑战

二、云端沙箱：一种“解耦”的思路

三、无影 AgentBay Java SDK 快速上手

3.1 准备工作

3.2 Maven 依赖配置 (LangChain4j 示例)

3.3 第一个 Agent：在云端执行命令

四、实战（一）：将 AgentBay 接入 Spring AI (FunctionCallback 模式)

4.1 步骤一：创建“执行层” —— `Function` Bean

4.2 步骤二：配置“编排层” —— `FunctionCallbackWrapper`

4.3 步骤三：调用 Agent

五、实战（二）：LangChain4j 的实现范式

5.1 步骤一：定义“工具集” —— `AgentBayTools.java`

5.2 步骤二：定义“编排层” —— `DataAnalysisAgent.java`

5.3 步骤三：组装并运行 Agent —— `AgentBayDemo.java`

六、超越“执行”：Agent 的“记忆”与“协作”

相关链接

系列文章

无影

热门文章

最新文章

相关电子书

Java 开发者福音：无影 AgentBay 官方 Java SDK 正式发布，无缝集成 Spring AI 与 LangChain4j

一、 Agent “本地执行”的现实挑战﻿

二、 云端沙箱：一种“解耦”的思路﻿

三、无影 AgentBay Java SDK 快速上手﻿

3.1 准备工作﻿

3.2 Maven 依赖配置 (LangChain4j 示例)

3.3 第一个 Agent：在云端执行命令﻿

四、实战（一）：将 AgentBay 接入 Spring AI (FunctionCallback 模式)

4.1 步骤一：创建“执行层” —— Function Bean﻿

4.2 步骤二：配置“编排层” —— FunctionCallbackWrapper﻿﻿

4.3 步骤三：调用 Agent

五、实战（二）：LangChain4j 的实现范式

5.1 步骤一：定义“工具集” —— AgentBayTools.java﻿

5.2 步骤二：定义“编排层” —— DataAnalysisAgent.java﻿﻿

5.3 步骤三：组装并运行 Agent —— AgentBayDemo.java﻿

六、超越“执行”：Agent 的“记忆”与“协作”﻿

相关链接

系列文章

无影

热门文章

最新文章

相关电子书

一、 Agent “本地执行”的现实挑战

二、云端沙箱：一种“解耦”的思路

三、无影 AgentBay Java SDK 快速上手

3.1 准备工作

3.3 第一个 Agent：在云端执行命令

4.1 步骤一：创建“执行层” —— `Function` Bean

4.2 步骤二：配置“编排层” —— `FunctionCallbackWrapper`

5.1 步骤一：定义“工具集” —— `AgentBayTools.java`

5.2 步骤二：定义“编排层” —— `DataAnalysisAgent.java`

5.3 步骤三：组装并运行 Agent —— `AgentBayDemo.java`

六、超越“执行”：Agent 的“记忆”与“协作”