近年来AI智能体技术发展非常之快，目前智能体已经大量应用于各个行业，与每个人息息相关；从去年刚开始的 function_calling、Prompt 到单智能体到最新的多智能体，从刚开始只能进行实现简单问答式、单一的调用外部工具、MCP、RAG 到 多智能体自主推理 → 执行计划 → 执行工具 → 观察结果 → 再推理的ReAct 循环；2026年已推出Harness，上下文管理、工作区、记忆、读写本地文件、沙箱等功能。为了适应未来AI技术的发展，我对AI智能体开发技术进行了调研，并将调研结果分享出来，希望对准备入门AI智能体开发的小伙伴有所帮助。

1、本文中的源码

本文中的工程源码已开源至Gitee代码仓库，地址为：

https://gitee.com/duyanjun/agent-harness-demo.git

2、AI智能体开发技术调研总结系列文章：

（一）、AI智能体开发技术调研总结

（二）、AI智能体开发技术调研总结 - 自定义 MCP 服务

一、AI智能体需求

通过一个对话页面，实现智能体具备ReAct 循环（推理 → 执行计划 → 执行工具 → 观察结果 → 再推理），在对话页展示「思考 / 推理 / 执行计划 / 执行工具 / 观察结果」+ 最终回答 以及 展示总耗时与 Token 消耗；智能体具备上下文管理、工作区、记忆、读写本地文件、沙箱等功能。

用户通过对画页面发起对话请求时，先从本地RAG进行检索，检索到后返回结果；如果没有检索到再与LLM（大模型）进行交互。当需要读写未授权的目录下的文件时，需要与操作人员进行确认后再执行，先放效果图：

1）、输入问题：对于智能体开发框架，AgentScope-java 与 Spring ai alibaba的优势和劣势分别是什么，帮我输出一份技术比对方案，当推理完成后并准备输出文件时与人工进行确认是否授权输出文件

2）、人工确认：同意后如下图所示

二、AI智能体开发技术框架对比

Spring Ai alibaba
| Spring AI Alibaba |
1、单智能体：可以调用工具
2、多智能体：适用于固定流程编排，无法实现自行理解、推理、决策、行动多智能体的自主决策
3、Java智能体框架
4、后期计划要并入到AgentScope项目中

|
| --- | --- | --- | --- |
| 2 |
AgentScope 2.0
| AgentScope — Where Agents Come Alive |
1、生产就绪定位，2.0.x 快速迭代，官方建议迁移；Python/Java/TypeScript 三语并进
2、Python版的SDK
2、单智能体
3、多智能体

|
| --- | --- | --- | --- |
| 3 |
AgentScope-Java
| AgentScope Java v2 - AgentScope Java |
1、AgentScope Harness：在Spring boot应用中嵌入SDK
2、AgentScope 服务：独立部署服务
Agent 注册 · 托管 · 编排（Team / Workflow）· 发布 Endpoint
统一调用 API · SSE 事件流 · Managed Agent API
调用方：其他业务系统 / 前端 / 其他 Agent 平台

|
| --- | --- | --- | --- |
| 4 |
LangChain
| LangChain: the open agent platform to own your intelligence |
1、LangChain 是框架层（怎么快速把 Agent 写出来）单智能本，对应Java技术栈的Spring AI Alibaba
2、解决"怎么快速写出一个 Agent"
3、标准工具调用 Agent（客服、查询助手、内部知识问答）、一次性 RAG 流水线（检索→增强→生成，不回头）、快速原型和 POC、需要频繁换模型对比效果的场景。

|
| --- | --- | --- | --- |
| 5 |
LangGraph
| LangGraph: Agent Orchestration Framework for Reliable AI Agents |
1、LangGraph 是编排运行时（怎么让 Agent 在生产里可靠地跑）多智能体，对应Java技术栈的Spring AI Alibaba Graph
2、 解决"怎么让 Agent 在生产里可靠地跑"
3、长时任务（跑几十分钟到几天的流程）、有审批关卡的业务流程（你要的"数据审批"就是典型）、多智能体系统、需要精确控制每一步且要可审计合规的行业流程。

|
| --- | --- | --- | --- |
| 6 |
DeepSeek Harness
| DeepSeek Harness｜共探智能上限 |
1、一切皆插件" 的 agent 执行脚手架（Agent = Model + Harness 范式），模型、工具、沙箱、存储、Agent Loop、UI 全部可在配置里替换GitHubDeepSeek
2、明确 developer preview，官方声明将有破坏性变更；未完成安全审计
3、 Docker 沙箱 + 明确工具契约，但官方声明"未经安全审计、不可当生产"；社区通报高危 CVE-2026-82533（9.4 分）
4、仅支持Python

|
| --- | --- | --- | --- |
| 7 |
Jev
| |
1、Jev 是 TypeSafe AI 发布的 System One 决策模型——输入一段待判断材料（下文简称 state）和预定义问题，输出可直接被程序使用的结构化判断与概率，但不生成自由文本。
2、快速、直觉、低消耗的判断
3、最擅长：识别、分流、打分、拦截
4、把应用里那些本来只能靠 if-else、规则引擎，或者硬塞给大模型的离散判断，单独抽成一层原生能力

|
| --- | --- | --- | --- |

三、AI智能体开发技术栈

1、AI智能体开发技术栈

本文中使用Java技术栈，本例需求是要开发多智能体，且智能体需要自主ReAct 循环（推理 → 执行计划 → 执行工具 → 观察结果 → 再推理），所以智能体框架选中AgentScope-java中的AgentScope Harness；LLM选用的是通义千问大模型qwen-plus，向量模型选用的是qwen3.7-text-embedding。

由 Spring Boot 4.0.4 托管，与 AgentScope 声明的 2025.0.2 同代

|
| --- | --- | --- | --- |

2、Milvus向量库安装

如果不启用本地RAG检索，可以不用执行Milvus向量库安装，可以直接进入【四、AI智能体工程构建】步骤

1）、本次安装采用Docker-compose，所以要求先安装Docker、Docker-compose环境，我本机是Windows环境，需要安装Docker Desktop才能进行下面步骤；

2）、创建docker-compose.yml

在本地D:\work\docker\milvus目录下创建docker-compose.yml，内容如下：

services:
  etcd:
    container_name: milvus-etcd
    image: quay.io/coreos/etcd:v3.5.18
    environment:
      - ETCD_AUTO_COMPACTION_MODE=revision
      - ETCD_AUTO_COMPACTION_RETENTION=1000
      - ETCD_QUOTA_BACKEND_BYTES=4294967296
      - ETCD_SNAPSHOT_COUNT=50000
    volumes:
      - ${
   DOCKER_VOLUME_DIRECTORY:-.}/volumes/etcd:/etcd
    command: etcd -advertise-client-urls=http://etcd:2379 -listen-client-urls http://0.0.0.0:2379 --data-dir /etcd
    healthcheck:
      test: ["CMD", "etcdctl", "endpoint", "health"]
      interval: 30s
      timeout: 20s
      retries: 3
minio:
container_name: milvus-minio
image: minio/minio:RELEASE.2024-05-28T17-19-04Z
environment:
MINIO_ACCESS_KEY: minioadmin
MINIO_SECRET_KEY: minioadmin
ports:
- "9001:9001"
- "9000:9000"
volumes:
- ${
   DOCKER_VOLUME_DIRECTORY:-.}/volumes/minio:/minio_data
command: minio server /minio_data --console-address ":9001"
healthcheck:
test: ["CMD", "curl", "-f", "http://localhost:9000/minio/health/live"]
interval: 30s
timeout: 20s
retries: 3
standalone:
container_name: milvus-standalone
image: milvusdb/milvus:v2.5.15
command: ["milvus", "run", "standalone"]
security_opt:
- seccomp:unconfined
environment:
MINIO_REGION: us-east-1
ETCD_ENDPOINTS: etcd:2379
MINIO_ADDRESS: minio:9000
volumes:
- ${
   DOCKER_VOLUME_DIRECTORY:-.}/volumes/milvus:/var/lib/milvus
healthcheck:
test: ["CMD", "curl", "-f", "http://localhost:9091/healthz"]
interval: 30s
start_period: 90s
timeout: 20s
retries: 3
ports:
- "19530:19530"
- "9091:9091"
depends_on:
- "etcd"
- "minio"
networks:
default:
name: milvus

3）、执行安装命令

C:\Users\dyj09>d:
D:>cd D:\work\docker\milvus
D:\work\docker\milvus>docker compose up -d

确认启动成功后，用客户端连接Milvus

4）、安装可视化客户端Attu

https://github.com/zilliztech/attu/releases/download/v2.5.12/attu-Setup-2.5.12.exe

四、AI智能体工程构建

工程基于 AgentScope Java 2.0.4 的 agentscope-harness 构建的智能体应用示例。
整体框架采用 Spring Boot（WebFlux）+ 内嵌 Vue：Vue 页面直接放在 Spring Boot 的 resources/static 下，不需要单独的前端工程、不需要 Node 构建。采用WebFlux是因为智能体需要采用流式方式向前端页面流式返回数据，前端页面对流式数据进行拼接后进行解析。

1、下载源码

git clone https://gitee.com/duyanjun/agent-harness-demo.git

2、修改参数

1)、修改LLM(agent.dashscope.api-key)、向量模型API_KEY(agent.rag.embedding.api-key)，这个大家可以自己申请阿里千问或deepseek的apikey都可以

2）、本地RAG向量检索

如果本地已部署好Milvus向量数据库，则按下图进行修改本地RAG配置

3）、初始化向量库

初始化向量库时将rag.force-geingest参数改为true，表示服务启动时会将src\reources\DAMA国际数据管理知识体系指南（第二版）-2022.pdf 文件进行切片并向量化后，将向量数据批量插入Milvus向量数据库中；

初始化向量库完成后将rag.force-geingest参数改为false，表示服务启动后将不会再次对src\reources\DAMA国际数据管理知识体系指南（第二版）-2022.pdf 文件的向量数据初始化到Milvus向量数据库；

3、启动服务

1）、启动src\main\java\cn.tyzwkj.ai.agentharness.AgentHarnessApplication.java

2）、启动成功后访问http://localhost:8080

五、验证

1、根据用户输入的问题输出一个文件

输入问题：对于智能体开发框架，AgentScope-java 与 Spring ai alibaba的优势和劣势分别是什么，帮我输出一分技术比对方案

完成后文档输出至：workspace/alice/output/2026-10-14-技术比对方案.md

2、检索本地RAG

输入问题：数据管理成熟度如何评估？

智能体思考后优先从本地RAG(retrieve_knowledge工具)执行检索，结果如下

以上就是本次对于智能体开发技术分享的全部内容。