上周三夜里,一个写了 6 年 Java 的老哥在群里甩了张截图:学习清单上躺着 Spring AI、LangChain4j、Dify、LangGraph、Coze 五个名字,每个后面都标着「待学」,收藏夹还压着 20 多 G 的教程。他问了一句:我到底该先学哪个?再拖下去,今年感觉又要过去了。底下十几个人回「我也是」。我特别懂这种卡住的感觉——不是不肯努力,是选项太多,每一个看起来都该学,于是哪一个都没真正开始。
一、卡住你的不是框架,是「怕选错」
先把一个事实摆出来。2026 年的招聘口径,已经从「造大模型」切到了「用大模型」:底层预训练岗位在缩量,应用层、交付层、业务层的岗位在往上冒,而且不少岗位本科就能投,更看重工程能力和项目经验,而不是论文。多份岗位指南给出的分层结论很一致——离模型远的应用开发岗数量多、转行友好度高,是 Java 人切进去更现实的入口。换句话说,方向其实没那么模糊。
真正让人焦虑的,是工具迭代的速度。就在这个 11 月,有 changelog 站点统计了 240 个 Agent 框架与工具,7 天里发了 724 次版本更新:Claude Code 上了实验性的 Code Mode,让模型自己写 JS 去调工具;OpenAI Codex CLI 加了云端会话归档;Spring AI 2.0 把 MCP 做成了一等公民;LangChain 统一了模型拒答的内容块;n8n、Dify、LangGraph 也在密集发版。你刚记住一个 API,它已经变了两个版本。这种时候,「我该学哪个」几乎必然变成「我是不是又选错了」。
但这里有个容易被忽略的反转:企业招人时,并不指望你把所有框架都用过。招聘方反复强调的一句话是——缺的不是会调 API 的人,是能把大模型稳定接进生产系统的人。会调 API,一周能带出来一批;能把并发、限流、兜底、成本、可观测一整套扛住的人,才是稀缺的。而后面这套,恰恰是你写了几年 Java 天天在干的事。
框架会过时,你把需求拆成接口、把不确定性兜进系统里的能力不会。
二、先别急着比 API,问自己 3 个问题
我后来给那位老哥回了一句:先别打开任何教程,拿张纸回答 3 个问题,答案出来,框架基本就定了。这 3 个问题不比参数、不比 Star 数,只比你的处境。
▪︎ 问题 1:你要进的是哪一层?算法层要数学、论文和复现能力;应用层要的是把模型能力嵌进业务系统;交付层偏私有化部署与联调。写了几年 Java 的人,务实答案几乎都落在应用层——这一层拼的是工程化,不是推导。
▪︎ 问题 2:你手上或目标项目跑在什么栈上?已经是 Spring Boot 生态,还是 Quarkus / Helidon / Micronaut / 纯 Java?这一问直接决定框架:贴着 Spring 走和框架无关,是两条不同的路。
▪︎ 问题 3:你要一个「能跑起来的 demo」,还是一个「能上生产的服务」?前者拼调用速度,后者拼流式输出、并发、限流熔断、成本控制、评测与监控。想清楚这个,才知道该学到多深。
给你一个今晚就能做的动作:把这 3 个答案各写一句话,贴在项目 README 顶部。写完你会发现,五个待学框架里,有两个当场就能从清单上划掉——不是它们不好,是它们解决的不是你当下这个问题。
三、Spring AI 和 LangChain4j,一张表看清分水岭
这两个框架不是「谁替代谁」,而是抽象层级与生态绑定的取舍。11 月几篇选型复盘和一个刚开源的对照仓库(Java AI Cookbook,MIT 协议,把 RAG、Agent、MCP、工具调用、结构化输出、评测这些模式在两个框架里各实现一遍,一个目录一条命令跑通)给出的判断相当一致。我把关键差异压成一张表:
| | |
|---|
| 深度贴合 Spring Boot 4,自动配置、属性驱动 | 框架无关,Quarkus / Helidon / Micronaut / 纯 Java 都能用 |
| 2.0 起一等公民:Boot Starter、@McpTool 注解暴露 Bean、STDIO/SSE/Streamable-HTTP | 支持,但要手动接线,缺注解驱动的 server 模型 |
| 开箱集成 Micrometer、Actuator,token / 延迟 / 错误率直接出指标 | |
| 结构化的文档管道 + Advisors API,RAG 实现很省事 | |
| | |
| | |
| | |
把表读成一句决策口诀:项目已经在 Spring Boot 4 上、要用 MCP 把现有 Bean 暴露成工具、需要开箱可观测,选 Spring AI;跑在别的 JVM 框架上、要动态切换多家模型、或者在做跨框架的类库与通用平台,选 LangChain4j。有个细节值得抄下来:那位两个原型都做过的开发者后来选了 Spring AI,理由特别朴素——项目本来就在 Boot 4,自动配置省下的时间是实打实的;但他同时提醒,真正容易翻车的不是二选一选错,而是同一个项目里两个都用,抽象叠两层,谁都不服谁。
选型不是选「更好的那个」,是选「和你现有系统摩擦更小的那个」。
四、把 6 年 Java 老本行平移过去,才是你的护城河
很多人转 AI 时下意识把自己归零,从 Python 语法重新学起,结果学了两个月还在写脚本。更省力的走法,是把已有能力一一映射到 AI 应用里,只补中间那一小块。这张映射表建议你存下来:
| | |
|---|
| | ChatClient / AI Services 的配置写法 |
| | |
| | |
| MyBatis / JPA / Elasticsearch | | Embedding、BM25+向量、Rerank(Top50→Top5) |
| | |
| 日志 / Prometheus / Grafana | | |
看清楚这张表,焦虑会下来一截:你要补的不是一整套新体系,而是每行右列那一小块。比如混合检索这一格,具体动作是——文档按语义切块并设重叠窗口,避免上下文被切断;检索时关键词 BM25 与向量检索并行,解决专有名词匹配不准;初筛 Top 50 后用 Rerank 模型精排到 Top 5。这三步里,切块、并发、缓存、超时全是 Java 老活儿,新的只有 Embedding 和重排序模型本身。企业为什么愿意要 Java 转过来的人?因为面试官高频问的正是这些:RAG 为什么比直接调 API 好、检索效果怎么评测、Agent 卡在循环里怎么兜底、幻觉在业务里怎么控、成本与延迟怎么权衡。
▪︎ 今晚就做:给现有的一个 Spring Boot 项目加一个 /chat 接口,先跑通一次非流式对话。
▪︎ 本周做:把接口改成流式输出,加线程池与限流,记录每个请求的 token 与耗时。
▪︎ 两周内做:接一个本地 Ollama 模型 + 一个向量库,做出能溯源的文档问答,把「答非所问」的 3 个案例记下来当面试素材。
▪︎ 简历写法:把「优化了 RAG」改成「检索命中率从 X 提到 Y」这种可量化句式,附 GitHub 或在线 Demo 链接,别只写工具名。
五、30 天,从「看过文档」到「能写出来」
给一条压缩过的路径,专门给不想啃论文、只想尽快产出的 Java 人。网上常见的 90 天计划对在职的人来说太长,这里把重心全压在工程落地上,30 天分四段:
| | |
|---|
| 模型 API + Prompt 工程;Spring Boot 加 /chat 并改流式 | |
| 文档切块、Embedding、向量库、混合检索 + Rerank | |
| Function Calling / @McpTool 把现有 Java 方法暴露成工具;结构化输出 | |
| 评测集、Prompt 回归、成本与延迟监控;改简历、刷面经、投递 | |
有个捷径值得用:前文那个 Java AI Cookbook 把同一模式在 Spring AI 和 LangChain4j 里各写一遍,示例带测试、模型接入支持 OpenAI / Anthropic / 本地 Ollama,换模型只改一个环境变量。拿它当「从看过文档到能写出来」的跳板,比自己从零搭脚手架省下大量时间。面试准备也别泛泛刷,围绕五个高频问答各写一段自己的答案:RAG 为何优于直接调 API、检索怎么评测、Agent 死循环怎么兜底、幻觉怎么控、什么场景选 Dify 什么场景写代码。面试官怕的是「调包侠」——工具名报一堆,问为什么这么调就答不上来;你要展示的恰恰是「为什么」,而这正是工程经验给的底气。
六、回到那张截图
那位老哥后来关掉了四个标签页,只留了一个。他没去追新发的框架,而是给手上一个跑了三年的 Spring Boot 系统加了个文档问答模块,两周后拿去面了个 AI 应用岗,聊的全是切块、并发、兜底和成本——这些他本来就熟。他后来说了句挺有意思的话:原来我不是要学五个框架,是要先想清楚自己那套系统缺哪一块。
所以「Java 转 AI 先学哪个框架」这个问题,答案可能和你预期的不太一样:先回答那 3 个问题,框架会自己浮出来;剩下的,是把你已经在做的事,再往前挪半步。