小編精選 - 技術文章翻譯 · 03月26日

推薦幾個厲害的 AI Agent 專案

大家好，我是蘇三，又和大家見面了。

前言

最近我花了大量時間在 4 個 AI 專案上，包含：LLM、Spring AI、Spring AI Alibaba、RAG、Function Calling、向量資料庫、向量檢索、MCP 等最新的 AI 技術。

今天來介紹一下這些專案，有興趣的朋友可以一起學習，嘎嘎香。

想學 AI 專案實戰，或是最近在找工作的朋友千萬不要錯過。

當然下面介紹的不只 AI 專案，還有分散式、微服務、高併發、海量資料、畢業設計、程式碼產生器等各種內容，總有幾個適合你。

智能程式碼審查 AI Agent

專案描述

程式碼審查 AI Agent（CodeGuardian AI）是一個面向企業與團隊的智慧程式碼審查 Agent。

它將傳統靜態分析與大型語言模型（LLM）深度結合，提供多語言、多維度、高上下文感知的程式碼問題識別與修復建議。

透過與 Git 倉庫、CI/CD 流水線的無縫整合，專案在開發、提交、發布前審計等關鍵環節提供可稽核、可落地的審查能力與專業報告。

核心功能

多範圍審查：支援專案/目錄/檔案/程式碼片段/Git 專案審查，適配不同開發階段與場景。
深度分析（AI+規則）：LLM 結合規則引擎（PMD/Checkstyle/SpotBugs/Semgrep），既有上下文推理又有規範落地。
RAG 增強：基於程式碼庫與知識庫的檢索增強生成（混合：BM25 + 向量檢索 + 重排），提供相似問題與修復範例。
Function Calling（函式呼叫）：以結構化工具呼叫驅動本地分析器與解析器（JavaParser/Semgrep），強制輸出嚴格 JSON 結果（Finding/Report）。
專業報告：生成 HTML/Markdown/PDF 報告，包含問題分布、嚴重等級統計、位置與 Diff、可執行建議。
歷史與檢索：審查記錄留存、分頁與查詢（名稱/範圍/時間）、二次檢索與複盤。
規範與規則：內建阿里/Google/Airbnb/PEP8 規範範本，支援自訂規範（名稱+要點）、權重調優。
Git 整合：支援 Git 位址設定（帳號與令牌），拉取並增量分析模組級問題。
CI/CD 整合：REST API 與 Webhook，在 PR/MR、建構、發布前自動觸發審查與阻斷策略。
安全與合規：敏感資訊脫敏、憑證僅會話態、稽核日誌與鏈路追蹤。

技術棧

語言與框架：Java 21、Spring Boot 3.x、Spring Web（REST）
解析與規則：JavaParser、Semgrep、PMD、Checkstyle、SpotBugs、Tree-sitter（可選）
AI 接入：Spring AI；RAG（Embedding + 向量庫 + BM25）
資料與儲存：PostgreSQL（任務/結果）、Redis（快取）、MinIO（物件儲存/大報告）
檢索與向量：ElasticSearch/pgvector/VectorDB（可選，混合檢索）
併發與事件：Java 21 虛擬執行緒（Loom）、Redis Streams（事件總線，可選）
建置與部署：Maven、Docker
觀測與日誌：Grafana/ELK、SLF4J + Logback
測試：JUnit 5

技術亮點

可演進的單體 + 事件驅動：以模組化單體起步，內部事件總線組織審查管線，平滑演進為微服務。
虛擬執行緒併發：利用 Java 21 Loom 顯著提升多檔案/多模組並行分析吞吐。
混合檢索與重排：BM25 + 向量檢索 + 重排，使上下文更精準、建議更可靠。
工具函式呼叫：LLM 與本地分析器協作，既智能又可落地，輸出嚴格結構化結果。

系統架構圖：智能審查系統架構圖
部分頁面截圖：

更多專案實作在專案實作網：java突擊隊

智能天氣播報 AI Agent

核心功能

天氣資料取得：即時取得天氣資訊
智能播報：以自然語言播報天氣
穿搭建議：根據天氣推薦穿衣搭配
出行建議：基於天氣條件的出行建議
語音播報：支援語音播報功能

技術棧

核心框架：

Spring Boot 3.x
Spring AI Alibaba Starter

AI 服務：

通義千問（天氣解讀）
阿里雲語音合成

第三方 API：

聚合數據 API

資料儲存：

Redis（天氣資料快取）

智能翻譯助手 AI Agent

核心功能

文字翻譯：支援中/英/日/韓等多語互譯
文件翻譯：PDF、Word、Excel 文件智能翻譯
即時對話翻譯：聊天場景的即時翻譯
術語庫管理：專業術語的客製化翻譯
翻譯品質評估：自動評估翻譯準確度
會員點數付費功能

技術棧

核心框架：

Spring Boot 3.x
Spring AI Starter
Elasticsearch
MinIO

AI 服務：

通義千問（文字理解與優化）
RAG（檢索增強生成）

資料儲存：

MySQL（翻譯記錄）
Redis（快取）

前端：

Thymeleaf
Bootstrap（UI 框架）
JavaScript ES6+
WebSocket

系統架構圖：
部分頁面截圖：

這個專案是一個完整的 AI 商業應用，包含完整的會員開通、下單、支付、獲取點數、消耗點數、續費等功能。

4. 智能商品推薦 AI Agent 系統

專案描述

智能推薦與交易助手（Smart Recommendation Assistant） 是面向電商/零售團隊的對話式導購與交易協同系統。

它將 RAG（檢索增強生成） 與 Function Calling（函式呼叫） 深度結合，把「問商品→選商品→加入購物車→修改數量→下單→查訂單→取消訂單→看詳情」的流程集中到一個對話入口，既能給出可解釋的推薦理由，也能直接執行可落地的商業操作。

專案支援與現有商品/購物車/訂單服務無縫整合（Feign + Gateway），並提供會話歷史儲存與頁面級互動（訂單卡片、購物車卡片、訂單確認卡片等），更適合真實業務場景的接入與演進。

核心功能

智能推薦（RAG）：結合向量檢索增強上下文，輸出場景化、可解釋的推薦結果與比較建議
對話式購物車操作（Function Calling）：支援加入購物車、修改數量、刪除商品、查看購物車，支援「第幾個/商品 ID/項目 ID」等多種輸入方式
對話式下單：支援從購物車「已選商品」發起訂單確認與下單，並在對話中回饋結果
對話式查詢訂單（多關鍵字條件）：支援在對話中拉起訂單列表，並用多個關鍵字組合篩選（訂單號/商品名/狀態等）
對話式取消訂單：支援在對話中「取消訂單 + 訂單號」，以及訂單卡片一鍵取消
訂單列表與詳情頁：訂單卡片展示狀態、金額、時間、商品資訊，支援跳轉訂單詳情
歷史會話與快照：儲存聊天記錄與關鍵 UI 快照（訂單列表/購物車/確認單），支援恢復會話上下文

技術棧

語言與框架：Java 21、Spring Boot 3.x、Spring Web（REST）、Thymeleaf
AI 接入：Spring AI（Chat + Tools/Function Calling）、Embedding（嵌入向量）
檢索與向量庫：PostgreSQL + pgvector（向量儲存），支援初始化 schema/擴展
服務整合：Spring Cloud OpenFeign、Gateway 透傳設定
資料與儲存：PostgreSQL（向量庫/結構化資料）、Redis（快取/會話相關能力）、MongoDB（聊天歷史與快照）
建置與測試：Maven、JUnit 5
日誌與觀測：SLF4J + Logback（按需擴充鏈路追蹤與指標）

技術亮點

RAG + 工具呼叫的組合範式：對「需要推理的內容」走 RAG，對「需要真實資料與執行動作」走 Function Calling，減少幻覺並提升可落地性
對話即工作流程：把購物車、訂單確認、訂單列表等「中間狀態」以卡片形式嵌入對話，減少頁面跳轉與流程斷點
多關鍵字查詢的穩定互動：支援空格/逗號等分隔的多關鍵字篩選，面向真實使用者的表達習慣
外部服務適配與相容：對接訂單/購物車等服務時，支援多種請求體與欄位相容策略，降低接入成本
會話快照與降級兜底：儲存會話歷史與關鍵渲染資料，服務波動時盡量保證「使用者看到的內容不遺失」

部分功能截圖：

更多專案實作在專案實作網：java突擊隊

5. 100 萬 QPS 短連系統

使用技術：JDK21、SpringBoot3.5.3、JPA、Redis、布隆過濾器（Bloom Filter）、Sentinel、Nacos、Redisson、ShardingSphere、HikariCP、Guava、Prometheus、AlertManager、Grafana、ELK 等。

這個系統具有超高併發，涵蓋內容相當複雜。

目前設計了 32 個資料庫，每個資料庫包含 256 張表。

每天可支援 2.6 億以上的資料寫入。

在履歷中加入短連系統經驗，面試機會會大幅提升：

100 萬 QPS 短連系統架構圖如下：

該系統的亮點有：

使用最新的 JDK21 與 SpringBoot3.5.3
100 萬 QPS 的超高併發請求
資料庫分庫分表設計
多級布隆過濾器設計
限流與熔斷的使用
Redis 分片叢集
改良後的雪花演算法
Redis 分散式鎖的使用
Redis Stream 的使用
多級快取設計
多執行緒處理
完整的單元測試覆蓋
使用 Prometheus 對專案即時監控
使用 Grafana 建立監控儀表板
使用 AlertManager 實現自動告警功能
串接釘釘告警
基於時間片的布隆過濾器
系統平滑 8 倍擴容
基於 Docker 的容器化部署
支援多種短連生成演算法
API 幂等性設計
資料雙寫機制
歷史資料遷移程式
資料一致性校驗程式
過期資料自動遷移程式
多個服務節點資料同步機制

等等...

基於時間片的布隆過濾器流程圖如下：

短連系統平滑擴容方案如下：

透過這個專案，可以學到很多高併發、流量評估、分庫分表、多級快取、多級布隆過濾器、限流、熔斷、多執行緒、監控、告警、資料擴容、叢集、廣播訊息、單元測試撰寫等多方面的知識。

目前此專案包含兩端程式碼：

後端服務
前端服務

想進大廠的朋友們，一定不要錯過這個專案，裡面有很多加分項。

更多專案實作在專案實作網：java突擊隊

6. SaaS 點餐系統

使用技術：JDK21、SpringBoot3.4.3、SpringCloud、SpringCloud Alibaba、Gateway、MyBatis、PostgreSQL、Redis、RocketMQ、ElasticSearch、Knife4j、Prometheus、Grafana、MinIO、資料隔離等。

SaaS 點餐系統是一套：DDD（領域驅動設計）開發模式 + 多租戶 + PostgreSQL 的複雜微服務系統。

包含了 9 個微服務。

系統整體架構如下：

資料隔離方案如下：

DDD 開發模式的程式碼範例：

透過這個專案可以掌握 DDD 開發模型、多租戶資料隔離方案的實作、PostgresSQL 資料庫的使用，以及微服務之間的資料交換、Gateway 服務的統一處理，以及複雜系統職責領域的劃分。

頁面效果：

7. 商城微服務系統

susan_mall_cloud 是一個微服務專案。

使用了目前業界較新的技術：JDK17、Spring6、SpringBoot3.3.5、SpringCloud2024、SpringCloud Alibaba2023.0.1.0。

微服務後端包含：

susan-mall-common（公共模組）
susan-mall-gateway（Gateway 服務）
susan-mall-basic（基礎服務）
susan-mall-auth（權限服務，包含使用者與權限相關）
susan-mall-product（商品服務）
susan-mall-order（訂單服務）
susan-mall-pay（支付服務）
susan-mall-member（會員服務）
susan-mall-marketing（行銷服務）
susan-mall-admin（後台管理系統 API）
susan-mall-mobile（行動端 API）

此版本在既有商城技術基礎上，又增加了：SpringCloud Gateway、WebFlux、Seata、SkyWalking、OpenFeign、LoadBalancer、Sentinel、Nacos、Canal、xxl-job、Prometheus、K8S 等。

專案架構圖：

目前包含多端程式碼：

服務端的 Gateway 服務和多個微服務。
後台管理系統。
uniapp 小程式。

下面是商城小程式的實際截圖：

看起來是不是非常專業？

商城微服務專案很複雜，包含目前業界微服務分散式系統中最主流的技術，強烈推薦。

無論在工作中或面試中，都可以作為加分項。

特別是 SpringCloud Gateway 中 WebFlux 的使用、微服務之間的異常處理，以及微服務之間的通訊，都很值得一看。

8. 商城系統

商城系統目前包含：SpringBoot 後端 + Vue 管理後台 + uniapp 小程式，三個端的完整程式碼。

商城專案中包含：基於 Docker 的部署教學、網域解析教學、按環境隔離、網路爬蟲、推薦演算法、支付寶支付、分庫分表、分片演算法優化、手寫動態定時任務、手寫通用分頁元件、JWT 登入驗證、資料脫敏、動態 workId、HanLP 敏感詞校驗、手寫分散式 ID 生成器、分散式限流、手寫 MyBatis 插件、兩級快取提升效能、MQ 訊息通訊、ES 商品搜尋、OSS 服務接入、失敗自動重試機制、API 幂等性處理、百萬資料 Excel 匯出、WebSocket 訊息推送、使用者異地登入檢測、Freemarker 模板郵件發送、程式碼生成工具、重複請求自動攔截、自訂金額校驗註解等等一系列功能。

使用的技術：