\n\nSpring 创始人 Rod Johnson 推出 JVM 智能体框架 Embabel。该框架利用 Java 强类型系统与 GOAP 算法，通过任务分解与输出验证，旨在为企业 AI 应用提供确定性。
译自：Spring creator wants Java's type system to tame agentic AI
作者：Darryl K. Taft
Rod Johnson 是 Spring 框架的创始人，他带着另一个开源项目回归了——这一次，他的目标是解决他所认为的企业级 AI 的核心问题：让大语言模型驱动的应用程序具备足够的预测性，从而能够真正运行业务。
Johnson 在上周微软 JDConf 开发者大会的现场演示中展示了 Embabel，这是一个针对 Java 的智能体 AI 框架。该框架采用 Apache 许可证，托管在 GitHub 上，并构建于 Spring Boot 之上。这意味着熟悉企业级 Java Spring 生态系统的 Java 开发者应该能很快上手。
Johnson 开发 Embabel 的目标是证明 Java 在智能体系统（尤其是企业系统）方面的表现与基于 Python 的同类产品一样好，甚至更好。
基于 Python 的智能体框架包括 LangChain 和 Crew.ai，而基于 Java 的智能体框架包括 Embabel、JetBrains Koog、LangChain4j 和 Crew4j。
Java 运行时提供商 Azul Systems 的副首席技术官 Simon Ritter 告诉 The New Stack，此举可能有助于缩小智能体领域日益扩大的差距。
“我个人认为，Java 框架可用性的提高将有助于缩小 Python 和 Java 在 AI 智能体领域的使用差距，”Simon Ritter 说道。
“我决定看看构建智能体的理想框架是什么样子的，”Johnson 告诉 The New Stack，“我很快得出结论，对于我想做的事情，以及我认为能够释放现有业务价值的事情，JVM [Java 虚拟机] 将是一个更好的选择……”
然而，Johnson 在他的 JDConf 主旨演讲中表示：“我并不一定主要将自己视为一个 Java 人。我将自己视为一个想要解决企业软件问题的人。在 21 世纪初，问题是如何利用 Java 提高生产力。在 20 世纪 20 年代中期，问题是如何利用生成式 AI 并将其与业务应用联系起来。”
Embabel 的起源
Embabel 是一个用于构建生成式 AI 业务应用的 JVM 框架。Johnson 于 2025 年 5 月推出该项目，目前已有超过 5 名全职工程师参与开发，GitHub 星数超过 3000。
Johnson 表示，Embabel 构建在 Spring Boot 之上，使用 Kotlin 编写，具有出色的 Java 互操作性。他告诉 The New Stack，这是一种开源技术，计划采用类似于 SpringSource 模式的商业实体。
行业分析公司 RedMonk 的联合创始人 James Governor 在一篇博文中写道：“随着分布式系统和云革命的到来，如此多的应用程序和系统，如此多的基础设施，都是用 Java 构建的，尽管出现了 Go 和 Rust 等新语言。认为 Java 不能很好地与 AI 配合的想法是毫无道理的。”
James Governor 在同一篇博文中讨论 Johnson 时写道：“他现在创建了 Embabel，这是一个为 JVM 编写的强类型智能体框架。它旨在通过使用非 LLM 的模型，然后使用自主智能体生成映射到该计划的代码，为您的项目计划带来确定性。并非所有事情都由 LLM 决定。”
与此同时，在关于 Java 26（上个月发布的最新 Java 版本）的简报中，前 Oracle 开发者关系副总裁 Chad Arimura 告诉 The New Stack，Java 26 支持 Embabel 的“原生智能体”特性。
确定性问题
Johnson 表示，他将企业级 AI 采用的核心挑战视为一个光谱。他指出，一端是像 OpenAI 的 ChatGPT 这样的东西，它强大且具有生成性，但没有哪个理智的组织会基于它来运行业务流程。另一端则是 Java 开发者几十年以来一直在编写的结构化、确定性代码。
Embabel 旨在回答的问题是，一个给定的应用程序应该落在该光谱的哪个位置，以及如何实现这一目标。
Johnson 的答案是分解。将大问题分解为离散的步骤。某些步骤作为普通代码运行，其他步骤则调用 LLM。这些 LLM 调用本身可以调用工具。在 Johnson 看来，将这些步骤以可预测、可审计的方式连接起来，是一个真正的智能体框架的核心工作。
他说，大多数框架通过两种方式之一处理这种连接：让 LLM 在运行时决定调用哪些工具，这牺牲了可预测性；或者使用预先定义的状态机，这是 Python 生态系统中 LangGraph 采用的方法。Embabel 则两者都不采用。
Johnson 解释说，相反，它使用 GOAP（目标导向行动计划，Goal-Oriented Action Planning）——一种借鉴自游戏开发的非 LLM AI 路径搜索算法——通过强类型的 Java 方法在运行时动态选择执行路径。
“Java 能够且正在生成式 AI 领域进行创新，”Johnson 说道。
在去年的一篇 Medium 文章中，Johnson 这样描述 GOAP：“GOAP 本质上是一种路径搜索算法。它可以找到从未被编程过的路径。然而，它是确定性的，它只能选择由显式添加到系统的单个动作（步骤）组成的路径。如果 GOAP 找到了路径，它可以解释为什么该路径是成本最低的有效路径。
“GOAP 基于事实寻找路径，这些事实表现为前置条件和后置条件。目标（对应于我们智能体流程的现实世界目标）具有前置条件。动作具有前置条件和预期的后置条件。因此，在给定状态和目标之间可以找到零条或多条动作链。”
Java 的类型系统是一项特性
Johnson 宣传中的一个反复出现的主题是，Java 开发者拥有一项被低估的资产：他们的领域模型。Embabel 的构建就是为了利用这一点。他说，该框架原生理解结构化返回类型——Java records、POJO（普通 Java 对象）、Jakarta EE 验证注解。
当一个字段带有验证约束时，Embabel 会将该约束作为提示词（prompt）的一部分呈现给 LLM，这样模型在生成响应之前就知道有效的响应是什么样的。Johnson 说，如果响应未能通过验证，框架会进行循环反馈并告诉模型原因。
其效果是，LLM 成为了应用程序类型系统的参与者，而不是位于系统之外的黑匣子。“LLM 成为了应用程序的一部分，而不仅仅是一个与之交谈的端点，”他说道。
Embabel 还会自动向每个 LLM 提示词注入上下文信息，包括当前日期和时间以及所调用模型的知识截止日期——当驱动智能体的步骤需要做出时间敏感的决策时，这些细节至关重要。
模型选择作为设计原则
Embabel 开箱即用地支持多个 LLM 提供商，包括 OpenAI、Anthropic 和 Llama。Johnson 强调，模型选择应该是针对每个步骤的决策，而不是全局应用程序设置。他说，工作流中的不同步骤可能根据成本、延迟或功能要求而需要不同的模型。该框架可以方便地在单个步骤级别通过名称或角色指定模型。
Johnson 还指出，Embabel 处于比大多数智能体框架更高的抽象层级——与其说是低级编排库，不如说是他所谓的“智能体安全带（agent harness）”。这一定位包括了针对 Claude Code 和 GitHub Copilot 等编码智能体的集成点，允许基于 Embabel 的应用程序直接整合这些工具。
快速上手
Embabel 可在 github.com/embabel 获取。Johnson 还建议开发者关注他的 Medium 博客，以深入了解该框架的理念以及支撑其运行时行为的 GOAP 规划模型。全 工智能
