Java 團隊嘅 AI 救星：Agents-Flex 開箱實測

香港做 AI 應用嘅團隊，十個有九個都俾人話「你轉 Python 啦」。Java 喺 LLM 呢個戰場好似永遠係二等公民——LangChain 係 Python 先玩得靚，等到 Java 移植過嚟，人哋已經出咗三個新功能。我哋成隊人寫咗十年 Spring Boot，為咗接入 LLM 就要成個 tech stack 轉晒？Agents-Flex 嘅出現，某程度上改變咗呢個困局。

輕量係假象？真係輕到貼地

先講最直接嘅體驗。Agents-Flex 個 core jar 得幾百 KB，冇任何強制依賴。你唔需要為咗用 AI 而拖成個 Spring Cloud 或者大型 ORM 框架入嚟。對比 Spring AI 嗰種「你入咗我哋嘅門就要跟我哋嘅規矩」嘅設計哲學，Agents-Flex 行嘅係零侵入路線——你嘅 Bean、你嘅 Config、你嘅 DI container 全部唔使改，加一個 starter dependency 就搞得掂。

呢點對於我哋呢啲有 legacy system 嘅團隊嚟講係致命吸引。唔使開新 project、唔使 parallel run 兩個服務，直接喺現有 codebase 裡面加 AI capability，啱啱好。

MCP + Skills：拆走咗最後一道牆

Agents-Flex v2.0 之後最大嘅升級係 MCP（Model Context Protocol）原生支援。呢個唔係 hype，係實際解決咗一個好具體嘅問題：你嘅 AI agent 點樣安全咁 call 你現有嘅 API、資料庫、內部工具？

之前嘅做法係自己寫 Function Calling 嘅 JSON schema，然後逐個 method 去 wrap。Agents-Flex 嘅做法係將呢啲嘢抽象成兩層：底層係 MCP client 管理，連接唔同 transport（stdio / HTTP / SSE）；上層係 Skills 系統，將成個 business capability 封裝成一個 reusable 嘅 Skill unit。最新版本仲加入咗 mcp-servers.json 配置支援，成個 setup 可以好似配 data source 咁用 config file 管理。

呢個 architecture 嘅好處係：你 team 入面最 junior 嘅 developer，睇住份文檔，15 分鐘內就可以寫到一個識 call 公司內部 API 嘅 AI Agent。

Text2SQL：畀業務同事自己 query

另一個值得注意嘅模組係 Text2SQL。唔係新概念，但 Agents-Flex 嘅 implementation 有幾個實戰考慮做得幾好：支援多輪對話 context、可以 self-correct SQL 生成、同埋內置咗 data masking（敏感資料唔會流出到 LLM）。對比 LangChain4j 嘅 SQL 能力要自己搭 chain，Agents-Flex 係 out-of-the-box 俾你一條 pipeline。

試過用自然語言 query 一個有 30 幾張 table 嘅 ERP database，複雜 join 嘅準確率大概七成左右，簡單查詢基本冇問題。唔係完美，但對於內部 dashboard 或者 quick data exploration 嚟講，已經夠用。

畀 Java 團隊嘅實戰建議

如果你嘅 team 主力係 Java / Spring Boot，唔好再諗「係咪要請個 Python engineer 返嚟做 AI」。Agents-Flex 嘅 production readiness 比想像中好——OpenTelemetry integration、token 統計、distributed tracing 全部有，仲有埋 model router 支援多 provider 嘅 load balancing 同 circuit breaking。

建議嘅落地路徑：先用 `agents-flex-spring-boot-starter」駁一個 LLM provider，做一個 internal knowledge base chatbot 試水溫；然後加 MCP 連接內部 API，做一個可以執行任務嘅 Agent；最後先用 Skills 系統將成個能力封裝成產品功能。逐級而上，唔使一步到位。