Solon-AI：让 Java 开发者优雅地踏入 AI 应用时代

图1：Solon-AI 项目图标

---

一位老 Java 工程师的 AI 转型困境

张工是一名有15年经验的 Java 工程师，2023年 GPT-4 横空出世时，他正准备把手头的企业知识库系统升级为"智能问答"版本。然而当他打开 LangChain 文档，满屏的 Python 代码让他陷入困境——公司核心系统是 Java 写的，引入 Python 微服务做 AI 层意味着额外的运维成本和通信开销。

这不只是张工一个人的困境。全球企业级软件市场，Java 仍占据统治地位：银行核心系统、ERP、供应链管理、政府平台……这些系统的开发者想要拥抱 AI，却找不到一条平滑的接入路径。

Solon-AI 正是为解决这个问题而来。

---

项目身世：从 Solon 生态自然生长

Solon-AI 并非凭空诞生，而是从 Solon 这个轻量级 Java 应用开发框架（作者 noear，2019年开源）演进而来。Solon 本身以"克制、高效、开放"为设计理念，强调低启动开销和模块化，与 Spring Boot 有相似目标但更轻量。当大模型时代到来，noear 在 Solon 框架内逐步孵化出 AI 能力，并在2025年3月将这些能力整合为独立的 solon-ai 子项目。

有趣的是，Solon 项目采用了多平台同步策略：在 GitHub、Gitee（码云）、GitCode 三大平台同时维护，这在国产开源项目中相当罕见，也侧面反映了项目对社区覆盖面的重视。

项目主页 solon.noear.org 提供了完整的学习文档，同时接入了 DeepWiki AI 问答服务，开发者可以直接在 DeepWiki 上与 AI 对话来理解项目。

---

核心技术架构：模块化拼图设计

Solon-AI 的设计哲学可以概括为**"方言适配 + 能力模块化"**。整个项目由 30+ 个 Maven 模块组成，按功能可划分为以下几大块：

ChatModel：统一的大模型调用接口

这是整个框架的入口层。Solon-AI 没有自己实现 LLM 调用，而是通过 ChatModel 统一接口 + 方言（Dialect）适配层 来接入各种大模型。这意味着无论底层是 OpenAI GPT、Anthropic Claude、Google Gemini、DeepSeek 还是本地 Ollama，调用方式都是同一套 Java API。

ChatModel chatModel = ChatModel.of("http://127.0.0.1:11434/api/chat")
    .provider("ollama")
    .model("qwen2.5:1.5b")
    .defaultTalentAdd(new McpGatewayTalent())
    .build();

这种设计在 Java 生态中有广泛先例——JDBC 通过方言驱动支持多种数据库，Hibernate 通过方言适配多种 SQL 方言——Solon-AI 将这一成熟模式移植到了 AI 领域。

Talents（才能）：超越 Tool 的动态技能系统

Solon-AI 没有沿用 LangChain 的"Tool"概念，而是创造了更贴合 Java 习惯的 Talent（才能） 体系。每个 Talent 包含：

• 动态准入（Dynamic Admission）：通过 isSupported() 判断当前提示词是否触发该 Talent
• 动态指令（Dynamic Instruction）：根据上下文元数据（如用户等级）注入不同 SOP
• 工具集绑定：将多个 Tool 打包为一个 Talent

这一设计使得同一套代码可以根据运行时上下文呈现不同的 AI 行为，无需硬编码 if-else。

RAG 全链路：从 PDF 到答案的完整管道

Solon-AI 的 RAG 模块覆盖了知识库落地的全链路：

环节	支持方案
文档加载	PDF、Word、Excel、HTML、Markdown、PPT、DDL
切分策略	正则切分、Token 数量切分
向量化	Ollama、OpenAI、Dashscope 等 Embedding 模型
向量存储	Chroma、Milvus、Qdrant、Pgvector、Weaviate、Redis、MySQL、MariaDB、Elasticsearch 等 12+ 种
重排序	支持 RerankingModel 二次排序

这种全链路覆盖意味着开发者可以在不引入额外库的情况下，完成从文档上传到智能问答的完整闭环。

MCP 协议：Model Context Protocol 深度集成

Solon-AI 集成了 MCP 协议（Model Context Protocol，MCP_2025_06_18），支持将任何 Java 方法暴露为 MCP Tool，也支持作为 MCP Client 调用远程 MCP Server。协议支持 Streamable HTTP 通道。

@McpServerEndpoint(channel = McpChannel.STREAMABLE, mcpEndpoint = "/mcp")
public class MyMcpServer {
    @ToolMapping(description = "查询天气")
    public String getWeather(@Param(description = "城市") String location) {
        return "晴，25度";
    }
}

MCP 协议由 Anthropic 主导，是 2025 年 AI 工具生态最受关注的标准之一，Solon-AI 的跟进速度相当快。

Harness：生产级 Agent 编排引擎

solon-ai-harness 是框架中最具特色的模块之一。它是一个马具引擎——将各种 AI 能力"套上马具"形成可控制的 Agent。

Harness 的核心是 HarnessEngine：接收 8 个 Maven 依赖包提供的 20+ 个 Talent/组件，在构造时完成实例化，再通过 AgentFactory.create() 按 AgentDefinition 中的工具权限清单选择性注入，形成具备完整交互能力的 AI 代理。

Harness 提供了：

• 7 层 HITL（Human-in-the-Loop）安全防护：工具执行前需人工确认
• 工具权限三级体系：SAFE / WARN / DENY
• 子代理调度：TaskTalent 支持串行任务和并行多任务
• 命令系统：从 Markdown 文件加载自定义命令，支持变量替换

Sandbox：代码执行的沙箱隔离

solon-ai-sandbox 源自 Claude Code 的 sandbox-runtime（TypeScript → Java 移植），为 AI Agent 的代码执行提供跨平台文件系统、网络和进程隔离。

• macOS：使用 sandbox-exec + Seatbelt
• Linux：使用 bubblewrap (bwrap) + seccomp
• Windows：使用 srt-win.exe + WFP

这让 Agent 能够安全地执行用户提交的代码，而不会影响主机系统安全。

Flow：低代码 AI 流程编排

solon-ai-flow 模拟 Dify 的可视化工作流，将 RAG、提示词增强、模型调用等环节通过 YAML 描述编排，适合非程序员通过配置搭建 AI 应用。

---

适用范围：谁应该使用 Solon-AI？

推荐使用 Solon-AI 的场景：

• 企业级 Java 系统引入 AI 能力：Spring Boot 项目通过 Maven dependency 直接引入，无需引入 Python 服务
• 需要 MCP 协议支持的系统：作为 MCP Server 或 MCP Client 与其他 AI 系统互通
• 多模型切换需求：同一套代码在 OpenAI / DeepSeek / Ollama 之间切换，只需改配置
• 本地部署的隐私敏感场景：Ollama + 本地向量库，全程离线可用

不太适合 Solon-AI 的场景：

• 全新项目且团队熟悉 Python / LangChain：直接用 Python 生态更成熟
• 需要复杂 LangGraph 状态机的场景：Solon-AI 的图驱动编排相对基础
• 需要强类型 AI 模型（如 TypeScript SDK 深度集成）：生态还不够丰富

---

技术细节一览

• 语言：100% Java（兼容 Java 8 ~ Java 25）
• 构建工具：Maven（多模块 BOM 管理）
• 许可证：Apache 2.0
• 依赖分发：Maven Central
• 测试覆盖：各子模块均有单元测试，README 中提供了完整的测试文档
• 文档质量：中文/英文双语 README，官网文档丰富

---

一句话总结

Solon-AI 是 Java 开发者进入 AI 应用开发的最短路径——用熟悉的 Java 语法，通过模块化的 Talents、RAG、MCP、Agent 组件，快速构建生产级 AI 应用，同时无缝融入 Spring Boot、Vert.X、Quarkus 等现有框架生态。

图2：ReAct Agent 架构示例