本项目是一个基于开源项目的学习型教程：在参考
spring-ai-alibaba/DataAgent的基础上，结合个人理解进行拆解、复现与讲解。
目标是帮助开发者从 0 到 1 系统掌握 StateGraph 图编排、双重 RAG 检索、自我纠错、HITL 人机协同 等 Text2SQL Agent 关键能力。
2026/4/2大约 4 分钟
Data-Agent 从0到1 🔥
Text2SQL 智能体实战：StateGraph、双 RAG、HITL、SQL 自纠错、Python Docker 与 A2A/SSE。
动手学SpringAI 🌟
Spring AI 全链路实战：SSE、Agent、RAG、Function Call、Embedding 与向量库。
飞鸽邮筒
微信小程序实战：商品、购物车、下单支付与“寄信”特色业务闭环。
手工预约商店小程序
预约型小程序实战：时段预约、下单支付、商家排期与后台管理。
魔力赏盲盒小程序
盲盒业务实战：概率抽取、奖品发放、订单流转与活动运营能力。
校园跑腿小程序
校园跑腿实战：任务发布、接单派单、进度跟踪与结算评价流程。
起凡商城
全栈电商实战：规格/库存、优惠券、订单状态机、支付与拉新营销体系。
这篇只做一件事：创建一个能启动的后端骨架。
1. 环境准备
- JDK 21
- Gradle（可用 wrapper）
- PostgreSQL（后续 Jimmer/JPA 访问）
2. 创建工程
可以先用 Spring Initializr 创建 Kotlin + Spring Boot 项目，然后补依赖。
也可以直接手建目录，这里给一份与你当前项目一致的 build.gradle.kts 示例。
如果你是直接用 IDEA 新建 Kotlin 工程，建议参数按你这套配置来：
2026/4/2大约 2 分钟
这篇目标：创建一个能跑、能请求后端的 Vue3 工程。
1. 环境准备
- Node.js 20+
- pnpm
2. 创建 Vue3 项目
pnpm create vue@latest data-agent-frontend2026/4/2大约 3 分钟
学习目标
- 从 0 创建 Kotlin + Gradle + Jimmer 后端骨架。
- 从 0 创建 Vue3 前端骨架并接入基础工程配置。
- 完成一次前后端启动与联调冒烟，确保后续章节可直接实操。
文章列表
2026/4/2小于 1 分钟
这篇只做一件事：
搭一个不依赖业务知识的 A2A 最小服务，让前端能收流式事件。
本文内容对照提交：
data-agent-backend/src/main/kotlin/io/github/qifan777/server/a2a/A2AConfiguration.ktdata-agent-backend/src/main/kotlin/io/github/qifan777/server/a2a/A2AController.ktdata-agent-backend/src/main/kotlin/io/github/qifan777/server/a2a/ToyAgentExecutor.kt
2026/4/2大约 4 分钟
这一篇只关心前端交互：
- 调 A2A
- 收事件
- 渲染一个最小组件
本文内容对照提交：
data-agent-frontend/src/App.vuedata-agent-frontend/src/components/toy-hello-node.vue
1. 本文目标
- 前端通过 Agent Card 建立 A2A 客户端
- 发送一条消息并消费流式事件
- 把
TOY_HELLO_NODE渲染为一个独立 Vue 组件
2026/4/2大约 3 分钟
学习目标
- 10 分钟跑通 A2A 最小链路（服务发现 + JSON-RPC + 流式事件）。
- 前端完成一次最小调用，并把返回渲染成一个组件。
- 先建立“协议与交互”心智，再进入业务编排。
文章列表
2026/4/2小于 1 分钟
如果说上一章的 A2A Demo 只是一个“自娱自乐”的静态回声（Echo），那么这一篇，我们将正式把大模型的灵魂注入进来。
我们将搭建一个极简的单节点执行图：
START -> TOY_HELLO_NODE -> END
虽然只有仅仅一个业务节点，但它打通了现代 AI Agent 架构中最核心的三层壁垒：
- 模型层：Spring AI Alibaba 接入真实大模型，产出响应式数据流（Flux）。
- 编排层：Graph 引擎接管流的生命周期。
- 协议层：A2A 执行器将图引擎内部的抽象事件，精准翻译成前端可消费的标准协议。
2026/4/2大约 5 分钟
在上一篇中，我们跑通了 Agent 的最小链路：START -> TOY_HELLO_NODE -> END。但这顶多算是一个“套着 Graph 壳的普通大模型调用”。
真正的复杂业务，绝对不是一个 Prompt 就能解决的。这一篇，我们将把 Toy Graph 升级成一个真正具备**逻辑编排（Orchestration）**意味的多节点图：
START -> ROUTE -> (TRAVEL_PLAN | STUDY_PLAN) -> WRAP_UP -> END
2026/4/2大约 6 分钟
在复杂的 Agent 工作流中，我们往往不希望 AI 一口气把所有事情做完，特别是涉及敏感操作（如：付款、发送邮件、或者执行最终方案）时。这就引入了 Human-in-the-loop (HITL，人工在环) 的概念。
上一篇我们已经把 Graph 做成了双分支多节点：
START -> ROUTE -> (TRAVEL_PLAN | STUDY_PLAN) -> WRAP_UP -> END
这一篇继续往前走一步，把它升级成一个真正可交互的流程：
START -> ROUTE -> INTERRUPT -> (TRAVEL_PLAN | STUDY_PLAN | END) -> WRAP_UP -> END
2026/4/2大约 7 分钟