自然语言问一句"各分类商品数统计"，90 秒后拿到一份带图表的 HTML 分析报告。说一句话"帮我生成一个用户管理的 CRUD 页面"，10 分钟后页面就妥妥了。这不是演示视频里的魔法，是两个开源项目组合出来的日常。

---

企业 AI 落地的三个真实问题

过去两年，每个技术团队都在尝试把 AI 引入企业系统。但在实际落地中，有三个问题反复出现：

问题一：AI 怎么安全地碰数据库？ 你不能把数据库连接直接给大模型——这不是技术问题，是安全问题。大模型有幻觉，会写出 DELETE FROM user 这样的 SQL。你需要一个中间层，控制 AI 能做什么、不能做什么。

问题二：AI 怎么理解你的业务？ 通用大模型不知道你的表结构、你的业务规则、你的数据关系。你需要一种机制，让 AI 在回答之前先"了解"你的系统。

问题三：这些能力怎么组合？ RAG、MCP 工具调用、SQL 生成、低代码页面——每一个都有成熟的方案，但拼在一起时，接口对齐、协议适配、数据流转，全是坑。

JavaBrain 不是一个新项目，它是 灵梭（Spring AI Loom Agent） 和 SQL 工坊（SQL Forge） 这两个开源项目的组合示例——展示了当 AI 编排层遇上数据操作层，企业 AI 落地可以是什么样子。

---

两个项目，三层职责

JavaBrain 的架构很清晰，两个项目各管一层：

┌─────────────────────────────────────────────────────────┐
│                      用户浏览器                           │
│                localhost:8080/spring/ai/loom              │
└─────────────────────┬───────────────────────────────────┘
                      │
┌─────────────────────▼───────────────────────────────────┐
│              灵梭（Loom Agent）                           │
│         AI 编排层 · 聊天 UI · RAG · MCP · Skill          │
│         Spring AI + Spring Boot 自动配置                  │
└─────────────────────┬───────────────────────────────────┘
                      │ MCP 协议（stdio 子进程）
┌─────────────────────▼───────────────────────────────────┐
│             SQL 工坊 MCP（SQL Forge MCP）                 │
│              AI-to-Database 安全桥接层                     │
│         大模型不直接碰数据库，通过 MCP 工具操作              │
└─────────────────────┬───────────────────────────────────┘
                      │ REST API
┌─────────────────────▼───────────────────────────────────┐
│              SQL 工坊（SQL Forge）                        │
│    数据层 · JSON CRUD · SQL 模板 · Calcite 联邦查询       │
│         Amis 低代码 · Web Console 可视化管理               │
└─────────────────────────────────────────────────────────┘

项目	角色	核心能力
灵梭	AI 编排层	聊天界面、RAG 知识库、MCP 工具调用、Skill 技能库
SQL 工坊	数据层	JSON CRUD API、SQL 模板引擎、Calcite 跨库联邦查询、Amis 低代码

SQL 工坊 MCP 是 SQL 工坊的子模块，作为安全桥接层，让 AI 通过 MCP 工具调用安全操作数据库。

关键设计：大模型始终不直接接触数据库。 用户输入自然语言 → 灵梭调度 Skill → Skill 通过 MCP 调用 SQL Forge → SQL Forge 执行 SQL → 结果原路返回。整个链路可审计、可控制。

---

三个智能助手

JavaBrain 最终交付给用户的，是三个即用的智能助手：

助手一：对话式 Agent

最基础的形态。用户在聊天界面里用自然语言提问，AI 调用工具回答。

这不是简单的"聊天机器人"——通过 Skill 技能库，AI 可以执行复杂的多步操作：查询数据库、生成图表、操作文件、调用外部 API，所有动作都在对话中完成。

助手二：数据分析助手

这是最惊艳的能力。用户用自然语言描述分析需求，比如"各分类商品数统计"或"最近 30 天销售额趋势"，系统在 90 秒内：

1. 理解用户的分析意图
2. 查询数据库获取表结构元数据
3. 生成 SQL 并执行
4. 基于结果生成 AntV 图表
5. 输出可下载的 HTML 分析报告

自然语言 → SQL 查询 → 图表报告，全程无需手写代码

自动生成的 HTML 分析报告，包含交互式图表

背后的技术链路：

用户："各分类商品数统计"
  → 灵梭触发 nl2sql Skill
  → Skill 通过 MCP 调用 sql-forge-mcp 的 get_table_metadata 工具
  → 获取表结构，生成 SQL
  → 通过 MCP 调用 execute_sql 执行查询
  → 拿到结果后，调用 AntV MCP 工具生成图表
  → 组装成 HTML 报告返回给用户

助手三：智能低代码助手

用户描述需求，比如"帮我生成一个用户管理的 CRUD 页面"，系统在 10 分钟内：

1. 理解页面需求
2. 查询目标表结构
3. 生成 Amis 低代码 JSON Schema
4. 渲染出可操作的 CRUD 页面

一句话描述需求，AI 生成完整的 CRUD 页面配置

生成的页面支持增删改查、搜索、分页，直接可用

这个能力基于 SQL Forge 的 Amis 模板管理。AI 不是在凭空生成前端代码，而是基于已有的低代码框架，生成配置 JSON——这意味着生成结果是可靠的、可维护的。

---

技术架构详解

JavaBrain 是一个双模块 Maven 项目：

模块	说明
loom-agent	AI 编排模块，引入灵梭 Starter，提供聊天 UI 和 Agent 调度
oms	业务模块，引入 SQL Forge Starter，提供数据操作和业务逻辑

技术栈

层次	技术
AI 编排	Spring AI 1.1.7 + 灵梭 1.1.30
LLM	阿里通义千问 Qwen 3.7-plus（DashScope）
嵌入模型	text-embedding-v4
数据管理	SQL Forge 1.6.1
联邦查询	Apache Calcite 1.41.0
低代码	百度 Amis
数据库	H2（默认）/ MySQL / PostgreSQL
数据库迁移	Flyway
MCP 传输	stdio（jbang 启动 sql-forge-mcp 子进程）

MCP 工具注册

灵梭通过 mcp-servers.json 配置 MCP 服务器：

{
  "sql-forge-mcp": {
    "command": "jbang",
    "args": ["io.github.wb04307201:sql-forge-mcp:1.6.1"],
    "env": {
      "SQL_FORGE_URL": "http://localhost:8081"
    }
  }
}

灵梭启动时会自动拉起 sql-forge-mcp 子进程，通过 stdio 通信。不需要手动部署 MCP 服务器，一切由灵梭管理。

Skill 技能定义

以 nl2sql 为例，技能文件 nl2sql.st 定义了 AI 的工作流程：

---
name: nl2sql
description: 自然语言转 SQL 查询并生成分析报告
---

你是一个数据分析专家。用户会用自然语言描述分析需求，你需要：

1. 使用 @get_table_metadata 工具获取相关表结构
2. 根据表结构和用户需求生成 SQL
3. 使用 @execute_sql 工具执行查询
4. 根据查询结果，使用 @generate_chart 工具生成可视化图表
5. 组装成 HTML 报告返回

AI 在对话中会自主匹配最合适的 Skill 执行，不需要用户手动触发。

---

为什么不把两个项目合成一个？

灵梭和 SQL 工坊保持独立，是一个有意为之的架构决策。

独立发布、独立使用。 不是每个人都需要完整的 JavaBrain。有人只需要数据库操作框架（SQL Forge），有人只需要 AI Agent 框架（灵梭），只有需要完整方案的人才需要 JavaBrain。

独立演进。 两个项目可以各自升级，只要 MCP 协议接口不变，就不会互相影响。SQL Forge 可以加新的数据源支持，灵梭可以加新的 LLM 适配，JavaBrain 只需要更新版本号。

组合灵活。 JavaBrain 是"灵梭 + SQL Forge"的一种组合方式，但不是唯一的。你完全可以用灵梭搭配自己的数据层，或者用 SQL Forge 搭配其他 AI 框架。

---

快速开始

前置条件

• JDK 17+
• Maven 3.8+
• 阿里通义千问 API Key（或其他 LLM）

启动

# 克隆项目
git clone https://gitee.com/wb04307201/java-brain.git

# 修改配置
# 编辑 oms/src/main/resources/application.yml
# 填入 DashScope API Key

# 启动业务服务（oms，端口 8081）
cd oms
mvn spring-boot:run

# 启动 AI 服务（loom-agent，端口 8080）
cd loom-agent
mvn spring-boot:run

打开浏览器访问 http://localhost:8080/spring/ai/loom，即可开始使用。

---

适合谁

你是谁	JavaBrain 帮你做什么
企业技术负责人	评估 AI 落地方案的参考架构
Spring Boot 开发者	学习 MCP + Skill + RAG 的实践案例
内部工具开发者	快速搭建带 AI 能力的后台管理系统
数据分析师	用自然语言做数据分析，不用写 SQL
全栈开发者	理解"AI + 低代码"如何落地

---

写在最后

JavaBrain 不是一个"大而全"的平台，它是一个组合示例——把两个各自有用的开源项目拼在一起，展示它们如何协同工作，产生 1+1>2 的效果。

如果你想在自己的项目里复用这套方案，不需要直接依赖 JavaBrain，而是分别引入灵梭和 SQL 工坊的 Starter，按你的业务需求组合。JavaBrain 只是一个参考：告诉你这两个项目可以这样搭配，效果是这样的。

企业 AI 落地不需要从零开始，也不需要引入一整个商业平台。 用好开源生态，组合出适合自己业务的方案，可能是更务实的路径。

项目地址：

• JavaBrain（组合示例）：Gitee | GitHub
• 灵梭（Spring AI Loom Agent） — AI 编排层
• SQL 工坊（SQL Forge） — 数据层