随着 AI Agent 从简单问答走向多步骤、长时间运行的企业任务，传统 HTTP 请求模型开始面临状态丢失、重复执行、重试失控、服务重启后任务无法恢复等问题。本文从 Java 后端视角介绍 Durable Execution 的核心思想，分析 Workflow、Event History、Retry、Timeout、Idempotency、Human in the Loop 等关键能力，并结合 Temporal 与 Spring AI 的集成，说明如何将模型调用、Tool Calling、MCP 和传统业务 Service 纳入可恢复、可重试、可审计的执行流程，帮助 Agent 从“能运行”真正走向“可生产”。
MySQL 8.0 已于 2026 年 4 月正式进入 EOL，大量仍运行在 8.0 上的 Java 项目需要重新规划数据库版本。与此同时，MySQL 9.7 已成为新的 LTS，因此升级问题不再只是“8.4 还是 9.x”。本文结合官方升级路径，从 MySQL 8.4 与 9.7 的选择、认证插件变化、Connector/J、TLS、Upgrade Checker、SQL 回归、备份和回滚等方面，给出一套适用于 Spring Boot 项目的实际迁移方案。对于存量系统，更稳妥的策略通常是先迁移到 8.4 LTS，在稳定运行后再根据生命周期决定是否继续升级 9.7 LTS。
本文围绕 Java 企业开发从传统 CRUD 向 AI Agent 演进展开，介绍 Spring AI、Tool Calling、RAG、Memory、Workflow 等核心能力，并结合企业真实场景分析 Agent 如何连接现有 Spring Boot 业务系统。文章重点强调，企业 AI 的难点并不只是调用大模型，而在于权限控制、数据治理、操作审计、幂等设计、人工确认以及系统稳定性。未来 Java 开发者不需要抛弃原有技术体系，而是应在熟悉的 Service、数据库和业务架构之上增加智能层，让系统从“执行固定流程”逐步升级为“理解用户目标并主动完成任务”。
2026 年，Java 生态正在迎来新一轮技术升级。从 JDK 26 原生支持 HTTP/3、Virtual Thread 与 Structured Concurrency，到 Project Leyden 推进 AOT Cache，再到 JDK 27 在对象头压缩、垃圾回收、后量子安全和 JFR 脱敏方面的增强，JVM 正变得更高效、更安全。同时，Spring Boot 4.1 加强 gRPC、OpenTelemetry 等生产能力，Spring AI 2.0 则通过 Tool Calling、MCP 和 Agent 将 Java 深度带入 AI 时代。本文系统梳理 2026 年 Java 值得关注的核心技术变化，并给出新项目的技术选型思路。
PostgreSQL 18 的性能优化不再局限于加索引或调 SQL，而是从底层重构数据访问与建模方式。其异步 I/O 子系统通过 worker 或 io_uring 并发读取，显著改善大表扫描、Bitmap Heap Scan 和 VACUUM 的吞吐；B-Tree Skip Scan 允许联合索引在缺失最左列时仍能部分利用；原生 UUIDv7 提供时间有序标识，提升索引写入局部性；虚拟生成列将确定性行内计算统一到数据库；增强的 RETURNING OLD/NEW 可一次获取修改前后数据。文章强调，这些能力并非自动加速所有查询，升级前应基于真实负载测试，合理配置 I/O 并发参数，并关注统计信息恢复与生态兼容。
Java应用的内存浪费不只来自业务字段，每个对象携带的对象头也会在海量实例下形成开销。本文围绕JDK 27默认启用的Compact Object Headers，拆解传统与紧凑对象头的布局差异，解释少4字节为何影响堆占用、GC频率、缓存局部性和容器密度，并通过JOL展示变化。同时给出JDK 25、26的启用方式、灰度流程、监控指标、适用场景与风险边界，帮助团队在升级前完成可验证、可回滚的内存优化。
Netty 4.2 将 io_uring 从孵化模块升级为正式传输实现，使 Java 网络服务能够通过提交队列与完成队列批量交付 I/O。本文从 epoll 的就绪模型讲起，拆解 SQ、CQ、multishot 与缓冲区环，给出 Maven 依赖、运行时探测、三级回退和调优示例，并说明它与虚拟线程的边界。文章还分析 Docker seccomp、内核开关、原生库分类器与压测误区，帮助开发者判断 io_uring 是否适合生产环境。
本文介绍个人博客中 AI 评论审核、AI 自动回复与表情包系统的完整设计。系统在评论安全入库后，通过异步任务执行本地敏感词预筛，并根据内容类型将普通文本、内置表情和斗图图片分流至文本或多模态模型。借助七种审核状态、条件更新和定时重试机制，避免并发覆盖、重复审核与回复丢失。AI 回复结合文章内容、评论语义和表情情绪生成个性化内容。表情包服务则通过域名白名单、URL 校验、HTML 清洗、缓存及故障降级保障安全与可用性，最终形成可恢复、可追踪、支持人工接管的评论治理流水线。
本文以多模型系统为例，指出付费大模型接入的关键不在接口调用，而在身份、模型、网络与成本边界。后端应建立统一出站层，集中完成认证校验、模型白名单、授权、端点验证及 Redis Lua 额度控制。Redis 异常时应拒绝付费请求，禁止自动重试和重定向；长连接使用租约心跳，结果不确定时不立即释放租约，避免重复计费。分享标题等隐式功能应固定使用免费模型并支持降级，以自动化测试固化权限、路由和异常处理规则。
Codex 与普通补全工具不同，它能进入项目读取、修改文件、运行测试、解释报错，充当“会干活的 AI 搭档”。文章首先说明它最适合处理需要上下文理解的任务，如阅读陌生代码库、定位 Bug、补充测试、实现小功能等，并比较 IDE 插件、CLI 与云端三种使用方式，建议新手先从 IDE 或 CLI 入手。随后提供 macOS Homebrew 安装、账号或 API Key 登录步骤，并示例第一次只读分析项目结构，以低风险任务起步。针对 Prompt 编写，文章提出四要素（要解决的问题、修改范围、约束条件、验证方式），强调先让 Codex 写计划、提供充分上下文、要求自行运行测试并迭代修复。为统一项目规范，推荐在仓库根目录放置 AGENTS.md，记录依赖、lint、测试等规则，并通过 sandbox 参数控制只读、工作区写入或全访问权限。接着列举解释代码库、修复 Bug、实现筛选功能、补充测试、代码审查等常见场景，并说明使用 codex exec 实现自动化生成 release notes、总结 CI 失败等。云端任务适合大规模或并行操作，但仍需人工 Review。最后总结最佳工作流为只读分析→制定计划→小步修改→运行测试→人工 Review，提醒勿盲目信任结果，及时设定项目规则与权限，以让 Codex 成为提升效率而非取代程序员的可靠助手。
