TinyAI 是一个完全基于 Java 开发的轻量级深度学习与智能体框架，旨在为 Java 生态系统提供一个功能完整、易于理解和扩展的 AI 解决方案。框架采用模块化设计，涵盖了从基础的多维数组计算到高级的大语言模型实现，从简单的神经网络到复杂的智能体系统。
- 纯Java实现: 零第三方依赖的核心计算引擎，充分利用 Java 生态优势
- 教育友好: 清晰的代码结构和详尽的中文注释，便于学习和理解
- 模块化架构: 高度解耦的组件设计，支持灵活组合和独立使用
- 生产就绪: 企业级的架构设计，支持并行训练和模型部署
- 扩展性强: 开放的接口设计，便于添加新功能和算法
- 基础智能体框架: 记忆管理、RAG检索、工具调用、上下文工程、MCP协议支持
- 自进化智能体: 经验学习、策略优化、知识图谱构建、反思机制、LLM增强进化
- 多智能体协作: 分布式智能体、消息通信、任务分配、团队协调
- 认知模式库: ReAct、Reflection、Planning、Collaborative等多种认知模式
- 检索增强生成: 语义检索、向量数据库、TF-IDF向量化、相似度计算
- 具身智能系统: 自动驾驶模拟、机器人控制、VLA架构、端到端学习
- AI编程助手: 代码分析、智能生成、重构建议、调试辅助
- 手稿智能体: OpenManus架构、双执行机制、计划驱动、Flow编排
- 多维数组库: 高效的N维数组操作，支持CPU/GPU/TPU多设备
- 自动微分引擎: 动态计算图、反向传播、丰富的数学函数库
- 神经网络层: 全连接、卷积、循环、Transformer等现代网络架构
- 机器学习框架: 模型管理、并行训练、优化器、损失函数
- 强化学习系统: DQN、REINFORCE、多臂老虎机等完整算法实现
- GPT系列模型: GPT-1到GPT-3的完整架构演进实现
- DeepSeek模型: R1推理模型和V3混合专家模型
- Qwen3模型: 现代Transformer架构，支持GQA、RoPE、SwiGLU
- LoRA微调: 参数高效微调技术，支持低秩适应和权重管理
- MoE架构: 混合专家模型，稀疏激活，负载均衡机制
TinyAI 采用分层模块化架构设计，总共包含22个核心模块：
graph TB
subgraph "🎯 应用展示层"
App1[智能客服系统]
App2[代码生成助手]
App3[文档智能处理]
App4[股票预测分析]
end
subgraph "🤖 智能体系统层"
Agent1[tinyai-agent-context<br/>基础智能体框架]
Agent2[tinyai-agent-rag<br/>检索增强生成]
Agent3[tinyai-agent-multi<br/>多智能体协作]
Agent4[tinyai-agent-evol<br/>自进化智能体]
Agent5[tinyai-agent-pattern<br/>认知模式库]
Agent6[tinyai-agent-cursor<br/>AI编程助手]
Agent7[tinyai-agent-research<br/>深度研究智能体]
Agent8[tinyai-agent-manus<br/>手稿智能体]
Agent9[tinyai-agent-embodied<br/>具身智能基础]
Agent10[tinyai-agent-embodied-robot<br/>扫地机器人]
Agent11[tinyai-agent-embodied-vla<br/>VLA架构]
end
subgraph "🧠 大语言模型层"
Model1[tinyai-model-gpt<br/>GPT系列模型]
Model2[tinyai-model-deepseek<br/>DeepSeek模型]
Model3[tinyai-model-qwen<br/>Qwen3模型]
Model4[tinyai-model-lora<br/>LoRA微调]
Model5[tinyai-model-moe<br/>混合专家模型]
end
subgraph "🚀 深度学习框架层"
DL1[tinyai-deeplearning-ml<br/>机器学习核心]
DL2[tinyai-deeplearning-nnet<br/>神经网络层]
DL3[tinyai-deeplearning-rl<br/>强化学习模块]
DL4[tinyai-deeplearning-case<br/>应用示例集]
end
subgraph "⚡ 计算引擎层"
Engine1[tinyai-deeplearning-func<br/>自动微分引擎]
end
subgraph "🧮 数值基础层"
Base1[tinyai-deeplearning-ndarr<br/>多维数组库]
end
App1 --> Agent1
App2 --> Agent6
App3 --> Agent2
App4 --> Model1
Agent1 --> Model1
Agent2 --> DL1
Agent3 --> DL1
Model1 --> DL1
Model2 --> DL1
Model3 --> DL1
DL1 --> DL2
DL2 --> Engine1
DL3 --> Engine1
Engine1 --> Base1
| 模块类别 | 模块数量 | 主要功能 |
|---|---|---|
| 智能体系统 | 11个模块 | 基础框架、RAG检索、多智能体协作、认知模式、具身智能、AI编程助手、手稿智能体 |
| 大语言模型 | 5个模块 | GPT/DeepSeek/Qwen模型、LoRA微调、MoE架构 |
| 深度学习框架 | 6个模块 | 神经网络、机器学习、强化学习、应用示例 |
- Java: JDK 17 或更高版本
- Maven: 3.6 或更高版本
- 内存: 推荐 8GB+ （用于大型模型训练）
# 1. 克隆项目
git clone https://github.com/leavesfly/TinyAI.git
cd TinyAI
# 2. 设置环境
export JAVA_HOME=/Library/Java/JavaVirtualMachines/jdk-17.jdk/Contents/Home
# 3. 编译项目
mvn clean compile
# 4. 运行测试
mvn test
# 5. 安装到本地
mvn install// 1. 创建智能体
import io.leavesfly.tinyai.agent.AdvancedAgent;
AdvancedAgent agent = new AdvancedAgent("我的助手", "你是一个智能助手");
agent.addKnowledge("Java是一种面向对象的编程语言", "java_info");
String response = agent.processMessage("什么是Java？");
// 2. 使用具身智能体（自动驾驶）
import io.leavesfly.tinyai.agent.embodied.*;
EnvironmentConfig config = EnvironmentConfig.createHighwayConfig();
EmbodiedAgent embodiedAgent = new EmbodiedAgent(config);
Episode episode = embodiedAgent.runEpisode(200);
System.out.println("总奖励: " + episode.getTotalReward());
// 3. 使用AI编程助手
import io.leavesfly.tinyai.agent.cursor.AICodingCursor;
AICodingCursor cursor = new AICodingCursor("编程助手");
Map<String, Object> analysis = cursor.analyzeCode(sourceCode);
String generatedCode = cursor.generateCode("method validateEmail");
// 4. 使用深度学习模型
import io.leavesfly.tinyai.ml.*;
import io.leavesfly.tinyai.nnet.block.MlpBlock;
MlpBlock mlpBlock = new MlpBlock("classifier", 784, new int[]{128, 64, 10});
Model model = new Model("mnist_classifier", mlpBlock);
// 5. 使用大语言模型
import io.leavesfly.tinyai.gpt2.GPT2Model;
GPT2Model gpt = GPT2Model.createSmallModel("gpt2-small");
List<Integer> prompt = Arrays.asList(100, 200, 300);
List<Integer> generated = gpt.generateText(prompt, 50);# 基础智能体演示
mvn exec:java -Dexec.mainClass="io.leavesfly.tinyai.agent.AgentDemo" -pl tinyai-agent-context
# 自进化智能体演示
mvn exec:java -Dexec.mainClass="io.leavesfly.tinyai.agent.evol.EvolDemo" -pl tinyai-agent-evol
# 多智能体系统演示
mvn exec:java -Dexec.mainClass="io.leavesfly.tinyai.agent.multi.MultiAgentDemo" -pl tinyai-agent-multi
# 具身智能（自动驾驶）演示
mvn exec:java -Dexec.mainClass="io.leavesfly.tinyai.agent.embodied.AgentDemo" -pl tinyai-agent-embodied
# 扫地机器人演示
mvn exec:java -Dexec.mainClass="io.leavesfly.tinyai.agent.robot.SimpleDemo" -pl tinyai-agent-embodied-robot
# AI编程助手演示
mvn exec:java -Dexec.mainClass="io.leavesfly.tinyai.agent.cursor.CursorDemo" -pl tinyai-agent-cursor
# 手稿智能体演示
mvn exec:java -Dexec.mainClass="io.leavesfly.tinyai.agent.manus.ManusDemo" -pl tinyai-agent-manus# GPT模型演示
mvn exec:java -Dexec.mainClass="io.leavesfly.tinyai.gpt2.GPT2Demo" -pl tinyai-model-gpt
# DeepSeek模型演示
mvn exec:java -Dexec.mainClass="io.leavesfly.tinyai.deepseek.r1.DeepSeekR1Demo" -pl tinyai-model-deepseek
# Qwen3模型演示
mvn exec:java -Dexec.mainClass="io.leavesfly.tinyai.qwen3.Qwen3Demo" -pl tinyai-model-qwen# MNIST手写数字识别
mvn exec:java -Dexec.mainClass="io.leavesfly.tinyai.example.classify.MnistMlpExam" -pl tinyai-deeplearning-case
# CartPole强化学习
mvn exec:java -Dexec.mainClass="io.leavesfly.tinyai.example.rl.CartPoleDQNExample" -pl tinyai-deeplearning-case// 创建和配置智能体
AdvancedAgent agent = new AdvancedAgent("助手名称", "系统提示");
agent.getToolRegistry().registerTool("calculator", calculatorTool, "计算器工具");
agent.addKnowledge("知识内容", "knowledge_id");
// 对话处理
String response = agent.processMessage("用户问题");
// 自进化智能体
SelfEvolvingAgent evolAgent = new SelfEvolvingAgent("学习助手");
TaskResult result = evolAgent.processTask("任务名称", context);
evolAgent.selfEvolve(); // 触发自我进化
// 手稿智能体（OpenManus架构）
Manus manus = new Manus("Manus助手");
manus.setExecutionMode(ExecutionMode.DIRECT_AGENT);
manus.setPlanningEnabled(true); // 启用计划驱动模式
Message response = manus.processMessage(new Message("user", "完成复杂任务"));
// 具身智能体（自动驾驶）
EmbodiedAgent embodiedAgent = new EmbodiedAgent(config);
StepResult result = embodiedAgent.step();
Episode episode = embodiedAgent.runEpisode(200);
// AI编程助手
AICodingCursor cursor = new AICodingCursor("编程助手");
Map<String, Object> analysis = cursor.analyzeCode(code);
List<RefactorSuggestion> suggestions = cursor.suggestRefactor(code);
Map<String, Object> debugResult = cursor.debugCode(code);// 模型训练
DataSet dataSet = new ArrayDataset(xData, yData);
Model model = new Model("classifier", mlpBlock);
Trainer trainer = new Trainer(epochs, monitor, evaluator, true, 4); // 并行训练
trainer.init(dataSet, model, loss, optimizer);
trainer.train(true);
// 强化学习
DQNAgent agent = new DQNAgent("CartPole-DQN", stateDim, actionDim, hiddenSizes,
learningRate, epsilon, gamma, batchSize, bufferSize, updateFreq);
CartPoleEnvironment env = new CartPoleEnvironment();
// 训练循环...// GPT模型
GPT2Model model = GPT2Model.createMediumModel("gpt2-medium");
NdArray generated = model.generateSequence(inputTokens, maxLength);
// LoRA微调
LoraConfig config = LoraConfig.createMediumRank();
LoraLinearLayer layer = new LoraLinearLayer("lora_layer", 512, 256, config
6D40
, true);
layer.enableLora(); // 启用LoRA微调- 智能客服系统: 基于RAG的企业知识库问答
- 代码生成助手: 使用GPT模型的智能编程辅助（AI Coding Cursor）
- 文档智能处理: 多智能体协作的文档分析系统
- 业务流程自动化: 自进化智能体的决策优化
- 自动驾驶系统: 完整的具身智能解决方案
- 机器人控制: 扫地机器人、工业机器人等应用
- AI课程教学: 交互式智能体教学平台
- 学术研究工具: 多智能体协作研究系统
- 算法原型验证: 完整的深度学习实验平台
- 模型架构研究: 从GPT到Transformer的完整实现
- 自适应推荐系统: 具备自主学习能力的推荐引擎
- 智能运维助手: 多专家协作的运维问题解决
- 个性化学习平台: 基于强化学习的自适应教育
- 创意内容生成: 大语言模型驱动的内容创作
- 具身智能研究: VLA架构、端到端学习、机器人控制
- 自动化编程: 从需求到代码的全流程智能化
- 复杂任务规划: OpenManus架构的计划驱动执行
| 模块类别 | 测试数量 | 覆盖率 | 状态 |
|---|---|---|---|
| 智能体系统 | 250+ | 95%+ | ✅ 通过 |
| 具身智能模块 | 120+ | 100% | ✅ 通过 |
| 大语言模型 | 120+ | 90%+ | ✅ 通过 |
| 深度学习框架 | 200+ | 98%+ | ✅ 通过 |
| 总计 | 690+ | 96%+ | ✅ 全部通过 |
# 运行所有测试
mvn test
# 运行特定模块测试
mvn test -pl tinyai-agent-base
mvn test -pl tinyai-model-gpt
mvn test -pl tinyai-deeplearning-ml
# 生成测试报告
mvn surefire-report:reportpublic class CustomAgent extends BaseAgent {
@Override
protected Object performTask(AgentTask task) throws Exception {
// 实现自定义任务处理逻辑
return processCustomTask(task);
}
@Override
protected void initializeCapabilities() {
capabilities.add("自定义能力");
}
}public class CustomLayer extends Layer {
@Override
public Variable layerForward(Variable... inputs) {
// 实现自定义前向传播
return customComputation(inputs[0]);
}
@Override
public void init() {
// 参数初始化
addParameter("weight", NdArray.randn(inputShape, outputShape));
}
}智能体系统层
- 基础智能体框架 - 记忆管理、RAG检索、工具调用
- 具身智能基础 - 自动驾驶模拟、完整技术架构
- 扫地机器人 - 机器人控制与路径规划
- VLA架构 - 视觉-语言-动作统一建模
- AI编程助手 - 代码分析、生成、重构、调试
- 手稿智能体 - OpenManus架构、双执行机制
- 自进化智能体 - 经验学习、策略优化
- 多智能体系统 - 协作通信、任务分配
深度学习框架层
大语言模型层
- GPT模型实现 - GPT系列模型详细文档
- DeepSeek模型 - R1推理与V3混合专家
- Qwen3模型 - 现代Transformer架构
- 《Java程序员的AI之路》 - 400页完整学习路径（30万字）
- 第一部分：深度学习基础篇（12章）
- 第二部分：大语言模型篇（3章）
- 第三部分：智能体系统篇（5章）
- 代码规范: 遵循Java编码规范，添加详细中文注释
- 测试覆盖: 新功能必须包含完整的单元测试
- 文档更新: 重要功能需要更新相应文档
- 性能优化: 注意内存使用和计算效率
本项目采用 Apache License 2.0 开源许可证。详情请参阅 LICENSE 文件。
感谢所有为 TinyAI 项目做出贡献的开发者和研究者！特别感谢：
- Java 开源社区的技术支持
- 深度学习领域的理论基础
- 智能体系统的前沿研究
- 所有提供反馈和建议的用户
🚀 重磅新增：具身智能系统
- ✨ 新增
tinyai-agent-embodied模块 - 自动驾驶完整模拟环境 - ✨ 新增
tinyai-agent-embodied-robot模块 - 扫地机器人控制系统 - ✨ 新增
tinyai-agent-embodied-vla模块 - VLA视觉-语言-动作架构 - 🎯 完整的感知-决策-执行-学习闭环实现
- 📊 6种内置场景，5种传感器类型
- 🧪 116个单元测试，100%通过率
🤖 智能体系统增强
- ✨ 新增
tinyai-agent-manus模块 - OpenManus手稿智能体架构 - ✨ 新增
tinyai-agent-cursorV2版本 - 全面升级的AI编程助手 - 🔧
tinyai-agent-context模块支持MCP协议 - 📈
tinyai-agent-evol增强LLM驱动的自进化能力
📚 配套图书编写
- 📖 《Java程序员的AI之路》开始编写
- 📝 预计400页，30万字完整学习路径
- 🎓 三大部分：深度学习、大语言模型、智能体系统
- 💡 理论结合实践，代码优先的MANNING风格
📊 项目规模
- 📦 从16个模块扩展到22个核心模块
- 📈 测试用例从470+增加到690+
- 💻 代码量增长50%+
- 📄 文档增加10000+行