别吹了,AI写Java代码到底能省多少时间?一个后端仔的真实记录

人工智能优快云版AI和百度AI代码转化测试,C#、Java代码转Python 阅读详情

场景一:CRUD 生成 | 提效 70-80% | ⭐⭐⭐⭐⭐

这是 AI 最能打的场景,没有之一。

传统写法:手写 Entity → Mapper XML → Service → ServiceImpl → Controller,一套标准的增删改查,从建表到联调,至少 40 分钟。如果加上参数校验、分页查询、统一返回体,一个小时也不夸张。

用 AI 之后:给 Cursor 一段需求描述加上数据库表结构,5-10 分钟出完整代码。而且生成的代码结构很规范——注解没漏、字段映射没错、甚至连 Swagger 文档注解都给你加上了。

但别高兴太早。

我踩过的坑:AI 生成的 CRUD 代码表面上能跑,细节经常有问题。举几个典型的:

  • 字段校验粗糙——@NotNull 加了,但 @Size、@Pattern 这种业务校验不会主动加
  • 分页查询用的是内存分页而不是数据库分页(这个坑特别隐蔽)
  • 异常处理一律 catch Exception,没有细分业务异常

所以我的做法是:让 AI 先生成骨架,然后自己过一遍核心逻辑。这样比从零手写快得多,又不会因为盲信 AI 埋雷。

CRUD 是 AI 的主场,这事没争议。但你还是得 review 每一行——AI 写的 bug 比你手写的更隐蔽。


场景二:Bug 排查 | 提效 40-60% | ⭐⭐⭐⭐

先说好用的部分。

一个 NullPointerException,传统排查流程:看堆栈 → 找到报错行 → 往上追调用链 → 打断点 → 复现 → 定位 → 修复。顺利的话 15 分钟,不顺利半小时起步。

现在我直接把报错日志和相关代码丢给 Claude,通常 2-3 分钟就能给出准确定位。不仅告诉你哪里报错,还能分析为什么会走到这个分支。效率差距是数量级的。

SQL 慢查询也类似。把 EXPLAIN 结果丢给 AI,它能分析出索引缺失、全表扫描、JOIN 顺序不合理等问题,给出的优化建议大部分是靠谱的。

但是。

复杂业务逻辑的 bug——比如跨服务的数据不一致、分布式事务异常、线程安全问题——AI 基本帮不上忙。原因很简单:它不了解你的业务上下文,不知道你的系统架构长什么样,不清楚各个服务之间的调用关系。

你可以把全部代码都喂给它,但在上下文窗口有限的情况下,效果也很一般。

AI debug 像个经验丰富的实习生——标准问题秒解,但真正棘手的问题还得靠你自己。


场景三:代码重构 | 提效 30-50% | ⭐⭐⭐

这个场景我体验比较复杂,分层来说。

方法级重构——好用。 提取公共方法、消除重复代码、简化多层嵌套的 if-else,这些 AI 干得又快又好。你说一句「把这段 if-else 用策略模式重构」,它真能给你一套结构清晰的策略类出来。

模块级重构——凑合。 比如给一个老旧的 Service 类做职责拆分,AI 能给出拆分方案,但命名经常不太合适,边界划分也需要自己调整。它不太懂你的团队命名规范,也不清楚哪些逻辑在你的系统里属于同一个领域。

架构级重构——别想了。 单体拆微服务、数据库分库分表这种事,涉及太多业务决策和技术权衡,AI 给的方案顶多算个参考。你要是照着它的方案直接改,后果自负。

重构的本质是对业务的理解。AI 只能帮你搬砖,不能帮你画图纸。


场景四:写单元测试 | 提效 50-70% | ⭐⭐⭐⭐

Java 程序员最不爱写但又不能不写的东西——单元测试。

传统写法:一个 Service 方法的单测,先 mock 一堆依赖,再写正常返回用例、空值用例、异常用例,30-40 分钟很正常。而且坦白说,很多人(包括我)写单测就是为了应付覆盖率检查,质量堪忧。

现在我把 Service 代码丢给 AI,说一句「用 JUnit 5 + Mockito 生成单元测试,覆盖正常和异常场景」,3-5 分钟出一整套。

举个真实例子。比如有这么一个订单查询方法:

java

public OrderDetailVO getOrderDetail(Long orderId) {

Order order = orderMapper.selectById(orderId);

if (order == null) {

throw new BizException(ErrorCode.ORDER_NOT_FOUND);

}

// 查关联的商品信息

List<OrderItem> items = orderItemMapper.selectByOrderId(orderId);

OrderDetailVO vo = OrderConverter.toDetailVO(order);

vo.setItems(OrderConverter.toItemVOList(items));

vo.setTotalAmount(calcTotalAmount(items));

return vo;

}

AI 生成的测试长这样(节选关键部分):

java

@ExtendWith(MockitoExtension.class)

class OrderServiceTest {

@Mock

private OrderMapper orderMapper;

@Mock

private OrderItemMapper orderItemMapper;

@InjectMocks

private OrderServiceImpl orderService;

@Test

@DisplayName("查询存在的订单-返回完整详情")

void getOrderDetail_success() {

Order mockOrder = buildMockOrder(1001L);

List<OrderItem> mockItems = buildMockItems(1001L, 2);

when(orderMapper.selectById(1001L)).thenReturn(mockOrder);

when(orderItemMapper.selectByOrderId(1001L)).thenReturn(mockItems);

OrderDetailVO result = orderService.getOrderDetail(1001L);

assertNotNull(result);

assertEquals(1001L, result.getOrderId());

assertEquals(2, result.getItems().size());

verify(orderMapper).selectById(1001L);

}

@Test

@DisplayName("查询不存在的订单-抛出业务异常")

void getOrderDetail_notFound() {

when(orderMapper.selectById(9999L)).thenReturn(null);

BizException ex = assertThrows(BizException.class,

() -> orderService.getOrderDetail(9999L));

assertEquals(ErrorCode.ORDER_NOT_FOUND, ex.getErrorCode());

}

}

说实话,这个质量是能直接用的。Mock 层级对、断言清晰、方法命名规范。如果手写,这两个测试方法至少要 15 分钟,AI 生成只要 2 分钟。

但我手动补了什么呢?

java

@Test

@DisplayName("订单存在但商品列表为空-金额应为0")

void getOrderDetail_emptyItems() {

when(orderMapper.selectById(1001L)).thenReturn(buildMockOrder(1001L));

when(orderItemMapper.selectByOrderId(1001L)).thenReturn(Collections.emptyList());

OrderDetailVO result = orderService.getOrderDetail(1001L);

assertEquals(BigDecimal.ZERO, result.getTotalAmount());

assertTrue(result.getItems().isEmpty());

}

这种业务边界用例——商品列表为空时金额计算是否正确——AI 不会主动想到,因为它不知道 calcTotalAmount 对空列表的处理逻辑是不是你期望的。

AI 生成测试的优点:

  • Mockito 用得很熟练,@Mock、@InjectMocks、when().thenReturn() 一气呵成
  • 正常路径和基本异常覆盖得不错
  • 断言写得清晰,方法命名规范

缺点也明显:

  • 边界条件经常遗漏——并发场景、数据库连接异常、超时这种不会主动想到
  • 有时 mock 的层级不对——该 mock Repository 的地方 mock 了 Service
  • 对业务语义理解有限——不知道空列表、金额为 0 这种场景需不需要专门测

我现在的套路是:让 AI 先生成 80% 的测试用例,自己再补上那 20% 的关键边界。这比从零手写效率高太多了。

80/20 法则在 AI 写单测这件事上体现得淋漓尽致。


场景五:写技术文档 | 提效 80-90% | ⭐⭐⭐⭐⭐

这是我觉得最被低估的 AI 提效场景。

Java 程序员写代码还行,写文档真的要命。一份接口文档写半天,一份方案设计磨一整天,部署文档更是能拖就拖。

举个例子。前阵子我写了一个用户收货地址的 Controller,大概长这样:

java

@PostMapping("/address/add")

public Result<Long> addAddress(@RequestBody @Valid AddressAddReq req) { ... }

@GetMapping("/address/list")

public Result<List<AddressVO>> listAddress() { ... }

@PutMapping("/address/update")

public Result<Void> updateAddress(@RequestBody @Valid AddressUpdateReq req) { ... }

@DeleteMapping("/address/{id}")

public Result<Void> deleteAddress(@PathVariable Long id) { ... }

把这段代码丢给 AI,说「生成接口文档,Markdown 格式,包含请求参数、返回值、错误码」,2 分钟后它给我的文档(节选):

POST /address/add — 新增收货地址

参数

类型

必填

说明

receiverName

String

是

收货人姓名,2-20个字符

phone

String

是

手机号,11位

province

String

是

省份

city

String

是

城市

district

String

是

区/县

detailAddress

String

是

详细地址,最长200字符

isDefault

Integer

否

是否默认地址,0-否 1-是,默认0

返回值: Result<Long> — 新地址ID

错误码:

  • ADDRESS_LIMIT_EXCEEDED — 收货地址数量超过上限(20个)
  • PARAM_INVALID — 参数校验失败

它连字段的校验规则都从 @Valid 注解里推断出来了。手写这份文档至少要 30 分钟,现在 2 分钟生成,再花 5 分钟检查补充,总共不到 10 分钟。

方案设计文档也一样。给出需求描述和技术方案要点,AI 能在 10 分钟内生成一份结构完整的设计文档——背景、目标、方案对比、技术选型、风险评估,该有的都有。当然具体技术细节需要自己补,但框架已经省了你 80% 的时间。

README 就更不用说了,几乎不用改,直接能用。

如果你还在手写文档,那你是真的在浪费生命。这话可能有点绝对,但我是认真的。


我的真实结论

一张表总结

场景

提效幅度

推荐度

一句话

CRUD 生成

70-80%

⭐⭐⭐⭐⭐

AI 的主场,没争议

Bug 排查

40-60%

⭐⭐⭐⭐

标准问题秒杀,复杂问题不行

代码重构

30-50%

⭐⭐⭐

能搬砖不能画图纸

单元测试

50-70%

⭐⭐⭐⭐

AI 出 80% + 人工补 20%

技术文档

80-90%

⭐⭐⭐⭐⭐

最被低估的提效场景

关于「效率反降 19%」

最近那个「AI 写代码效率反降 19%」的研究火了,很多人拿来当 AI 没用的证据。但你仔细看就会发现:研究用的是大型开源项目(平均 110 万行代码),上下文极其复杂。

日常业务开发完全不是这个量级。我们的代码库上下文更可控,需求也更明确。在这种条件下,AI 发挥的空间大得多。

说白了,关键不是 AI 行不行,而是你选对了场景没有。用 AI 写 CRUD 能省 70% 时间,你非要让它帮你做架构设计——那确实会「提效为负」。

我的使用原则

  1. AI 擅长的事全交给它:CRUD、文档、测试框架、标准 bug 排查
  2. AI 不擅长的事别勉强:复杂业务逻辑、架构设计、跨服务问题
  3. 永远 review:AI 写的代码比你手写的更需要审查——因为它写的 bug 更隐蔽
  4. 积累自己的 Prompt:好的 Prompt 比好的工具更重要

写在最后

我是栈外,写了几年 Java,现在用 AI 多赚一份钱。

不会告诉你用 AI 就能月入十万。但它确实能让你每天省出 1-2 小时——前提是你用对场景。

下一篇聊聊这省出来的时间,我拿来干了什么。省下来的时间如果不变成钱,那提效就是个伪命题。

如果觉得有用,点个赞收个藏,后面还有更硬的干货。

原文链接:https://juejin.cn/post/7610580125618929690

AI人工智能背景下Vue前端、SpringBoot+MyBatis后端用智能合约记录支付的效率提升 本文旨在为开发人员提供一个实用的技术方案,将智能合约技术融入传统Web应用开发栈(Vue前端+SpringBoot+MyBatis后端),特别关注支付记录这一高频业务场景的效率优化。我们将覆盖从架构设计到具体实现的完整流程。首先分析传统支付系统的瓶颈介绍智能合约的核心概念及其优势展示如何将智能合约集成到现有技术栈提供具体实现代码和性能对比探讨AI在智能合约优化中的应用智能合约:运行在区块链上的自执行合约,条款直接写入代码Vue:渐进式JavaScript框架,用于构建用户界面。 阅读详情

相关推荐

Unity中的坐标系及其转换方法

Unity中的坐标系及其转换方法 Unity中有四种坐标系: 1.全局坐标系 World Coordinate System 全局坐标系是用于描述场景内所有物体位置的方向的基准,也称为世界坐标系,Unity中创建的物体都是以全局坐标系中的坐标原点(0,0,0),来确定各自的位置的,可以使用transform.position来获取游戏对象的世界坐标。 2.局部坐标系 Local Coordinate System 局部坐标系也称为模型坐标系或物体坐标系,每个物体都有自身独立的物体坐标系。当物体移动或改变方向

Z_hongli的博客 8179

AI编程对产品性能、规程开发提效有多少?深度解析与实践指南

AI编程

dylan的博客 1706

深入解析BlueZ5与D-Bus:Linux蓝牙开发实战指南

本文深入解析BlueZ5与D-Bus在Linux蓝牙开发中的核心应用,提供从环境搭建到实战开发的完整指南。通过详细代码示例和调试技巧,帮助开发者掌握蓝牙协议栈与D-Bus接口的交互方法,实现高效蓝牙设备管理与GATT服务开发。

weixin_28292761的博客 455

为什么 AI 明明写后端更爽,但却都网传 AI 取代前端,而不是 AI 取代后端?就离谱...

昨天发完 [手写代码"已死"?深度体验 Gemini 3 Pro 和 Claude Sonnet 4.5 后的 72 小时 ] 后,后台私信直接爆了。。。

LGD_Sunday的专栏 1414

(Cascade extended state observer)级联ADRC的simulink仿真和程序---送给中国研究学者的精华版

(Cascade extended state observer)级联ADRC的simulink仿真和程序---送给中国研究学者的精华版

weixin_44312889的博客 3788

深入理解 DDR5 Bank Group 与并行调度机制

Bank Group架构和并行调度机制,是DDR5性能跃升的核心秘密!理解它们才能写出高效调度程序,设计出性能强劲又稳定的DDR5系统。🎯记住:Bank Group不是简单的分组,而是高速并行的“魔法钥匙”,巧用它,你的DDR5设计将爆发惊人性能!

weixin_43199439的博客 318

别吹了!AI写Java代码到底能省多少时间?一个后端仔的真实记录

现在网上到处都是“AI颠覆编程”“程序员要失业”的吹稿,也有部分研究说“AI写代码效率反而下降”。作为天天搬砖的后端开发,我不吹不黑,用真实业务场景、实测提效数据、踩坑经验AI写Java代码,到底能省多少时间?哪些场景真香?哪些场景纯鸡肋?全文都是日常开发实录,没有虚话,适合所有后端开发者参考避坑。优点:熟练使用Mockito、基础场景全覆盖、代码规范、断言清晰,大幅节省重复工作量。缺点:遗漏边界场景(空数据、超时、并发、异常降级)、Mock层级偶尔出错、无法理解自定义业务语义。最优套路。

IT枫斗者的博客 286

数字电路逻辑与设计实验三 译码器和数据选择器

1. 译码器功能测试 将 74LS139 按图 3.1 接线,按表 3.2 输入电平分别置位,填输出状态表。 2. 译码器转换 将双 2-4 线译码器转换为 3-8 线译码器。 (1)画出转换电路图。 (2)在实验箱上接线并验证设计是否正确。 (3)设计并填表写该 3-8 线译码器功能表,画出输入、输出波形。 3. 数据选择器的测试及应用 (1) 将双 4 选 1 数据选择器 74LS153 参照图 3.2 接线,测试其功能并填写功能表 3.3。 (2)将实验箱脉冲信号源中固定连续脉冲 4 个不

欢迎交流学习心得 3088

别吹了!AI写Java代码到底能省多少时间?后端开发真实实测记录

AI生成的代码看似完美能跑,但业务细节漏洞极多,且隐蔽性极强,直接上线必出问题:字段校验粗糙:仅默认添加@NotNull非空校验,不会主动补充@Size长度、@Pattern正则等业务专属校验规则分页陷阱:经常生成内存分页代码,而非数据库物理分页,数据量一大直接OOM(极其隐蔽,极难排查)异常处理粗放:统一catch全局Exception,不区分系统异常、业务异常,无法精准捕获报错、定制返回信息✅ 优点:熟练使用Mockito注解、覆盖主流正常/异常场景、代码规范、断言清晰。

IT枫斗者的博客 334

Qt实现思维导图功能5『纵向分布模式』

思维导图纵向分布模式:模式一

浮生流年的博客 1062

从零开始做对容量规划:一文讲透 SAP Greenfield sizing 与 Quick Sizer 落地方法

摘要 SAP项目早期硬件规划面临业务细节缺失的挑战,Greenfield sizing方法通过Quick Sizer工具将业务需求转化为硬件资源需求。该方法聚焦主要负载驱动因素而非精确预测,采用标准化问卷形式输入并发用户数、业务处理量等参数,输出内存、CPU等资源需求。关键步骤包括选择正确的Quick Sizer版本、创建sizing项目、参考SAP基准测试和认证目录校准结果,最终将需求交由硬件厂商落地。该方法特别适用于缺乏历史数据的新系统部署,帮助在不确定性中建立可控的容量规划模型,避免资源浪费或性能不足

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 218

十年Java老手的焦虑:当新人用AI写代码比我快,传统后端路在何方?

十年Java老手的焦虑:当新人用AI写代码比我快,传统后端路在何方?

EnjoyEDU的博客 1394

迈瑞BS系列全自动生化分析仪LIS协议接口手册(内含HL7和ASTM)

迈瑞BS系列全自动生化分析仪LIS协议接口手册,内含HL7和ASTM)

高级Java开发工程师手把手教你用AI人工智能帮你写JAVA代码实际案例一全网唯一

现在AI人工智能概念炒的很火,人们到处听到的讯息是AI人工智能颠覆我们的生活,或者是代替什么岗位,但是到底AI能帮助到我们什么,能给我们生活带来什么?可能我们普通人没有能真正的感知到!笔者本身就是一个多年研发经验的JAVA工程师,笔者把实际工作过程中,运用的简单场景分解成简单的教案共享到社会中,希望能让更多的IT从业者能享受到人工智能带来的巨大福利!你给AI口令,让它生成代码,然后你再修改代码,然后你把代码不断回馈给AI,让它读懂之后,再不断的完善!最终达到目标,让你拿到你要的代码!

nasen512的博客 1万+

C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正

华为的C语言编程规范.pdf

华为技术有限公司内部技术规范。本规范制定了编写C语言程序的基本原则、规则和建议。从代码的清晰、简洁、可测试、安全、程序效率、可移植各个方面对C语言编程作出了具体指导。

后端实习过程记录三:Java AI应用开发

本次开发完成了结构化输出与RAG知识库,后续AI项目由小组另一名成员完成,具体可见后端开发实习:添加MCP协议-优快云博客。

2301_81664695的博客 1431

Java也能写AI?我用Java写了一个AI智能客服!!

现在基本很多公司也加入了ai的队列里面去,也有了很多的ai产品,例如ai智能客服,大家第一个想到的是用什么语言进行开发呢,当我第一次听到java也能开发一个ai智能客服的时候我是很震惊的,后面了解到其实java也是调用的事别人的api,例如阿里对外开发的通义模型的接口给大家调用,那么这次我们就来带大家来开发一款基础的一个ai智能客服出来。 这次我们整体的架构图类似是这样的:我们要用到的中间件为mysql,用来存储对话的数据,用到的orm框架为mybatisplus,后端框架自然是Springboot啦。首先

编码人生 2026

朋友写的一个中国象棋游戏,JAVA代码

朋友写的一个中国象棋游戏,JAVA代码

qq_43680030的博客 5031

AI Agent 替你写代码没问题,但这 3 类后端任务让它当场翻车

先给你一个结果数字:单测编写这件事,我以前每次要花 40 分钟,现在 5 分钟交给 AI,自己只需要 review 10 分钟,整体省了 25 分钟。但线上故障排查,我让 AI 介入了 3 次,有 1 次它给出的修复方案引入了新问题,排查时间反而比自己来更长。这篇文章想说清楚的就是这件事:AI Agent 的真实天花板在哪。图:后端工程师使用 AI Agent 前后的工作感受对比。

cOg4o7KMN的博客 232

拒绝 Mock 数据!我用 AI 直接扫描后端代码,一次性生成了可真实运行的前端

虽然我没有给设计稿,但是根据接口信息生成UI需要的元素,并且它生成了一个非常干净、标准的登录卡片,甚至贴心地把“Password”输入框做成了掩码显示,按钮配色也符合现代审美。只要后端业务逻辑(Domain Logic)是清晰的,Gemini Conductor 这样的工具完全可以充当“全栈设计师”,帮我们填补从 API 到 UI 的最后一公里。在传统的前后端分离开发中,甚至是早期的 AI 辅助编程中,我们习惯了先用 Mock 数据。AI 没有因为缺 UI 稿而卡壳,它通过阅读后端代码,完成了一次完美的。

qq_25624705的博客 569

我拿一个真实 Java 项目测了下 AI 修 BUG,真正拉开差距的不是会不会写代码

这篇文章探讨了AI在真实Java项目中修复BUG的实际表现,指出AI编程能力的核心差异不在于代码生成速度,而在于工程判断能力。作者通过测试发现,优秀的AI工具不仅能按报告修复BUG,还能主动扩大问题搜索范围,从单个问题反推BUG类型,覆盖更多潜在风险点。文章特别举例说明了AI如何识别Spring事务注解在实际调用链中的失效风险,并选择更合适的TransactionTemplate解决方案。作者强调,真正有价值的AI编程能力在于理解系统上下文、判断框架机制和验证解决方案的实际有效性,而不仅仅是生成看似正确的代

qq_42817415的博客 253

终于不用写日报了!我用 AI 做了一个“让代码说话“的插件

CodeDiary是一款基于Git提交记录的AI工作报告生成插件,专为解决程序员撰写日报/周报的痛点设计。该工具通过分析代码提交信息,利用大语言模型自动生成结构化工作报告,实现"代码即工作"的理念。核心功能包括灵活时间范围选择、提交记录可视化、智能报告生成和自定义配置,可将撰写报告时间从10分钟缩短至1分钟,效率提升90%+。插件支持日报、周报、月报等多种场景,并建议配合良好的Git提交习惯使用。

学而时习之,不亦说乎?温故而知新,可以为师矣! 1341

AI提效到底有多少?3个真实项目实测

本文通过三个真实项目的对比测试,量化分析了AI编程助手的实际提效效果。结果显示: 在前端数据看板项目中,AI辅助实现了41.7%的提效,尤其在ECharts配置生成和类型定义方面表现突出 后端微服务重构项目提效30%,主要受益于代码规范和测试覆盖率的提升 Python自动化脚本项目提效最高达56.3%,AI显著减少了调试时间 综合来看,AI编程助手的平均提效约为42.7%,远低于"10倍效率"的夸张宣传,但仍是显著的生产力提升。值得注意的是,AI带来的代码质量提升(降低Bug密度、提高测试覆盖率)的价值可能

ITmaster0731的博客 498

如何让AI写代码越写越像你

本文介绍了一种利用Claude Code的Hook机制自动记录和提炼个人编码风格的实践方案。通过四个脚本实现:1)关键词触发追踪;2)修改前快照;3)修改后快照;4)生成diff和AI摘要并归档。系统自动记录每次代码优化会话,通过定期人工复盘提炼高频模式形成编码规范,使AI生成的代码越来越符合个人风格。方案本质是建立"AI修改-自动记录-人工提炼-规范更新"的反馈闭环,将被动积累的经验转化为主动的编码约束,最终减少人工对齐的工作量。

无所事事的博客 441

后端实习过程记录一:Java AI应用开发

修改ai对话方法,将形参改为UserMessage的类型,即输入类型由用户决定,相比之前String的类型(只能选择文本信息与AI大模型通话)可以传入其他类型的信息。大模型能接收到自定义的信息,可见与大模型通话的多模态已经完成,但由于当前使用的大模型不具备多模态的能力,所以无法识别传入的图片链接。重新用DEBUG模式运行,能返回并输出大模型的回复消息,可见与大模型的通话已初步完成。该方法中分别是定义用户的消息,得到ai的回复,封装ai的回复,输出ai回复的内容。添加一个类,并写下一个与大模型交流的方法。

2301_81664695的博客 934

ai自动写JAVA代码,bee: Bee是一个开发速度快、简单、自动高效且具有人工智能(AI)特性的Java ORM框架!它的编码复杂度是O(1),不管操作多少张表,都可以不需要写额外的Dao代码。B...

Bee工欲善其事必先利其器!——《论语·卫灵公》磨刀不误砍柴工!Bee 是一个 Java ORM框架利器, 它的开发速度快, 编码少, 还很简单!Bee 是一个具有人工智能(AI)特性,省时/优雅、简易、自动( AiTea: Timesaving/Tasteful, Easy, Automatic) 的ORM软件框架(AiTeaSoft)(IT-->AiTea 的思维转变!)。你还在为不断重...

weixin_33835122的博客 1083
上一篇: java面试一定会遇到的200个面试题(程序员必备)
下一篇: 字节跳动Java大厂面试版
一只幸运猫.
博客等级 码龄1年 10粉丝 83原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值