大家好，我是敖云岚，一个沉迷代码的 “技术玩家”。擅长 Java、C++ 开发，对 MySQL、Redis、RabbitMQ 等技术也颇有研究。博客里既有硬核技术干货，也有诙谐幽默的编程日常分享。愿和你一起，笑着学技术，快乐敲代码！

智能体是基于大语言模型构建的自主执行系统，具备环境感知、数据分析和任务执行能力。创建智能体时，用户可选择标准创建或AI生成方式，并设置三种工作模式：自主规划型（独立完成任务）、对话流程型（预设交互路径）和多代理协同型（专家团队协作）。系统支持国内主流大模型，通过数据预处理、自监督学习、推理生成和对齐优化四个步骤实现智能交互。用户可调整温度值等关键参数控制输出效果，并采用CO-STAR框架编写提示词。完成调试后，智能体可部署至各大社交平台，通过自然化的话术设计和结构化问题处理框架优化用户体验。

Coze（扣子）是字节跳动开发的零代码AI应用开发平台，支持用户快速构建智能体、应用等AI项目。平台提供可视化工具、API/SDK集成能力，以及扣子开发平台、罗盘管理系统、Eino开源框架和扣子空间四大核心产品。用户可通过抖音、手机号等方式注册，免费使用基础功能或付费升级服务。Coze空间支持自然语言交互，能自动完成各类任务，如生成PPT或诗歌等，让AI开发像日常对话一样简单。

本文介绍了SpringAI框架中ChatClient和ChatModel两大核心组件的功能与区别。ChatClient是高级API，简化了与大语言模型的交互流程，支持角色预设、结构化输出和流式输出等功能。ChatModel则是底层接口，提供更灵活的模型交互能力。二者分别适用于不同场景：ChatClient适合快速开发标准化对话应用，ChatModel则提供更精细的控制能力。文章通过代码示例展示了如何使用这两个组件实现简单对话、角色预设、结构化输出和流式输出等功能，为开发者构建对话式AI应用提供了实用指导。

《AI与SpringAI框架概述》摘要：人工智能(AI)是通过算法模拟人类智能的技术，其发展历经萌芽期(1940s)、黄金时代(1956)、复兴期(1980s)到当前爆发期，重要里程碑包括AlphaGo和ChatGPT。SpringAI是2025年Spring生态发布的AI集成框架，为Java开发者提供标准化AI工具链，支持多模型厂商和统一API接口，简化企业级AI应用开发。关键概念包括大语言模型(LLM)、提示词系统和词元计费机制，其中LLM如GPT-5、DeepSeekR1等各具特色。该框架通过抽象层设

SpringAIAlibaba是基于SpringAI框架深度适配阿里云生态的AI开发工具，提供高阶API抽象和云原生集成方案。主要功能包括：支持通义千问等大模型服务、RAG增强开发、矢量数据库存储、函数调用及智能体构建等。相比SpringAI，它在阿里云生态集成、RAG功能增强和生产级应用支持方面更具优势。通过简单配置即可快速实现聊天机器人功能，并支持切换不同大模型和本地私有化部署。该框架还提供多智能体框架、企业级解决方案和可观察性等特性，适用于构建复杂的AI应用。

Trae是一款集成AI助手的编程软件，支持代码管理和智能问答。国内版官网为trae.com.cn，国际版依赖Claude提供更美观的UI。安装时建议Windows用户选择D盘，安装后需登录并配置。使用示例：输入"制作百度首页"，AI生成代码后需安装npx命令进行预览，实际效果出色。软件提供主题选择和第三方账号登录功能。

Dify是一款开源的大语言模型(LLM)应用开发平台，采用后端即服务(BaaS)和LLMOps理念，帮助开发者快速构建生成式AI应用。该平台提供可视化界面、RAG引擎、Agent框架等功能模块，支持数百种模型，可实现零代码/低代码开发，适用于智能客服、AI写作等场景。Dify的优势在于降低开发门槛和成本，支持插件扩展和多模态交互，同时提供企业级应用支持。硬件要求为CPU≥2核、内存≥4GB。适用于企业、开发者和个人用户快速实现AI应用开发。

本文介绍了基于Redis实现AI连续对话和向量存储查询的技术方案。在连续对话方面，通过添加Redis存储器依赖和配置Redis连接信息，使用MessageWindowChatMemory保存历史对话，实现多轮对话上下文记忆功能。在向量存储方面，详细说明了RedisVectorStore的配置和使用流程，包括安装RediSearch插件、添加向量数据、避免重复存储以及相似度查询的实现方法。整个方案利用Redis高性能特性，解决了大模型对话记忆和向量检索的关键问题，为AI应用开发提供了高效可靠的技术实现路径。

本文介绍了提示词工程、结构化输出和决策分析的三大技术要点。在提示词工程部分，详细阐述了Prompt的概念、发展历程以及PromptTemplate的动态内容管理优势。结构化输出部分讲解了如何将LLM结果转换为JSON等可编程数据类型的方法。决策分析部分重点说明了意图识别的作用、应用场景和代码实现，包括智能客服、语音助手等典型用例。全文通过SpringAI的代码示例，展示了提示词模板、结构化输出转换和意图识别的具体实现方式，体现了AI技术在实际业务场景中的应用价值。

SpringAIAlibaba是基于SpringAI构建的开源项目，为开发者提供阿里云通义系列模型的高层次API抽象与云原生集成方案。该项目支持多种AI模型服务（如聊天、文生图、音频转录等），具备同步/流式API调用、结构化输出、矢量数据库存储、函数调用及RAG开发模式等功能，帮助开发者快速构建复杂AI应用。文章还介绍了AI模型、提示词模板、嵌入向量、Token计算等核心概念，以及检索增强生成（RAG）和函数调用等关键技术，展现了Java生态在AI应用开发领域的实践创新。

智能助手（Agent Assistant），利用大语言模型的推理能力，能够自主对复杂的人类任务进行目标规划、任务拆解、工具调用、过程迭代，并在没有人类干预的情况下完成任务。

MCP（Model Context Protocol，模型上下文协议） ，2024年11月底，由 Anthropic 推出的一种开放标准。旨在为大语言模型（LLM）提供统一的、标准化方式与外部数据源和工具之间进行通信。（Agent 需要调用外部工具和API、访问数据库、执行代码等）Agent 需要理解其他 Agent 的意图、协同完成任务、与用户进行自然的对话。

定义：RAG（Retrieval-Augmented Generation，检索增强生成）是通过从外接数据源检索相关信息，并注入提示词，提升大语言模型（LLM）查询精准度的一种技术。通过这种实现方式，大语言模型可以获取到特定领域的相关信息，并能够利用这些信息进行回复，从而降低了发生幻觉的可能性。RAG 解决传统大模型局限性知识过时：传统大模型依赖预训练数据，无法获取最新信息。幻觉问题：传统模型可能生成不准确或虚假的信息。RAG 优势实时更新：允许模型访问最新信息，解决知识局限性问题。提高准确性。

是多模态任务的一种具体形式，指通过文本描述生成对应图像的技术。其核心目标是将人类语言的抽象语义转化为视觉具象，广泛应用于创意设计、游戏开发、虚拟内容生成等领域。

LangChain4J 是 Java 生态中基于 LangChain 理念的框架，用于构建智能对话系统和 LLM 应用。在连续对话场景中，核心是维护对话上下文（Context），确保模型能基于历史交互生成连贯回答。

传统的 Redis 服务是不能存储向量的，因此我们需要首先安装 Redis Stack，而 Windows 电脑安 装 Redis Stack，官方只提供了 Docker 的安装方式，因此我们需要先按照 Docker，再在 Docker 上安装 Redis Stack。Redis Stack 是一个由 Redis 官方提供的软件套件，旨在简化开发人员对 Redis 模块的使用体验， 并增强 Redis 的功能。​Redis Stack 不是 Redis 的替代品，而是扩展其能力的工具。

LangChain4j 是一个让Java开发者轻松玩转大模型的工具包，像搭积木一样组合各种AI功能！这篇教你5分钟搞定接入“

SpringAI 可以实现对接主流大模型（DeepSeek、百炼、千帆、清华智普、等LlaVa），提示词工程（角色的使用，提示词模板）、文生文技术（多模型同时调用、多轮对话、流式输出、任务设定）、文生图技术、嵌入模型】多模态、Function Calling、MCP 技 术。我们对 AI 的学习并不是学习大模型的开发，因为国内的大模型开发的公司数量并不多。如果公司中需要更换大模型，那么更换的成本是非常高的，因为每种模型的调用方式是不同的。自 2023 年 AI 爆发以来，现在已经进入了全民 AI 的时代。

MongoDB 是一个基于文档的 NoSQL 数据库，由 MongoDB Inc. 开发。NoSQL，指的是非关系型的数据库。NoSQL有时也称作 Not Only SQL 的缩写，是对不同于传统的关系型数据库的数据库管理系统的统称。MongoDB使用集合（Collections）来组织文档（Documents），每个文档都是由键值对组成的。存储数据的容器，类似于关系型数据库中的数据库。数据库中的一个集合，类似于关系型数据库中的表。

Pinecone是一个完全托管的向量数据库服务，专为大规模机器学习应用设计。它允许开发者轻松存储、搜索和管理高维向量数据，为推荐系统、语义搜索、异常检测等应用提供强大的基础设施支持。

向量数据库是大模型应用开发必备组件之一，因为它在知识库、语义搜索、检索增强生成（RAG）等人工智能应用中发挥着举足轻重的作用。但向量数据有很多，为什么要使用 Milvus 呢？