

大模型之Spring AI实战系列(十一):Spring Boot + OpenAI 集成本地向量数据库Chroma
在前面的文章中,我们已经学习了如何使用 Spring AI 构建基础聊天服务、流式对话、上下文记忆、角色设定、动态提示词模板、结构化输出、语音识别与合成、图像生成等能力。本文将聚焦于**向量数据库(VectorStore)** 的集成与使用。我们将基于 `spring-ai-openai-vectorStore` 示例项目,并结合本地部署的 [Chroma](https://docs.trychroma.com/) 向量数据库,详细介绍如何通过 Spring AI 集成 Chroma 、


SpringAI 大模型应用开发篇-纯 Prompt 开发(舔狗模拟器)、Function Calling(智能客服)、RAG (知识库 ChatPDF)
本文介绍了大模型应用开发的四种主要技术框架:1. 纯Prompt模式:通过精心设计的提示词工程实现应用功能,详解了指令优化、任务拆解、输出格式控制等核心策略,以及防范提示注入、越狱攻击等安全措施。2. Function Calling模式:结合大模型与传统应用能力,通过定义工具函数实现业务逻辑,以智能客服案例展示了课程推荐与预约系统的完整实现流程。3. RAG模式(检索增强生成):通过向量模型将知识库内容向量化存储,实现专业知识的检索与回答,包含PDF文档处理、向量数据库应用等技术细节。


【基于SpringBoot的图书购买系统】Redis中的数据以分页的形式展示:从配置到前后端交互的完整实现
本文聚焦 Redis 在图书管理系统特价秒杀模块的实践应用。阐述基于 Spring Boot 整合 Redis 的配置方案,包括序列化设置与连接工厂配置;设计前后端交互接口,采用 RESTful 风格实现图书列表查询、购买等功能。后端通过 InitializingBean 实现启动时 MySQL 数据同步至 Redis,服务层遵循缓存优先原则处理业务逻辑;前端借助 Bootstrap 与 AJAX 完成图书列表渲染、分页及购买交互。实践表明,Redis 的引入有效降低数据库压力,提升系统响应速度,为高并发场
