linge_sun-优快云博客

原创 Sping AI 使用 Ollama 快速搭建本地知识库

这样，我们通过一些开源项目，快速搭建起了本地的大模型，以及围绕大模型的一些简单应用。在这个过程中，应该要重点去学习的是这些开源项目将大模型一步步落地，构建应用的思想和方法。例如，One-API 中对渠道和资源的管控方式，基本都是模拟的一些开源大模型产品的管控方式。熟悉这些规则，是我们真正开发企业级大模型应用时必须要了解的。在此基础上，我们才能知道如何控制大模型应用的成本。另外，FastGPT 中还提供了工作流，这也是结合大模型的一种使用经验。

2026-06-07 17:08:56 406

原创 Hugging Face 快速入门：从模型超市到 Java 调用实战

可以理解为目前全球大模型的“大超市”。各大公司在发布大模型产品前，通常都会把模型上传到这里。它不仅仅是一个模型仓库，更是一个集成了数据集、模型测试和应用部署的综合性平台。新手：一个免费了解、尝试各种大模型功能的平台。程序员：一个入门级的编程工具，可以基于它做一些简单的 AI 应用。骨灰级 AI 开发者：一个无尽的宝藏。可以基于这里海量的大模型以及高质量的数据集，进行模型微调、多模态组合等高级操作。Models。

2026-06-07 17:06:36 220

原创 SpringAI 五步提示词大法：构建高效 AI 提示词

本文我们成功实现了一个基于 SpringAI 的 RAG 智能问答系统，它能够读取 PDF 文档，并将其转化为可供自然语言查询的知识库。将替换为PgvectorRedis或Milvus等生产级向量数据库，以支持大规模数据存储和持久化。根据文档类型（如代码、表格、长文本）选择不同的切分器（如），以保留更好的语义完整性。将历史对话信息也作为上下文的一部分，实现多轮对话的 RAG。结合关键词检索（如 Elasticsearch）和向量检索，提高检索的准确率和召回率。

2026-06-07 17:02:21 522

原创 SpringAI RAG 智能问答实战：用自然语言查询知识库

阶段核心操作SpringAI 组件Index加载文件 → 拆分条目 → 向量化存储Retrieval问题向量化 → 相似度检索 → 组装 Prompt → 调用大模型ChatClientSpringAI 目前仍处于快速迭代阶段，API 可能会有较大变化，但 RAG 的核心思想是通用的。掌握了本文的思路，无论未来框架如何演进，你都能快速上手。替换为其他向量数据库（如 Pgvector、Milvus）使用不同的 Embedding 模型优化知识库的拆分策略结合多轮对话历史提升问答体验。

2026-06-07 16:56:39 599

原创 SpringAI SQL 智能助手实战：用自然语言查询数据库

读取 Schema → 构造 Prompt → 调用 LLM → 生成 SQL。你可以在此基础上扩展多表查询、安全校验、缓存优化等能力，打造一个生产级的自然语言查询工具。接入更多数据库类型（PostgreSQL、Oracle 等）支持 DDL 语句生成集成前端对话界面。

2026-06-06 16:23:10 409

原创 SpringAI 功能体验之SQL智能助手：用自然语言查询数据库

SpringAI的SQL智能助手功能，本质上是一个的解决方案。用户输入自然语言问题：例如“查询上个月销售额最高的5个商品”。AI理解问题并生成SQL：SpringAI将用户的问题、数据库表结构信息（DDL）以及一些示例查询（可选）一起发送给大模型。大模型返回SQL语句：大模型根据提供的上下文，生成对应的SQL查询语句。执行SQL并返回结果：SpringAI执行生成的SQL语句，并将查询结果返回给用户。SpringAI通过SqlService和相关的ChatClient。

2026-06-06 16:18:56 211

原创 SpringAI 功能体验之SQL智能助手：用自然语言查询数据库

通过本文，我们体验了 SpringAI 在“Text-to-SQL”这一经典场景下的强大能力。我们只用了不到 50 行核心代码，就搭建了一个功能完整的 SQL 智能助手。这充分展示了 SpringAI 框架的简洁与高效，让开发者能够将更多精力放在业务逻辑和 AI 应用的创新上。从 ChatModel 到 FunctionCall，再到今天的 SQL 智能助手，SpringAI 正在不断降低 AI 应用开发的门槛。希望这篇文章能给你带来启发，快去动手试试吧！

2026-06-05 18:02:36 216

原创 SpringAI 入门实战：从 ChatModel 到 FunctionCall 的完整体验

SpringAI 框架秉承了 Spring 一贯的风格：约定大于配置。应用层只需要记住几个重要的接口，未来对接其他 AI 大模型，基本上只要修改一下配置就可以了，应用层几乎可以不做任何改动。当然，SpringAI 框架还在测试阶段，都还没有推出正式版本，所以目前 SpringAI 框架的功能整体还不如 LangChain4j 框架稳定。如果你真的想要用上 SpringAI，还需要持续关注一段时间。另外，SpringAI 框架只是 AI 大模型的接入层，真正核心的还是 AI 大模型。

2026-06-03 11:00:09 513

原创 LangChain4j 高级特性：QueryTransformer 与问题增强实战

通过引入和，我们可以构建一个更加智能和鲁棒的 RAG 系统。问题增强是 RAG 的关键：不要直接将用户原始问题送入检索，先进行转换和优化。合理设计路由策略：根据业务场景划分知识库，让路由更精准。聚合时注意去重：避免重复内容影响 LLM 的判断。持续迭代：根据用户反馈不断优化转换和路由的 Prompt。

2026-06-02 12:24:01 229

原创 LangChain4j Embedding与向量数据库实战：构建智能客服知识库

索引阶段：加载文件 → 切分文档 → 文本向量化 → 存储到向量数据库检索阶段：用户问题向量化 → 向量数据库检索 → 构建 Prompt → 调用大模型整合阶段：使用 AiServices 将各组件优雅地整合在一起文档切分策略：根据文档格式选择更合适的切分方式，如按段落、按句子或按固定长度切分向量化模型选择：尝试不同的 Embedding 模型，找到最适合业务场景的模型检索策略优化：调整maxResults和minScore参数，或使用混合检索（关键词 + 向量）Prompt 模板定制。

2026-06-02 08:56:14 203

原创 LangChain4j Embedding与向量数据库实战：使⽤Embedding实现⾃然语⾔搜索

AI大模型之所以能“理解”人类语言，本质上是将语言数据化。计算机无法直接理解“我是谁”和“我叫什么名字”是同一个意思，但它可以将这些文本转换成一串串数字（即向量），然后通过计算这些数字之间的相似度来判断语义是否相近。向量是一个有位置、有方向的变量。一个二维向量可以理解为平面坐标轴上的一个点(x, y)，在计算机中用[x, y]表示。同理，一个多维向量就是一个包含更多数字的数组。文本向量化（Embedding）就是通过机器学习模型，将一个文本（如一句话、一个段落）转换成一个多维向量的过程。

2026-06-01 13:18:50 352

原创 LangChain4j AiServices 机制详解：快速构建智能体应用

简单来说，AiServices是 LangChain4j 提供的一个服务构建器，它允许你通过定义一个 Java 接口来描述 AI 服务的行为，然后自动生成该接口的代理实现。这个代理对象会负责与大模型进行交互，并自动处理消息的组装、记忆的管理以及工具的调用。核心优势：极简开发：通过接口定义，告别繁琐的底层 API 调用。组件整合：轻松整合ChatMemoryTools等核心组件。多用户支持：内置对多用户会话隔离的支持。AiServices。

2026-06-01 13:11:11 484

原创 LangChain4j Tools 机制详解：如何让大模型调用本地工具

，却得到一个错误的答案？Tools 机制正是为了解决这类问题而生，它允许大模型调用我们编写的本地方法，从而获取实时数据、执行特定操作或访问私有系统。把这个工具集一起发给大模型后，大模型就可以结合这个工具集处理一些和今天的日期相关的任务。互联网上的各种大模型，只能学习互联网上的各种公开资料，以此为基础解决新的用户问题。”，大模型大概率是给不出正确答案的，因为大模型肯定没有去学习今天产生的资料。既然大模型无法知道当前的时间，那么与今天相关的其他问题，例如“今天天气怎么样”等，大模型自然也就无能为力了。

2026-05-31 16:45:56 220

原创 Java程序员的大模型入门：ChatMemory 打造长会话记忆

知识点说明ChatMemory 作用自动管理历史消息，让模型拥有“记忆力”核心接口ChatMemory两种实现（按条数）、（按 Token）扩展方式自定义实现持久化存储掌握了 ChatMemory，你就可以在 Java 项目中轻松实现带记忆的 AI 对话，打造属于自己的“电子闺蜜”或智能客服。下一篇我们将继续深入 LangChain4j 的更多高级特性，敬请期待。

2026-05-31 16:30:51 182

原创 Java程序员的大模型入门：LangChain4j 核心笔记

LangChain：大模型开发框架，可以理解为大模型领域的 Spring，帮助程序员高效利用大模型能力。：LangChain 的 Java 版本，将大模型能力与 Java 编程语言结合，是目前 Java 生态中与大模型结合最成熟的框架之一。注意：大模型和其使用方式都在快速发展中，学习 LangChain4j 不仅要会用框架，更要理解如何用好大模型。接口用途聊天模型（同步）流式聊天模型（异步逐 token 输出）

2026-05-30 20:41:28 206

原创搭建C语言编程环境

1.Linux 用户配置环境在大多数的 Linux 操作系统上，你只需要安装几个包就可以了。对于基于 Debian（如 Ubuntu）的操作系统上，请找到终端（Terminal）应用并打开，在它的命令行中输入如下命令进行安装：sudo apt-get install build-essential对于基于 RPM 的系统（如 Fedora），请同样找到终端（Terminal）应用并打开，在它的命令行中输入如下命令进行安装：su -c "yum groupinstall development-to

2022-05-12 21:25:38 1610

麟哥的博客

原创 Sping AI 使用 Ollama 快速搭建本地知识库

原创 Hugging Face 快速入门：从模型超市到 Java 调用实战

原创 SpringAI 五步提示词大法：构建高效 AI 提示词

原创 SpringAI RAG 智能问答实战：用自然语言查询知识库

原创 SpringAI SQL 智能助手实战：用自然语言查询数据库

原创 SpringAI 功能体验之SQL智能助手：用自然语言查询数据库

原创 SpringAI 功能体验之SQL智能助手：用自然语言查询数据库

原创 SpringAI 入门实战：从 ChatModel 到 FunctionCall 的完整体验

原创 LangChain4j 高级特性：QueryTransformer 与问题增强实战

原创 LangChain4j Embedding与向量数据库实战：构建智能客服知识库

原创 LangChain4j Embedding与向量数据库实战：使⽤Embedding实现⾃然语⾔搜索

原创 LangChain4j AiServices 机制详解：快速构建智能体应用

原创 LangChain4j Tools 机制详解：如何让大模型调用本地工具

原创 Java程序员的大模型入门：ChatMemory 打造长会话记忆

原创 Java程序员的大模型入门：LangChain4j 核心笔记

原创搭建C语言编程环境

原创欧拉计划题解

原创 Docker 相关（二）

原创 Docker 相关（一）

原创 centos搭建项目运行环境 java+mysql+tomcat

原创 openstack自动安装文档+镜像+资料

原创 openstack环境搭建问题汇总

原创 Linux常用命令

原创 Ubuntu中tomcat启动缓慢的解决办法

原创 LNMP安装matomo并用宝塔面板转发

原创 ubuntu安装宝塔linux面板、安装matomo

空空如也

空空如也