gorgor在码农

重磅!Spring AI 1.0 正式发布,Java 开发者的 AI神器! 全网最详细的Spring AI 文章，每章都会提供代码入口，让你更容易得入门和理解Spring AI 相关概念，直接节约你百分之六十的学习成本时间。

以下是各版本的详细功能与发布时间整理（基于公开信息与版本演进逻辑推断），覆盖0.8.1M1-M8及GA。

简单理解，大模型虽然聪明，但不具备调用外部工具的能力，比如用户让大模型写一篇文章，大模型写出来之后，用户需要手动把文章复制粘贴到本地或者自媒体平台，并且手动发布。有了MCP协议之后，大模型就可以通过MCP协议，调用外部工具，自动把文章保存到本地或者发布到自媒体平台。

在当今的开发环境中，Agent 的出现极大地简化了工作流程。其底层主要基于提示词、模型和工具。用户只需向 Agent 输入需求，Agent 便会自动分析需求，并利用工具获取最终答案。而传统方式下，若没有 Agent，我们则需要手动编码来执行工具，还要将工具执行结果返回给大模型，甚至往往需要反复循环执行这一过程多次。Agent 的运用，有效节省了人力和时间成本，提高了开发效率。

大模型的本质是机器学习， 机器学习的本质就是一种数学模型，而现在主流的大模型都是基于神经网络模型构建的数学模型，不论是基于卷积神经网络(CNN)，还是循环神经网络(RNN)，亦或者是Transformer神经网络等。‍‍‍‍‍‍‍‍所以所谓的大模型，就是一个很复杂的函数，训练它的样本集很大、参数很多。神经网络模型是一种基于人工神经元的数学模型，用于模拟人脑的神经网络结构和功能。神经网络模型有很多层，每一层都有很多个神经元，每一层又是相互连接。

Function Calling 让大模型调用外部工具或 API，扩展能力并获取实时数据。RAG 通过检索外部知识库增强生成能力，适合开放域问答。多模态结合多种模态（如文本、图像、音频）进行信息处理，支持复杂任务。大模型微调通过调整参数提升模型在特定任务或领域的性能，包括全参数微调、参数高效微调等方法。

详细和全面大模型总结

Ollama 企业私有化部署大模型最佳解决方案。Llama3 70b 性能直逼 ChatGpt-3.5 ，而Llama3 405b 的性能已超越了 ChatGpt-4o 。

Spring AI 1.0.0 M1里程碑版本发布，标志着 Java 终于踏进Ai的时代半只脚。

当我们对接LangChain4j的时候，面对复杂的各种各样的大模型的api的对接，让很多开发者感到力不从心。在每个大模型的api都不一样的时候？该如何快捷的切换模型的使用呢？这时，One-API应运而生，它以其简洁，高效的特性，吸引了大量开发者的关注。那么，究竟什么是One-API？它有哪些应用场景？又该如何尝试呢？本文将为你一一解答。

LLM的知识仅限于它所训练的数据。如果你想让 LLM 了解特定领域的知识或专有数据，你可以使用 RAG。什么是RAG？简而言之，RAG(检索增强生成) 是从数据中查找和注入相关信息的方法 再将其发送到 LLM 之前添加到提示符中。这样，LLM将获得相关信息，并能够使用这些信息进行回复， 这应该会降低幻觉的可能性。再简单一点，就是用户输入问题时, 我们先从我们的知识库查看答案， 再把用户输的问题和我们知识库的答案，一起发送给大模型，让大模型根据我们的答案回复用户问题。

Embedding是向量的意思，向量可以理解为平面坐标中的一个坐标点(x,y),在编程领域，一个二维向量就是一个大小为float类型的数组。也可以用三维坐标系中的向量表示一个空间中的点。在机器学习中，向量通常用于表示数据的特征。向量分数越高，代表位置越接近，匹配的数据越相似。

大模型在解决问题时,是基于历史数据进行预测的,而且答案具有一定的随机性，它没办法拿到当前最新的数据.比如你问它 "今天是几号?","今日的热点新闻是什么?"，大模型大概率是回答不上来。而LangChain4j的Tools机制就能够帮助大模型来获取到当前最新的数据。它允许大模型在必要时调用一个或多个可用的工具，这些工具通常由开发人员定义。工具可以是任何东西：Web搜索、对外部API的调用或特定代码段的执行等。LLMs实际上不能调用工具本身;相反，它们在响应中表达调用特定工具的意图（而不是以纯文本响应）。

TokenWindowChatMemory和MessageWindowChatMemory类似，区别在于计算容量的方式不一样，MessageWindowChatMemory直接取的是List的大小，而TokenWindowChatMemory会利用指定的Tokenizer对List对应的Token数进行估算，然后和设置的maxTokens进行比较，超过maxTokens也会进行淘汰，也是淘汰最旧的ChatMessage。根据集合的大小，来淘汰掉旧的消息。

LangChain4j提供了很多基础的组件，每次使用都需要你编写大量的样板代码，LangChain4j就提供了一个高级的组件AI Services，它可以简化与大模型(LLM)和其他组件交互的复杂度。让开发者更专注于业务逻辑，而不是底层的实现细节。

不知道的朋友，可以看我一下两篇文章。

LangChain现在仅支持​ Python语言与Javascript语言， 而LangChain4J就是属于Java版本的。

是一个基于大型语言模型（LLM）开发应用程序的框架, 它旨在简化语言模型应用的开发流程，特别是在构建对话系统和其他基于语言的AI解决方案时.目标是将复杂的语言模型技术转化为可通过简单API调用实现的功能，从而使开发者能够更加专注于创造性的解决方案设计。高效地解决了开发大语言模型应用的痛点问题。Langchain 最主要的特色是可以将 LLM 应用研发过程中的交互 Prompt、LLM 模型调用、语言模型与环境互动的自适应等方式融为一体。