- 博客(463)
- 问答 (2)
- 收藏
- 关注
RSS订阅原创 内网穿透配置和使用
本文介绍了两种主流内网穿透工具NatApp和Ngrok的使用方法。NatApp部分详细说明了购买隧道、配置信息和启动流程，提供官网链接和操作截图。Ngrok部分同样包含开通隧道（可选择免费版本）和启动步骤的图文说明。两种工具都能帮助开发者实现内网穿透，方便本地服务的远程访问。文章最后以感谢语作结，表达对读者的感激之情。
2025-11-20 22:37:15
273
原创 13. Spring AI 的观测性
Spring AI的可观测性功能解决了企业级AI应用中的关键痛点，包括Token消耗不透明、成本失控、性能瓶颈定位难等问题。通过集成Spring Boot Actuator和Prometheus，开发者可以实时监控AI调用成本、优化性能并追踪完整请求链路。文章演示了如何构建一个具备可观测性的翻译应用，包括项目初始化、AI客户端配置和服务实现，帮助开发者实现精准Token监控和智能成本控制。
2025-11-20 22:31:04
649
原创 10. Spring AI + RAG
本文介绍了检索增强生成（RAG）技术，通过向量数据库将业务数据与基础大模型结合，解决模型无法获取具体业务数据的问题。Rorge讲述了ixe像模型将文本转换为多维向量，实现语义相似性搜索。Spring AI支持多种向量数据库，如Azure、Cassandra等，并展示了如何使用Ollama向量模型进行文本向量化操作。RAG技术通过文档向量化存储和检索，有效补充了大模型的实时业务数据处理能力。
2025-09-30 21:45:06
1291
2
原创 9. Spring AI 当中对应 MCP 的操作
摘要 本文介绍了Spring AI中MCP（Model Context Protocol）的操作方法，主要解决服务商工具外部化和企业内部工具共享的问题。MCP采用jsonrpc2.0标准化通讯，支持SSE和STDIO两种方式：STDIO适合客户端应用，SSE更适合Web应用。文章详细演示了如何通过现成MCP服务器（如mcp.so）或工具（如VSCode插件Cline）使用MCP，并重点讲解了Spring AI接入第三方MCP服务的配置方法，包括依赖引入和JSON配置文件设置，以百度地图API为例展示了具体实
2025-09-30 21:40:02
720
原创 8. Spring AI tools/function-call
摘要：本文介绍了如何通过Spring AI实现大模型与企业API的协同工作，以票务助手为例演示了退票、查询等功能。文章展示了两种实现方式：初代多模型协调方案和tools/function-call方法，通过结构化输入让AI系统能够调用业务API完成特定任务。关键点包括任务识别、业务逻辑处理及流式响应，为开发企业级智能应用提供了实用解决方案。
2025-09-29 15:59:53
1106
原创 7. Spring AI 对话记忆 + 结构化输出
本文介绍了Spring AI中对话记忆(ChatMemory)的实现方式。针对大型语言模型(LLM)无状态的特性，通过ChatMemory组件存储和检索多轮对话信息。文章展示了如何使用PromptChatMemoryAdvisor自动管理对话历史记录，并讨论了配置要点：1)设置最大存储消息数以避免token超限；2)实现多用户对话隔离。最后提供了Spring Boot集成示例代码，演示了如何通过配置参数来维护不同用户的对话上下文。
2025-09-29 15:53:07
992
原创 6. Advisor 对话拦截
Spring AI 提供了 Advisor 对话拦截机制，通过面向切面编程实现对 AI 交互的拦截和增强。Advisor 接口包含 CallAdvisor（非流式场景）和 StreamAdvisor（流式场景），支持日志记录和自定义拦截功能。日志拦截通过 SimpleLoggerAdvisor 实现，需设置 DEBUG 级别查看请求/响应信息。开发者可基于 BaseAdvisor 实现自定义拦截逻辑，如 ReReadingAdvisor 实现重读策略，通过重复输入提升模型理解能力。需注意 Advisor 必
2025-09-28 10:11:40
1031
原创 5. Prompt 提示词
本文介绍了生成式AI中提示词的设计与应用。主要内容包括：1）提示词质量对AI输出的重要影响，如特定提示词能显著提升问题解决效率；2）提示词类型：SYSTEM（系统指令）、USER（用户输入）、ASSISTANT（AI响应）和TOOL（功能调用）；3）提示词模板的实现方法，包括动态参数传递和文件加载；4）实用技巧如文本摘要、问答、分类、对话和代码生成等场景的应用。文章通过代码示例展示了在Java环境下如何构建和使用提示词模板。
2025-09-28 10:07:22
890
原创 4. ChatClient 的初始，快速使用上手
本文介绍了Spring AI框架中的ChatClient组件，它作为ChatModel的封装层，提供了统一的API接口支持多种大模型交互。文章详细讲解了ChatClient的基本使用方法，包括构建方式、阻塞式和流式输出，并通过代码示例演示了如何动态选择底层ChatModel。此外，还展示了在多模型环境下的实战配置方案，包括DeepSeek和Ollama两种模型的集成方法，以及如何通过REST接口实现模型动态切换。ChatClient简化了不同大模型API之间的差异，是Spring AI中优先推荐使用的交互方
2025-09-26 20:24:19
319
原创 3. Ollama 安装，流式输出，多模态，思考模型
本文介绍了Ollama本地大语言模型的安装与使用。Ollama作为大模型运行环境，支持私有化部署，保障企业数据安全。文章详细讲解了Ollama的安装步骤、模型拉取方法（如qwen3:4b模型），以及如何在Spring项目中集成使用。重点说明了如何关闭模型的"thinking"思考模式，实现流式输出，并介绍了多模态功能（支持图像识别等）。还指出了当前版本与Spring AI 1.0的兼容性问题，提供了测试代码示例。内容涵盖从基础安装到高级应用的全流程指导。
2025-09-26 20:19:51
874
原创 2. Spring AI 快速入门使用
本文介绍了如何快速使用Spring AI框架集成DeepSeek聊天模型。首先通过Maven创建Spring Boot项目，并添加Spring AI依赖管理。然后配置DeepSeek API密钥和模型参数，通过自动配置类DeepSeekChatModel实现智能对话功能。文章展示了阻塞式和流式两种输出方式，并详细说明了temperature参数对模型输出的影响（0-2范围，数值越高创造性越强）。最后提供了通过代码和配置文件两种方式设置temperature参数的示例，以及如何通过提示词控制模型的输出风格。
2025-09-23 11:26:06
1118
原创 14. Java开发者LLM实战——LangChain4j最新知识库实战
Java开发者LLM实战：LangChain4j知识库入门指南 本文介绍了Java语言集成大模型的工具LangChain4j，主要特点包括： 提供统一API支持15+主流LLM和20+嵌入模型 0.35.0版本支持JDK8，0.36.0+需JDK17+ 与SpringAI对比优势在于无框架依赖和多模型支持 通过Maven工程示例展示了快速接入OpenAI和DeepSeek模型的方法，包括： 基础依赖配置 简易对话实现 API密钥处理机制 代理服务自动切换 特别指出LangChain4j对开发者友好，提供&q
2025-09-20 11:14:41
1021
原创 13. LangChain4j + 加入检索增加生成 RAG(知识库)
本文介绍了RAG（检索增强生成）技术在LangChain4j中的实现与应用。RAG通过为AI模型提供"实时百科大脑"，先检索知识库再生成回答，有效减少模型幻觉并提高专业准确性。文章详细解析了RAG的两个核心阶段：索引阶段（文档预处理、分块、向量化存储）和检索阶段（查询向量化、相似度搜索）。在LangChain4j中，RAG实现分为Easy、Naive和Advanced三种模式，并提供了完整的文档处理流程：加载、转换、拆分、嵌入和检索。最后以阿里巴巴Java开发手册的错误码查询为例，演示了
2025-09-20 11:06:22
1099
原创 12. LangChain4j + 向量数据库操作详细说明
本文介绍了LangChain4j与向量数据库Qdrant的集成使用。主要内容包括：1）LangChain4j的3个核心组件：嵌入模型、向量存储和相似性搜索；2）向量数据库的特点，能够将文本转换为向量并支持语义相似性搜索；3）Qdrant向量数据库的Docker安装方式；4）实际项目中如何通过Spring Boot集成LangChain4j和Qdrant。文章通过具体示例展示了如何利用这些技术实现高效的语义搜索功能，适合开发者快速上手向量数据库应用开发。
2025-09-17 23:00:03
1359
原创 11. LangChain4j + Tools(Function Calling)的使用详细说明
本文介绍了如何使用LangChain4j结合工具（Function Calling）扩展大语言模型的功能。文章详细说明了两种实现方式：低级别使用ChatModel和ToolSpecification API，以及高级别使用AI Services和@Tool注解。实战部分演示了通过创建发票开具功能模块，配置大模型三件套（API key、模型名称和URL），并实现FunctionAssistant接口。重点强调了LLM本身不执行函数，而是指示调用哪个函数及如何调用，开发者需执行工具并将结果反馈。文章提供了完整的
2025-09-17 22:54:07
1134
原创 10. LangChain4j + 持久化实操详细说明
本文介绍了如何使用LangChain4j框架实现对话系统的持久化存储功能。通过集成Redis数据库，将用户与大模型的对话记录进行持久化保存。文章详细说明了实现步骤：1)创建项目模块并导入必要的依赖包；2)配置application.properties文件设置Redis连接参数；3)定义高阶接口ChatPersistenceAssistant处理对话逻辑；4)编写Redis序列化配置类防止数据乱码。该方案采用流式输出方式，确保对话历史的完整保存和中文内容的正确处理，适用于需要长期记忆对话场景的应用开发。
2025-09-14 20:30:55
1070
原创 9. LangChain4j + 整合 Spring Boot
LangChain4j与Spring Boot整合实践摘要 本文介绍了LangChain4j与Spring Boot的两种整合方式：低阶API和高阶API。通过官方文档指引，展示了如何配置POM依赖和application.properties文件，特别强调了中文乱码问题的解决方案。文章详细演示了创建Spring Boot模块、导入依赖、设置配置文件以及编写大模型配置类的完整流程，并以通义千问和DeepSeek两个大模型为例，提供了具体的代码实现。整合的关键点在于正确处理大模型的三要素（API Key、模型
2025-09-14 20:26:32
945
原创 8. LangChain4j + 提示词工程详细说明
本文介绍了LangChain4j框架中四种聊天消息类型（用户消息、AI消息、系统消息和自定义消息）及其应用，重点讲解了如何利用SystemMessage和提示词工程构建限定领域的专业助手（如法律咨询）。文章提供了具体的实现步骤，包括项目依赖配置、提示词编写方式（@SystemMessage+@UserMessage+@V注解、实体类封装等），并分享了避免中文乱码的配置方法。通过角色设定和提示词模板，开发者可以精确控制AI助手的能力边界和行为模式。
2025-09-09 22:09:23
910
原创 7. LangChain4j + 记忆缓存详细说明
本文介绍了LangChain4j中的记忆缓存功能，该功能用于存储和管理对话上下文，使AI助手能记住历史对话内容。文章详细讲解了两种记忆缓存实现方式：基于提问条数（推荐）和基于token数目（不推荐）。实战部分展示了如何通过Spring Boot项目集成该功能，包括依赖配置、编码设置、接口定义及大模型配置。特别强调了通义千问长对话模型的使用，并提供了关键注解@MemoryId和@UserMessage的用法说明，帮助开发者实现连贯的对话体验。
2025-09-09 22:01:20
767
原创 6. LangChain4j + 流式输出详细说明
文章摘要： 本文介绍了LangChain4j框架中流式输出(StreamingOutput)技术的实现与应用。流式输出是一种逐步返回大模型生成结果的技术，通过分批次实时传输内容给客户端，显著提升了用户体验，特别适用于响应较慢的大模型场景。文章详细演示了如何在LangChain4j项目中配置流式输出功能，包括创建模块、添加必要依赖(langchain4j-open-ai、langchain4j和langchain4j-reactor)、设置响应编码以避免乱码，以及定义ChatAssistant接口来实现普通输
2025-09-04 11:51:58
800
原创 5. LangChain4j + 多模态视觉理解详细说明
本文介绍了如何使用LangChain4j框架实现多模态视觉理解功能。主要内容包括：1) LangChain4j支持多种内容类型交互，包括文本、图像、音频和视频等；2) 实战演示了如何配置阿里百炼平台的大模型qwen-vl-max进行图像理解；3) 详细说明了项目模块的搭建过程，包括Maven依赖配置、模型参数设置和业务代码实现；4) 展示了如何让大模型读取并解析图片信息。该方案适用于视觉-语言多模态任务开发。
2025-09-04 11:44:14
832
原创 4. LangChain4j 模型参数配置超详细说明
本文详细介绍了LangChain4j模型参数配置方法，包括代码示例和配置属性说明。主要内容： 提供了OpenAI模型参数配置的Java代码示例，包含apiKey、modelName、temperature等关键参数设置。 列举了Quarkus和Spring Boot框架下的配置属性文件写法，包括必选和可选参数。 说明了LangChain4j的依赖导入要求，必须同时引入高阶和低阶模块。 介绍了日志配置方法，通过logRequests和logResponses参数开启请求/响应日志记录，并需配合debug日志级
2025-08-29 20:43:45
1096
原创 3. LangChain4j + 低阶 和 高阶 API的详细说明
本文介绍了LangChain4j框架中低阶和高阶API的使用方法。LangChain4j支持两种LLM API类型：简单的LanguageModel（输入输出均为String）和更先进的ChatModel（支持多模态输入）。文章指出ChatModel将成为主要发展方向，并详细说明了其低阶API的chat()方法实现。在高阶API方面，框架通过AI Services抽象层简化了交互流程。此外，文章还展示了如何通过Spring Boot集成LangChain4j，包括必要的依赖配置和模型配置类设置。整体阐述了L
2025-08-29 20:40:09
1018
原创 2. LangChain4J 中的 Hello World
本文介绍了如何在LangChain4J中接入阿里百炼平台的通义千问大模型。主要内容包括：1）获取大模型调用所需的三要素：API Key、模型名称和baseUrl开发地址；2）提供了详细的Maven父工程POM配置，包含Spring Boot、Spring AI和LangChain4J等关键依赖管理；3）展示了如何切换不同模型实例的配置方法。文章为开发者提供了完整的项目配置示例，帮助快速实现与大模型的集成开发。
2025-08-26 12:09:20
541
原创 1. LangChain4J 理论概述
LangChain4J：Java生态的大模型集成框架 LangChain4J是一个专为Java开发者设计的大语言模型(LLM)集成框架，旨在简化LLM与Java应用的整合过程。它提供三大核心功能：1) 统一API接口，支持15+主流LLM提供商和20+向量数据库；2) 完整的AI应用开发工具箱，包含从提示模板到高级RAG模式的全套工具；3) 丰富的示例项目，帮助开发者快速上手。该框架借鉴了LangChain、Haystack等项目的设计理念，同时针对Java生态进行了优化，支持与Spring Boot等主流
2025-08-26 12:04:46
913
原创 Spring AI 快速接入 DeepSeek 大模型
Spring AI框架简介 Spring AI是Spring官方推出的人工智能集成框架，于2025年5月发布1.0正式版。该框架提供标准化API，支持主流AI服务接入，包括OpenAI、Azure AI等。 核心特性： 统一API设计，支持多种AI服务切换 支持对话、嵌入、图像生成等模型类型 与Spring生态无缝集成 提供Prompt工程工具 适用场景包括智能客服、内容生成工具等AI驱动应用开发。框架支持模块化设计，开发者可按需引入特定AI服务模块。 Spring AI通过抽象层屏蔽不同AI服务接口差异，
2025-08-23 10:03:04
1197
原创 LLM ，MCP协议，A2A协议，RAG，智能体(AI Agent) 图解详细讲解
本文详细介绍了MCP协议及其在AI领域的应用。MCP协议由Anthropic推出，旨在解决大语言模型与外部工具交互的标准化问题，支持Stdio和SSE两种通信方式。文章通过旅游规划、业绩查询等场景展示了MCP的实际价值，并对比了传统集成方式与MCP方案的优劣。此外，还介绍了MCP的架构组成（主机、客户端、服务器等）和安装配置方法。MCP通过统一接口简化了AI与外部世界的连接，为开发者和终端用户提供了更便捷的智能服务体验。
2025-08-23 09:57:32
951
原创 伙伴匹配系统(移动端 H5 网站（APP 风格）基于Spring Boot 后端 + Vue3 - 06
伙伴匹配系统是一个基于Spring Boot后端和Vue3前端的移动端H5网站（APP风格）。项目提供了快速启动指南，包括前端本地启动步骤（需Node.js 16+）和数据库初始化SQL脚本。系统支持多用户标签管理、队伍创建及用户-队伍关系等功能。部署方案推荐前端使用Vercel（免费国外托管），后端可选择微信云托管（付费容器平台）。项目已开源，GitHub和Gitee仓库地址详见内容。系统包含用户管理、队伍管理、标签管理等核心功能模块，适合社交匹配类应用场景。
2025-08-20 11:01:49
690
原创 伙伴匹配系统(移动端 H5 网站（APP 风格）基于Spring Boot 后端 + Vue3 - 06
项目摘要： 伙伴匹配系统是一个移动端H5网站（APP风格），基于Spring Boot后端+Vue3前端开发。项目提供快速上线方案，前端使用Vercel免费部署，后端采用微信云托管容器平台。本地启动需配置Node.js、MySQL、Redis等环境，支持多环境区分。数据库包含用户、标签、队伍等核心表，支持标签管理和队伍加密功能。项目开源，代码托管于GitHub和Gitee，包含详细部署文档和动态效果演示。 核心要点： 技术栈：Spring Boot+Vue3移动端H5 部署：Vercel前端+微信云托管后端
2025-08-20 11:00:39
797
原创 伙伴匹配系统(移动端 H5 网站（APP 风格）基于Spring Boot 后端 + Vue3 - 05
伙伴匹配系统是一个基于Spring Boot后端和Vue3前端的移动端H5网站（APP风格）。系统支持用户创建队伍，设置队伍人数、名称、描述、超时时间等属性，并校验队伍信息的合法性。用户可以加入不同队伍，系统通过锁机制确保用户同时只能加入一个队伍。项目采用MyBatis Plus进行数据库操作，并支持队伍状态的公开、私有或加密设置。后端接口设计包括队伍创建、加入、退出等功能，并提供了完善的错误处理和参数校验机制。项目已开源，地址见Github和Gitee。
2025-08-20 10:56:54
1065
原创 伙伴匹配系统(移动端 H5 网站（APP 风格）基于Spring Boot 后端 + Vue3 - 04
本文介绍了伙伴匹配系统的跨域问题解决方案及缓存预热实现。在跨域配置方面，前端通过设置withCredentials: true携带凭证，后端使用Spring Boot的@CrossOrigin注解和WebMvcConfigurer接口实现跨域请求处理。针对缓存预热问题，提出了定时任务预热的方案，分析了其优缺点，并建议使用Spring Scheduler实现每日用户推荐列表刷新。该方法能在用户访问量大的场景下提升系统性能，但需权衡开发成本与缓存空间占用问题。项目代码已开源在Github和Gitee平台。
2025-08-16 11:04:31
735
原创 伙伴匹配系统(移动端 H5 网站（APP 风格）基于Spring Boot 后端 + Vue3 - 03
本文介绍了伙伴匹配系统（移动端H5网站）的开发过程，包括用户修改页面后端实现、用户登录功能开发以及批量数据导入方案。项目采用Spring Boot后端+Vue3前端架构，提供GitHub和Gitee开源地址。重点讲解了批量导入数据的两种方式（可视化界面和程序循环），并给出了使用Spring定时任务和并发编程优化批量插入性能的具体实现代码示例。同时提到了脱敏处理、逻辑删除等注意事项，以及前端通用列表组件的抽象设计。
2025-08-16 10:47:40
891
原创 Windows 安装 RabbitMQ 消息队列超详细步骤(附加详细操作截屏)
本文详细介绍了在Windows系统下安装RabbitMQ消息队列的完整流程。首先需要安装Erlang运行环境，包括下载安装包、设置环境变量并验证安装。然后通过官方安装包安装RabbitMQ，重点介绍了如何启用管理插件（rabbitmq_management）以及启动服务。最后通过浏览器访问本地15672端口，使用默认账号guest/guest登录管理界面。文章特别提醒远程访问时需创建新管理员账号，不能使用默认guest账号。整个过程配有详细截图说明，适合初学者一步步操作。
2025-08-05 12:39:30
1196
原创 伙伴匹配系统(移动端 H5 网站（APP 风格）基于Spring Boot 后端 + Vue3 - 02
本文介绍了伙伴匹配系统后端整合Swagger+Knife4j接口文档的实现方法，以及使用Easy Excel读取Excel数据的技术方案。主要内容包括：1) 通过Swagger自动生成REST API文档，配置Swagger环境并限定开发测试环境使用；2) 使用Easy Excel实现Excel数据导入功能，处理用户信息判重和数据清洗；3) 提供项目GitHub和Gitee地址。该方案实现了接口文档自动化生成和存量用户数据导入，提高了前后端协作效率。
2025-07-30 11:50:57
1113
原创 伙伴匹配系统(移动端 H5 网站（APP 风格）基于Spring Boot 后端 + Vue3 - 01
伙伴匹配系统(手机版)项目摘要 项目概述：开发一款基于标签匹配的社交应用，帮助用户寻找志同道合的伙伴。包含用户标签管理、队伍组建、智能推荐等功能。 技术栈： 前端：Vue3+Vant UI+Vite2 后端：SpringBoot+MyBatis+MySQL+Redis 核心功能： 标签系统：支持多级分类标签管理 搜索功能：按标签检索用户和队伍 组队系统：创建/加入队伍，邀请成员 推荐算法：基于标签相似度的实时计算 数据库设计： 标签表：支持父子标签关系 用户表：扩展标签字段 使用Redis缓存提升性能 项目
2025-07-30 11:41:59
758
原创 购买服务器 + 项目部署上线详细步骤说明
本文详细介绍了从阿里云服务器购买到项目部署上线的完整流程。主要内容包括：1) 阿里云账号注册与实名认证；2) 服务器购买及Xshell远程连接配置；3) 宝塔面板安装及环境搭建（Tomcat、MySQL）；4) 数据库配置与导入；5) 项目war包部署及访问测试。文中包含大量操作截图，重点说明了安全组端口开放、防火墙设置等关键配置步骤，并提供了MySQL远程连接等常见问题的解决方案。最后完成项目部署并通过浏览器验证访问。
2025-07-26 09:35:54
865
空空如也
朋友们，可不可以解我疑惑
2021-12-07
各位朋友，可否解我疑惑，
2021-12-01
TA创建的收藏夹 TA关注的收藏夹
TA关注的人