- 博客(65)
- 资源 (3)
- 收藏
- 关注
RSS订阅原创 从零搭建企业级 AI Agent 平台：AgentX Java 专栏 11 篇完整阅读路线图（含源码地址）
本文为Java开发者提供了一套完整的企业级AI Agent平台（AgentX）构建指南，包含11篇系列文章的阅读路线图和源码资源。内容涵盖技术选型、架构设计、工具系统、RAG知识库、记忆系统、全链路监控、工作流引擎等核心模块，并分享了生产部署经验和54%真实评测结果。适合Java后端开发者转型AI应用、技术负责人评估AI落地方案，或求职者构建AI项目经验。配套提供Spring Boot+Vue全栈源码及部署脚本，同时预告了作者后续的Python金融风控Agent系列。
2026-06-27 12:50:05
250
原创 《AgentX Python 专栏》03-架构篇：Agent 和「调个 API」的本质区别，在架构上长什么样？
全网 AI 教程很多，但从架构设计、代码实现、真实踩坑到评测数据，一条龙带你做完一个工程级作品的系列，真的不多。这个系列，我会一篇篇认真更下去。👍：让更多同路人刷到，也方便你回头查；🔔关注我：这是个长连载，关注了才不会错过后续——断了衔接就难接上了；💬评论区告诉我：你正在做 AI 转型吗？卡在哪一步？想优先看哪篇？——呼声高的我提前更；📦跟着做能攒出作品：每篇都带可复现的步骤，跟着走，你也能搭出属于自己的那一份。我是SuniaCoder（汪旭 / Sunia）
2026-06-25 21:48:04
360
原创 《AgentX Python 专栏》01-技术选型篇：RAG 为什么不用 LangChain，而是选了 LlamaIndex？
这是「用 Python 从 0 打造金融反欺诈 GraphRAG 智能体」专栏的第 1 篇。
2026-06-23 22:10:44
320
原创 《AgentX 专栏》收官篇：我给自己造的 AI 做了场期末考，真实跑分 54%——但它帮我揪出了一个差点冤枉模型的 Bug
本文是 AgentX 专栏的收官之作，作者为自研的 Java 版 AI 智能体平台设计了一套 Eval 评测系统，进行真实场景测试。系统采用 Java 21 虚拟线程实现异步评测，结合词法检查和 LLM 打分机制。50 道测试题覆盖 5 个场景，初始跑分仅 54%，其中工具调用和多步推理场景竟得 0 分。 深入排查发现重大 bug：评测系统因工具调用记录缺失误判模型能力，实际 20 道"失败"题中大部分答案正确，修正后真实通过率达 80-85%。作者通过这次"期末考"深刻体会到：1）AI 系统评测需同时验证
2026-06-11 21:44:14
421
原创 《AgentX Python 专栏》01-前言：一个 Java 老兵的 AI 突围：用 Python + GraphRAG 做一个金融反欺诈智能体
我是一名写了 12 年代码的后端老兵，做过研发经理，带过团队，扛过日均百万级请求的系统，也在金融、政务领域趟过不少浑水。这些年，我见过太多技术潮起潮落。但 AI 这一波，明显不一样——它不是又一个框架的更替，而是软件开发方式本身的换挡。说实话，面对它，我也焦虑过。成了一个只会「调 API 拼 Demo」的人——看着热闹，真要落地却什么都证明不了。用我最熟的 Java，从 0 手撸了一套企业级 Agent 框架 AgentX。
2026-06-10 21:16:01
367
原创 《AgentX 专栏》10-生产部署：3台2C4G云服务器把企业级Agent真正跑起来的完整方案
问题解决手段怎么保证哪台机器都能跑？容器化（Docker）—— 把运行环境打包进镜像多个依赖组件怎么协同？编排（docker compose）—— 一份配置拉起所有服务挂了怎么办？健康检查 + 自动重启 + 监控告警设计决策解决什么问题三节点拓扑（推理/存储/监控）三类负载资源特征不同，分开互不抢资源Docker 多阶段构建编译/运行分离，镜像从 800MB 瘦到 200MBOllama/Redis/Milvus 不容器化有状态、重量级组件独立部署更稳配置全外置（.env + 环境变量）
2026-06-04 21:08:10
348
原创 《AgentX 专栏》09-MCP协议双向打通：让AgentX既能被Claude调用又能调度全球工具生态
本文介绍了AgentX如何通过MCP协议实现AI工具生态的双向互通，主要包含以下要点： 问题背景：传统AI工具生态存在"信息孤岛"问题，N个工具与M个客户端需要N×M套对接代码，对接成本高昂。 MCP协议作用：作为AI工具生态的统一标准协议，MCP将对接复杂度从N×M降至N+M，类似"AI世界的USB-C接口"。 AgentX的双向设计： 作为MCP Server：将内部Java工具（@Tool注解和McpTool接口）统一暴露给外部AI客户端调用 作为MCP Client：能够调用外部Python/Nod
2026-06-03 20:41:51
264
原创 《AgentX 专栏》08-工作流引擎：AgentWorkflow怎么把工具记忆流程串成一条流水线
本文介绍了AgentX工作流引擎的设计思路和实现方案，重点解决如何将工具、记忆和流程高效整合的问题。文章首先指出缺乏工作流引擎的Agent系统会陷入复杂的if-else嵌套，导致维护困难。随后提出工作流引擎的核心定义，并对比了LangGraph、AutoGen等主流框架。 AgentX采用双档分流设计，针对简单任务使用AiService直驱模式，复杂任务则采用LangGraph三节点循环（检索、Agent决策、工具执行）的状态机编排。设计上强调四个关键原则：避免过度设计、状态机编排、协作式取消、显式上下文传
2026-06-02 20:23:33
488
原创 《AgentX 专栏》07-全链路可观测：用OpenTelemetry+Jaeger让每次AI对话都可追踪可复盘
本文将介绍如何利用 OpenTelemetry和Jaeger实现AI对话系统的全链路可观测性，通过追踪每次LLM对话的执行过程，将"黑盒"操作可视化。主要内容包括： 问题背景：传统日志难以定位AI系统中"消失的50秒"问题，无法分析LLM思考、工具调用等环节的耗时情况。 解决方案：采用OpenTelemetry+Jaeger构建三层监控体系： HTTP自动埋点记录请求全生命周期 业务手动埋点标记关键流程 事件监听捕获LLM响应细节 核心设计： 三层埋点各司其职 业务对象携带TraceID 复用HTTP Sp
2026-06-02 20:16:45
540
原创 《Agentx专栏》06-记忆系统：用Redis+Milvus给AI配上短期+长期双层记忆
本文介绍了AgentX技术专栏中的双层记忆架构设计，通过Redis实现短期记忆存储和Milvus实现长期记忆存储，解决LLM无状态问题。Redis存储最近20轮对话，24小时TTL自动过期，保证多实例一致性；Milvus存储语义化知识片段，支持RAG检索。文章详细解析了RedisMemoryStore的实现、Fallback机制保障高可用，以及如何与LangChain4j集成。同时总结了序列化、memoryId设计等实战中的关键问题，为AI Agent提供稳定可靠的记忆系统。
2026-05-26 22:14:02
480
原创 《AgentX 专栏》05-RAG进阶：用Milvus+bge-m3构建比ES更懂语义的企业知识库
RAG 进阶：用 Milvus + bge-m3 构建语义企业知识库 本文介绍了如何利用 Milvus 向量数据库和 bge-m3 嵌入模型构建比传统 ES 更懂语义的企业知识库系统。文章首先分析了 ES 关键词检索在口语化查询场景下的结构性缺陷，指出向量检索通过语义相似度匹配能有效解决"用户提问与文档术语不匹配"的问题。重点讲解了 bge-m3 模型的特点（支持稠密、稀疏和多向量三种检索模式）和 Milvus 的优势（专为向量设计、支持十亿级数据）。文章还提供了完整的 Java 实现方案，包括 Milvu
2026-05-25 21:27:24
1020
原创 《Agentx专栏》04-工具系统：从@Tool注解到MCP协议，构建企业级Agent工具体系
本文深入解析了AgentX企业级工具体系的设计与实现，涵盖两种工具接入方式（@Tool注解和McpTool接口）及其适用场景。文章详细拆解了ToolRegistry的核心机制，包括自动扫描、去重保护、类型安全反射调用等关键技术点，并分享了工具描述编写对LLM决策质量的影响。通过天气工具和风控工具等实战案例，展示了生产级工具的实现细节，同时揭示了ForkJoinPool、工具命名重复等三大实战坑点。最后介绍了如何通过McpToolServer将工具作为标准服务暴露给外部AI系统。
2026-05-24 16:52:13
637
原创 《Agentx专栏》03-架构设计：AgentX的六层架构是如何生长出来的
AgentX 架构设计解析：从 HTTP 到 LLM 的请求全流程 摘要： 本文详细解析了 AgentX 的六层架构设计，重点解决 Agent 系统特有的长耗时、不可预期请求处理挑战。架构包含客户端层、接入层、调度层、执行层、能力层和基础设施层，每层职责明确且独立。典型请求流程展示了一个 HTTP 请求如何通过 SSE 流式返回结果，包括 LLM 推理（5-10s）、工具调用（0.5s）和结果整合（3-5s）等关键阶段。特别设计了虚拟线程池、SSE 流式推送+心跳线程、超时熔断等机制，确保前端30秒不超时。
2026-05-24 15:28:10
462
原创 《Agentx专栏》02-技术选型：预算有限时如何做出正确的技术决策
本文分享了在有限资源条件下构建AI智能体平台AgentX的技术选型经验。作者基于3台低配云服务器(2C4G)和300元/月的预算约束，详细阐述了6个关键决策： 选择LangChain4j而非Spring AI作为AI编排框架，因其更完善的Agent/Tool支持 采用混合推理架构：本地CPU运行qwen2.5模型处理非实时任务，云端API处理高优先级请求 选用高性能但部署复杂的Milvus作为向量数据库 使用Redis存储会话记忆 采用Java 21虚拟线程优化并发性能 使用Docker Compose三节
2026-05-23 15:00:29
590
原创 《AgentX 专栏》01-前言：一个Java开发者的Agent实践之路
本文是AgentX技术专栏的开篇，介绍了一个基于Java构建的企业级AI智能体平台。作者指出当前大多数AI教程只关注简单API调用，而真实业务需要复杂的多步骤处理能力。AgentX专为金融风控等场景设计，具有工具系统、分层记忆、工作流编排等核心特性，能在2核4G服务器上运行。专栏将分享从架构设计到生产部署的全链路实践，特别适合Java开发者学习AI应用落地。作者选择Java而非Python，是为了更好地与企业现有系统集成。专栏包含15+篇文章，涵盖基础搭建、核心功能、进阶场景和生产部署等内容，提供完整可运行
2026-05-21 20:52:50
508
原创 告别样板代码：深度解析 Lombok 核心注解 @Builder 与 @RequiredArgsConstructor
本文深入解析了Lombok的两个核心注解@Builder和@RequiredArgsConstructor在现代Java开发中的应用。@Builder通过建造者模式实现优雅的对象创建，特别适合复杂POJO/DTO类，使用@Builder.Default可避免默认值被忽略的问题。@RequiredArgsConstructor则是Spring依赖注入的黄金搭档，自动为final字段生成构造器，提升代码简洁性和安全性。文章还指出了两者组合时的注意事项，并对比了它们的不同应用场景：@Builder适用于数据对象，
2026-04-17 09:47:43
236
原创 Java 17实战：Record与密封类的黄金搭档
本文探讨了Java 17中Record与密封类的协同应用。Record作为不可变数据载体，虽无法替代实体类（因其与ORM框架冲突），但在DTO场景表现出色。与Lombok的@Value相比，Record是语言原生特性，更适合纯数据载体。Record作为方法参数可解决"参数列表过长"问题，支持泛型可构建类型安全数据结构。与密封类结合能优雅实现代数数据类型，通过模式匹配处理多态场景。Record并非要取代传统类，而是为特定场景提供更合适的工具，结合新特性可显著提升代码清晰度和类型安全性。
2026-04-13 20:25:07
454
原创 【全栈架构师专栏】拒绝“裸奔”！2026版 Redis 7.4 生产级 Docker Compose 部署实战与避坑指南
摘要： 本文为全栈架构师分享的Redis 7.4生产级Docker部署指南，针对Ubuntu 24.04+环境提供实战方案。重点包括： 避坑安装：避免Snap版Docker的权限问题，采用官方源安装； 生产级配置：通过Docker Compose实现资源限制、健康检查、持久化（AOF）与安全加固（禁用高危命令、密码保护）； 网络验证：使用nc或PowerShell测试端口连通性； 管理工具：推荐ARDM和RedisInsight，并解决ACL用户名等常见连接问题； 安全清单：建议修改默认端口、SSH隧道、内
2026-04-09 16:17:40
492
原创 【硬核架构】基于 Java 21 打造工业级多智能体框架 AgentX 实战指南
【摘要】本文介绍了一个基于Java 21构建的工业级多智能体框架AgentX。该框架突破了传统Python方案的局限，通过Java虚拟线程、MCP标准化协议和LangChain4j等技术，实现了高并发、强类型安全的企业级AI系统。核心设计包含四大特性：智能体闭环、MCP协议、RAG优化和工作流编排。技术选型上，AgentX充分利用Java 21在并发、类型安全和生态整合方面的优势，采用LangChain4j+LangGraph4j作为编排引擎，结合Milvus和Redis实现分层记忆存储。文章还详细介绍了依
2026-04-09 10:59:41
678
原创 2026 AI Agent 爆发元年：OpenClaw v2026.4.2（The Lobster）Windows 深度部署与全路径避坑指南
文章摘要： 《2026 AI Agent爆发元年：OpenClaw深度部署指南》详细介绍了OpenClaw v2026.4.2智能体框架的部署方法。文章首先分析了2026年作为Agent元年的技术演进趋势，指出OpenClaw的核心突破在于获得系统级操作权限。部署前需准备Node.js环境、网络加速配置和API账户。提供两种安装方案：图形化安装（适合新手）和命令行安装（推荐开发者）。重点解析了v2026.4.2版本的三大核心痛点：API Key格式问题、Token登录问题和Web UI升级失败问题，并给出具
2026-04-05 13:28:31
1823
原创 《Spring AI + 大模型全栈实战》学习手册系列 · Spring AI + DeepSeek 企业级全栈落地与极限调优指南
【万字专栏】Spring AI + DeepSeek 企业级全栈落地指南 摘要：本文由资深全栈架构师分享基于Spring AI和国产大模型DeepSeek的企业级AI应用实战经验。文章涵盖：1) Spring AI 2.x架构演进，支持Java 21虚拟线程和Redis智能记忆引擎；2) 项目初始化避坑指南，包括Maven配置和DeepSeek专属接入方案；3) 核心功能实现，如流式响应(SSE)、工具调用(Function Calling)和记忆机制；4) 2C4G低配服务器性能优化技巧。全文提供完整代码
2026-04-02 09:06:30
465
原创 2026 AI Agent 浪潮：OpenClaw Windows 本地部署全攻略 (从零到成功避坑)
2026 AI Agent 浪潮：Windows本地部署OpenClaw指南 本文详细介绍了在Windows系统上部署开源AI智能体框架OpenClaw的完整流程。主要内容包括： 环境准备：需Node.js v22+、Git及DeepSeek API Key 基础安装：提供PowerShell一键安装脚本及初始化命令 关键配置： 切换本地模式避免连接问题 正确设置网关令牌路径(gateway.auth.token) 接入DeepSeek模型 启动与交互：启动网关服务并通过浏览器访问 常见问题排查：提供配置检
2026-03-31 15:20:32
587
原创 《Spring AI + 大模型全栈实战》学习手册系列 · 专题九：《RAG 系统运维与故障排查：从部署到监控的全流程指南》
本文介绍了企业级RAG智能问答系统的Docker Compose容器化部署方案。系统采用分层架构设计，包含前端层(Vue3+Nginx)、网关层(Spring Boot)、服务层(Ollama大模型、Milvus向量库、Redis、MySQL、MinIO)和监控层(Prometheus、Grafana、ELK)。详细展示了docker-compose.yml配置文件，涵盖各服务的关键配置参数，包括端口映射、环境变量、健康检查、资源限制等，特别对大模型服务(Ollama)提供了CPU/GPU资源分配方案。部署
2026-03-24 10:04:04
396
原创 《Spring AI + 大模型全栈实战》学习手册系列 · 专题八：《RAG 系统安全与权限管理：企业级数据保护方案》
1.2 安全架构分层设计1.3 安全合规要求对照表合规标准适用场景核心要求RAG 系统对应措施等保 2.0中国政府/国企三级等保身份认证、访问控制、审计日志GDPR欧盟用户数据数据保护数据脱敏、删除权、可携带权ISO 27001国际企业信息安全安全策略、风险评估、持续改进SOC 2SaaS 服务信任服务可用性、保密性、隐私保护个人信息保护法中国用户数据隐私保护最小化收集、知情同意、安全存储第 2 章 RBAC 权限模
2026-03-23 10:16:27
427
原创 《Spring AI + 大模型全栈实战》学习手册系列 · 专题七：《RAG 系统性能调优实战：从 3 秒到 300ms 的优化之路》
RAG系统性能调优实战：从3秒到300ms的优化路径 本文档详细介绍了企业级RAG智能问答系统的性能调优方法。通过全链路性能分解，识别出向量检索(1500ms)和LLM推理(1000ms)是主要瓶颈。提供了完整的诊断工具链(Arthas/Py-Spy/Milvus Insight等)和Python基准测试脚本，可测量延迟、并发等关键指标。性能检查清单覆盖网络层、网关层、应用层和检索层，为开发者提供从3秒到300ms的优化路线图。文档采用结构化展示方式，包含时序图、工具对比表和可运行的测试代码，是RAG系统性
2026-03-23 10:15:30
439
原创 《Spring AI + 大模型全栈实战》学习手册系列 · 专题六：《Vue3 前端开发实战：打造企业级 RAG 问答界面》
本文摘要：专题六介绍了使用Vue3构建企业级RAG问答界面的前端开发实战。主要内容包括：1) 2026最新技术栈选型，涵盖Vue3.5、Vite5.2、TypeScript5.3等核心工具；2) 规范化的项目结构设计，详细展示API层、组件、状态管理等目录组织；3) 快速初始化命令和Vite配置优化方案；4) 核心组件实现示例，如ChatWindow.vue聊天窗口组件，采用Composition API编写，包含消息列表、加载状态和滚动控制等功能。该指南为企业级RAG系统前端开发提供了完整的技术方案和实施
2026-03-23 10:13:43
503
原创 《Spring AI + 大模型全栈实战》学习手册系列 · 专题五：《Spring AI 后端开发实战：30 行代码实现 RAG 核心逻辑》
本文介绍了《Spring AI 后端开发实战》专题第五部分内容，聚焦使用Spring AI框架30行代码实现RAG核心逻辑。主要内容包括： Spring AI架构与核心组件（ChatClient、EmbeddingClient等） 版本演进与框架对比（Spring AI vs LangChain4j等） 项目初始化配置（Maven依赖管理） 2026年最新稳定版1.0.2的技术细节 文章提供了完整的Maven配置示例，包含Spring Boot 3.4.3、Spring AI 1.0.2和Milvus向量数
2026-03-22 09:41:45
668
原创 企业级 RAG 智能问答系统全栈实施指南（2026 终极完整版）
本文为企业级RAG智能问答系统全栈实施指南，涵盖从基础概念到生产部署的完整流程。系统基于Spring Boot 3.4 + Spring AI + Milvus技术栈，采用检索增强生成(RAG)架构，通过向量化检索结合大语言模型实现精准问答。指南包含七大核心部分：基础概念、基础设施部署、核心组件配置、后端开发、前端交互实现、低配环境优化以及生产运维方案。特别针对不同硬件配置提供两套实施方案，并详细解析文档解析、向量检索、模型推理等关键技术环节。附完整代码示例、配置模板和故障排查决策树，为企业构建AI问答系统
2026-03-22 09:40:05
1013
原创 《Spring AI + 大模型全栈实战》学习手册系列 · 专题四：《Ollama 模型管理与调优：让 AI 模型在低配服务器上流畅运行》
Ollama 模型管理与优化指南 Ollama 是一个开源的本地大语言模型运行平台，专为简化 LLM 部署而设计。它具有一键部署、模型量化、REST API 等核心特性，能在低配服务器上高效运行。 主要优势： 部署简单：30秒完成安装 自动量化：内存占用降低50-75% 标准API：集成效率提升80% 流式输出：首字延迟<500ms 安装方式支持Linux脚本和Docker容器化部署，并提供详细的环境变量配置建议。模型量化技术可大幅降低内存占用，文档还提供了2025年不同服务器配置的模型推荐清单。 【
2026-03-20 10:42:37
1023
原创 《Spring AI + 大模型全栈实战》学习手册系列 ·专题三：《Embedding 模型选型指南：从 MMTEB 排名到实际应用》
《Embedding模型选型指南：从MMTEB排名到实际应用》摘要 本文系统介绍了企业级RAG系统中Embedding模型的关键技术与选型策略。主要内容包括： Embedding原理：文本向量化技术及其语义相似度计算方法（余弦相似度） 模型演进：从Word2Vec到最新BGE-M3的五代架构发展，专用模型相比通用LLM在检索任务上准确率高24%、成本低20倍 权威评估：基于MMTEB 2025最新排名，中文场景推荐bge-m3（综合第一）、bge-small-zh（低配优选） 选型决策： 生产环境首选bge
2026-03-20 10:40:30
1035
原创 《Spring AI + 大模型全栈实战》学习手册系列· 专题二：《Milvus 向量数据库：从零开始搭建 RAG 系统的核心组件》
本文介绍了 Milvus 2.6 向量数据库的核心优势与部署实践。作为 RAG 系统的关键组件，Milvus 2.6 在内存占用（降低72%）、检索速度（提升4倍）等方面有显著优化。文章详细对比了主流向量数据库特性，并提供了精简版 Docker 部署方案，包含环境检查、内核参数调整等关键步骤，以及针对 2核4G 环境的优化配置。部署指南涵盖 etcd、minio 等依赖服务，帮助开发者快速搭建生产级向量检索环境。
2026-03-20 10:37:59
525
原创 《Spring AI + 大模型全栈实战》学习手册系列·专题一：《RAG技术全景解析：从原理到架构设计》
RAG（检索增强生成）技术解析与应用指南 本文系统介绍了RAG技术的核心原理与架构设计，包含以下关键内容： 技术原理：RAG通过向量检索（Embedding模型）从知识库获取相关信息，再结合大语言模型（LLM）生成精准回答，解决了传统AI的"幻觉"问题。 核心组件： 向量数据库（如Milvus）实现语义检索 大模型（如Qwen）负责内容生成 前端展示层实现流式输出 应用场景：包括企业知识问答、多模态搜索、个性化推荐等，特别适合需要准确引用来源的场景。 实施路线： 企业级方案需GPU加速（
2026-03-20 10:35:02
639
原创 《Spring AI + 大模型全栈实战》学习手册系列 · 前言
《Spring AI + 大模型全栈实战》学习手册摘要 本手册是为开发者打造的AI全栈实战指南，系统讲解如何基于Spring AI构建企业级RAG智能问答系统。内容涵盖9大专题，从Spring AI核心概念到生产环境部署，包含： 核心知识点：向量数据库、Prompt工程、安全权限等 完整代码示例：Spring Boot+Vue3+Milvus+Ollama技术栈 工程实践：性能调优、运维监控、故障排查等 适合具备Java/Spring基础的开发者，提供循序渐进的学习路径和实战案例。手册将持续更新，帮助开发者
2026-03-20 10:32:49
438
原创 Vue 3 + Spring Boot 21 全栈 RAG 项目Docker Compose 容器化部署
本方案通过多阶段构建解决了镜像体积问题，通过串行 GC 与内存限制解决了低内存服务器的稳定性问题，通过Nginx 反向代理与环境变量注入解决了前后端连通性与流式响应问题。这是一个完整的生产级单机 AI 部署闭环。改代码→→Git Push。上服务器→→刷新变量。运行脚本→→自动化打包重启。盯监控→→观察内存是否稳定。看日志→→确认 Spring 启动图案出现。文档结束。该手册可作为团队内部部署 Spring AI 相关项目的标准指南。
2026-03-17 10:09:33
523
原创 Vue 项目 Docker 多阶段构建部署指南（阿里云）
为了实现高效、小体积的部署，我们采用了 Docker 的**多阶段构建（Multi-stage Build）**方案。
2026-03-14 10:51:51
271
原创 企业级RAG智能问答系统实战指南(基于 Spring Boot 3.4 + Spring AI 1.0 + Milvus 2.6 + Ollama 的完整技术手册)
—— 从原理到生产落地的完整技术手册 (2026 版)技术栈：Spring Boot 3.4 + Spring AI 1.0 + Milvus 2.6 + Ollama场景：阿里云低配 ECS 极限部署 / 标准企业级 GPU 集群部署这是一本面向生产环境的 RAG（检索增强生成）系统完整实施指南。不同于市面上偏重理论的 AI 教程，本书从第一行代码到生产运维，提供可落地、可复制、可优化的全栈解决方案。👥 目标读者读者群体收获价值Java 后端工程师掌握 Spring AI
2026-03-13 09:00:28
1262
原创 Spring Boot & Spring AI & DeepSeek 全能开发百科全书
本指南旨在帮助开发者利用 Spring AI 框架，将 DeepSeek 大模型无缝集成到 Spring Boot 项目中，涵盖从基础对话到生产级架构的完整路径。
2026-03-11 16:06:51
663
原创 阿里云2核4G服务器：私有化 RAG 系统全流程调优指南
从 2G 到 4G，你已经完成了从“不可用”到“生产级”的跨越。当前的配置足以支撑起一个小型的企业内部政策问答系统。
2026-03-05 14:26:56
655
原创 终极实施指南：基于 Spring AI + Milvus 的 RAG 问答系统（保姆级工程实施白皮书）
完整性：本指南涵盖了从 Maven 依赖修复到 Docker 部署的全流程。兼容性：解决了 JDK 21 下 Lombok 和 Spring AI 里程碑版本的冲突。适应性高配 (Path A)：使用 Qwen-7B + BGE-M3，回答准确，适合正式演示。低配 (Path B)：使用 Qwen-1.5B + Swap，保证在 2核4G 服务器上也能跑通流程，响应延迟可控在 2s 左右。
2026-02-28 16:07:02
1469
jsp、freemarker、velocity简介和对比
2017-12-29
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人