本文介绍了5个开源LLM应用开发工具：1）Dify - 提供可视化AI工作流设计和BaaS服务；2）Langflow - 低代码RAG/多智能体构建器，基于Python；3）Flowise - 拖拽式LLM应用开发工具，使用Node.js后端；4）RAGFlow - 结合知识检索的生成架构；5）Tinyflow - 轻量级AI流程编排方案，支持多框架集成。这些工具均提供可视化设计器，主要采用React技术栈，涵盖从原型到生产的全流程开发需求。（150字）

在数字化转型背景下，传统业务流程如通知公告管理和文档处理仍依赖人工操作，导致效率低、成本高且易出错。以企业通知公告为例，从撰写到分发，耗费大量人力与时间，且存在格式不规范和信息遗漏等风险。随着市场竞争加剧和业务规模扩大，传统模式已难以满足企业对高效、精准、灵活的业务需求。通过引入AI大模型，企业可实现自动化内容生成、智能摘要提取、多模态交互、标准化与合规性以及资源优化等核心价值。以通知公告应用为例，使用低代码开发平台配置，可快速生成通知公告、提取摘要并实现语音阅读，显著提升业务效率。

本文介绍了如何利用RAG（检索增强生成）和MCP（模型上下文协议）技术构建企业智能问答助手“企文小智”，以提升员工查询企业规章制度的效率。传统方式下，员工需手动查找和浏览非结构化文档，效率低下。通过RAG技术，系统能从本地知识库中检索相关信息，结合MCP技术实现动态数据查询，如考勤记录等。开发过程包括创建本地知识库、开发MCP服务和构建AI智能体，最终实现自然语言驱动的智能问答体验。该应用可广泛应用于HR、IT支持等场景，降低企业AI应用开发门槛，推动智能化升级。

本文介绍了如何使用低代码开发平台+AI智能体，快速开发一个考试管理系统，考试系统包括题库管理、试卷管理、考试管理等核心模块，主要实现功能是：调用AI大模型自动生成题库，基于题库生成考试试券，以及通过AI大模型快速阅卷判分。本示例突出两个方面的重点，一是如何使用低代码平台快速开发一个考试系统；二是如何使用AI大模型能力解决传统考试系统人工出题难度大、人工阅卷费时的问题。通过低代码技术实现可视化开发快速搭建系统，通过AI人工智能实现秒级出题和判券，真正实现利用AI大模型提升生产效率。

低代码平台是一款支撑企业级应用系统快速开发的低代码开发平台，采用微服务技术架构，模型驱动开发设计思想，前端采用Vue3、Element-Plus框架，后端采用JDK17+、SpringBoot3、SpringCloud、Spring AI等主流技术栈，提供了开箱即用的数据建模、规则建模、表单设计、页面设计、流程设计、报表设计、门户设计、打印设计、大屏设计、移动设计、逻辑编排、数据集成、AI大模型接入、AI智能体开发、AI智能对话等一系列可视化建模设计工具，可低代码或零代码开发业务应用。

Spring AI MCP Server Starter提供了两种实现MCP服务端的方式：基于stdio的实现和基于SSE的实现。基于stdio的实现适用于嵌入式场景，而基于SSE的实现适用于独立服务部署。通过使用@Tool注解和@ToolParameter注解，可以轻松地将普通的Java方法转换为MCP工具，使其可以被MCP客户端发现和调用。Spring Boot的自动配置机制使得MCP服务端的开发变得简单高效。

我们在上一遍文章中介绍了自己如何开发MCP Server，并通过 LangChain +DeepSeek实现实现多MCP服务的调用。本文以调用百度地图接口为示例，介绍如何基于 LangChain +DeepSeek调用第三方的MCP服务，并给出整个示例的 Python 代码。智能体开发平台在线体验地址：http://www.yunchengxc.com

Model Context Protocol（MCP）模型上下文协议是一种标准化协议。基于 LangChain +DeepSeek如何实现实现多个MCP调用。首先自定义了两个MCP Server，其中：一个是算术计算器MCP Server，并通过sdtio传输协议发布，另一个是天气预报MCP Server，通过sse传输协议发布。然后实现一个MCP Client，使用langgraph.prebuilt的create_react_agent代理模板，并调用DeepSeek大模型完成整个 MCP 调用流程。

本文介绍了如何通过 LangChain 实现 MCP 调用。通过模拟一个简单的算术计算器，基于 MCP Server 运行，并使用 MCP Client 进行调用。最终，通过集成 DeepSeek 大模型完成整个 MCP 调用流程，同时提供了 Python 示例代码以供参考。Model Context Protocol（MCP）模型上下文协议是一种标准化协议，它让大模型能够更容易地和外部的数据、工具连接起来。

本文介绍如何使用AI开源框架 LangChain，集成调用DeepSeek大模型，实现AI对话功能，并给出Python示例代码。

本文介绍如何使用AI开源框架 LangGraph，集成调用DeepSeek大模型，实现AI对话功能，并给出Python示例代码。

本文作为LangChain的Hello World入门示例，简要介绍如何使用Python开发一个简易程序，通过LangChain开源组件调用DeepSeek大模型实现对话功能。

本文将详细介绍如何基于Java语言，使用Langchain4j开源框架、Milvus向量数据、阿里Qwen大模型，开发一个RAG入门级简单示例。本示例虽然简单，但涉及到多个知识点，包括：Milvus初始化、Embedding模型、文档切片、Springboot集成Langchain4j、Langchain4j调用Qwen大模型等。

LangChain4j 是 LangChain 的一个 Java 封装器，它将 LangChain 应用于 Java 环境中，利用 Java 强大的功能和丰富的库来处理数据，并提供了与多种流行的大语言模型无缝对接的能力。关于如何集成 AI 大模型到现有的 Java 应用程序中，LangChain4j 提供了两种主要的方法：一种是直接调用每种大模型提供的 API 接口；另一种则是通过 Spring Boot 的自动装配机制。

Spring AI 是一个强大的框架，它使得开发者能够轻松地将 AI 功能集成到 Spring Boot 应用程序中。本文将通过一个简单的示例，展示如何使用 Spring AI 集成Ollama 并调用本地化DeepSeek大模型，实现跟deepseek简单的聊天对话功能。

在 AI 智能体开发的过程中，RAG（Retrieval-Augmented Generation） 和 功能调用（Function Calling） 已经成为两种至关重要的模式。RAG 通过结合检索技术和生成模型的强大能力，使智能体能够实时从外部数据源获取信息，并在生成过程中增强其知识深度和推理能力。Function Calling模式为智能体提供了调用外部工具的能力，极大地扩展了其应用范围。智能体可以通过调用外部工具（如数据库操作、业务规则执行、算法工具调用等），完成更为复杂的任务和操作。

通过本文的详细讲解和实践示例，我们成功展示了如何使用Spring AI、Milvus 和 Spring AI Alibaba 开源框架，搭建并验证一个基于AI大模型的本地知识库系统，并实现了完整的检索增强生成（RAG）流程。

Milvus 是一款开源向量数据库，专为支持大规模向量检索而设计，特别适用于大模型领域中的应用。本文详细介绍如何利用 Spring Boot 框架集成 Milvus 向量数据库，并通过调用阿里云百炼大模型服务平台所提供的 Embedding服务，实现数据的向量化存储与高效检索。此过程不仅验证了 Milvus 向量数据库的基本能力，还展示了其与先进 AI 服务无缝对接的灵活性。

Milvus是一款开源向量数据库，主要用于在大模型领域做向量查询的相关操作。milvus支持的语言比较多，支持python, Java, Go,node等开发语言。本文主要介绍如何使用Java语言，采用springboot框架集成和调用Milvus数据库。

Milvus 是一个高性能、高度可扩展的矢量数据库，可在从笔记本电脑到大规模分布式系统的各种环境中高效运行。Milvus 提供强大的数据建模功能，使您能够将非结构化或多模态数据组织成结构化集合。Milvus是Apache 2.0许可分发的开源项目。本文重点介绍在macos电脑上如何快速安装Milvus向量数据库。

在Spring AI框架中，提供了文本语音转换Text-To-Speech（TTS）的API接口，并为OpenAI的Speech API提供了支持。在阿里巴巴的Spring AI Alibaba开源框架中，TTS（Text-to-Speech，文本转语音）功能允许将文本转换为自然流畅的语音输出。本文使用国内阿里巴巴百炼人工智能平台的文本转换语音（Text-To-Speech）服务，并基于Spring AI Alibaba开源AI框架，开发一个文本转语音的验证程序。

本文通过一个hello world简单示例演示，如何基于Spring Boot集成Spring AI开源框架，快速集成调用阿里云的百炼大模型AI服务，验证AI大模型“文生图”的功能。在Spring AI框架中，文生图（Text-to-Image）功能允许开发者通过文本描述自动生成图像。这一特性依赖于预训练的生成模型，这些模型能够根据给定的文本提示创建视觉内容。为了实现这一目标，Spring AI提供了相应的接口和类来简化与这些模型的交互过程。

本文重点介绍Prompt提示词和PromptTemplate提示词模板，在SpringAI框架里，Prompt类的设计旨在简化与LLM之间的交互过程，同时提供了足够的灵活性来满足不同类型的对话需求。通过合理利用Prompt及其内部的消息结构，开发者可以有效地引导LLM生成高质量的回答，提升用户体验。

本文通过一个经典的“HelloWorld”示例，初步地验证了基于SpringBoot集成SpringAIAlibaba开源框架的可行性和简便性。该实验不仅展示了如何通过编程方式灵活定义`ChatClient`，还深入探讨了利用SpringAIAlibaba框架调用阿里巴巴AI大模型API接口的具体实现路径，从而支持普通文本问答和流式问答两种交互模式。这一集成不仅为Java开发者提供了一种高效、便捷的方式去探索和利用最新的AI技术，同时也为未来更复杂的AI应用场景奠定了坚实的技术基础。

通过以上项目验证，证明了在Java语言中，基于SpringBoot+SpringAI开源框架，并使用阿里云国内大模型服务，在SpringBoot工程中集成并使用AI大模型服务是初步可行的。

考虑到模型的令牌限制，我们需要具备过滤相关数据的能力，并将过滤出的数据填充到在模型交互的上下文窗口中，这种方法俗称“提示词填充”。它为您处理函数调用对话。当用户的问题需要由 AI 模型回答时，问题和所有“类似”的文档片段都会被放入发送给 AI 模型的提示中。提供了有关协调从数据源提取数据并将其存储在结构化向量存储中的流程的更多信息，确保在将数据传递给 AI 模型时数据具有最佳的检索格式。一种称为检索增强生成 (RAG) 的技术已经出现，旨在解决为 AI 模型提供额外的知识输入，以辅助模型更好的回答问题。

随着人工智能（AI）大模型技术的日臻完善，以及模型种类和数量的显著增长，如何将这些先进的AI能力有效地集成到应用系统中，特别是面向企业级（toB）的应用场景，已成为推动未来企业级软件发展的重要议题。本文重点介绍应用系统集成使用AI时涉及到的一些核心概念，比如：模型、提示词、Embedding、RAG、函数调用等。

在AI应用开发方面，相较于Python和JavaScript等语言，Java社区提供的专用AI框架相对匮乏，这在一定程度上限制了企业在利用AI技术进行创新时的选择空间。未来，随着更多企业和开发者参与到这两个框架的建设中，预计它们将在功能丰富性和易用性方面取得更大的进步，共同推动Java语言在AI领域的广泛应用和发展。本文旨在对比分析目前市场上两个主流的Java开源AI框架——Spring AI 和 LangChain4j，探讨它们的技术特点、适用场景以及未来发展的潜力。