课程链接：黑马程序员LangChain4j从入门到实战项目全套视频课程，涵盖LangChain4j+ollama+RAG，Java传统项目AI智能化升级_哔哩哔哩_bilibili
课程内容：
课程收获：
一、认识AI
1. AI发展史
AI，人工智能（Artificial Intelligence），使机器能够像人类一样思考、学习和解决问题的技术。
其实人工智能并不是一个新的东西，很早以前就有了，最早可以追溯到1950年的图灵测试。在图灵测试中，有两种角色，一种是被测试者，一种是测试者，其中被测试者又分为两种，一种是机器，一种是真人。测试者和被测试者通过文本进行沟通。在真实测试中，被测试者和测试者分别处在不同的房间中，这样测试者事先是无法知道被测试者是人还是机器。在沟通的过程中，测试者需要根据接收到的文本信息，判断发送该文本信息的是机器还是人。假设机器给测试者发送了一段文本，但测试者判断的答案是人，这就说明测试者无法分辨清楚机器与人。这个时候，我们就可以说机器具有了人的智能。
发展阶段：
- 符号主义：
- 连接主义：
- 神经网络：
2. AI市场分布
二、大模型使用
1. 大模型部署
|----|---------------|------------|-------------|
| | 云服务器部署 | 本地机器部署 | 他人部署 |
| 优势 | 前期成本低，维护简单 | 数据安全；长期成本低 | 无需部署 |
| 劣势 | 数据不安全，长期使用成本高 | 初期成本高，维护困难 | 数据不安全，长期成本高 |
ollama本机机器部署
Ollama是一种用于快速下载、部署、管理大模型的工具，官网地址：Ollama
①下载安装ollama
②根据自己的显存选择合适的模型 qwen3
比如我这里选了qwen3:4b
bash
ollama run qwen3:4b
如果安装模型时出现下面的问题，请安装新版本的ollama
③发送http的方式调用大模型 - Postman
云平台大模型使用 - 阿里云百炼平台
①登录阿里百炼控制台，领取免费额度
②创建API Key
③选择大模型使用：qwen-plus
https://dashscope.aliyuncs.com/compatible-mode/v1/chat/completions
2. 大模型调用
使用大模型需要传递的参数，在访问大模型时都需要在请求体中以json的形式进行传递
bash
{
"model": "qwen-plus",
"messages": [
{
"role": "system",
"content": "你是智能助手小团团"
},
{
"role": "user",
"content": "你是谁？"
},
{
"role": "assistant",
"content": "您好，有什么可以帮助您？"
}
],
"think": true
"stream": true,
"enable_search": true
}常见参数：
- model：告诉平台，当前调用哪个模型
- messages ：发送给模型的数据，模型会根据这些数据给出合适的响应
- content：消息内容
- role：消息角色（类型）
- user：用户消息
- system：系统消息
- assistant：模型响应xiao
- think ：是否显示"思考过程"
- true，输出推理步骤和中间结论
- false：不输出
- stream ：调用方式
- true：非阻塞调用（流式调用）
- false：阻塞式调用（所有结果生成完毕后，一次性返回），默认值
- enable_search ：联网搜索，启用后，模型会将搜索结果作为参考信息
- true：开启
- false：关闭（默认）
响应数据
在与大模型交互的过程中，大模型响应的数据是json格式的数据
bash
{
"choices": [
{
"message": {
"role": "assistant",
"content": "我是通义千问，阿里巴巴..."
},
"finish_reason": "stop",
"index": 0
}
],
"object": "chat.completion",
"usage": {
"prompt_tokens": 22,
"completion_tokens": 80,
"total_tokens": 102,
},
"created": 1748068508,
"system_fingerprint": null,
"model": "qwen-plus",
"id": "chatcmpl-99f8d040-0f49-955b-943a-21c83"
}- choices：模型生成的内容数组，可以包含一条或多条 内容
- message：本次调用模型输出的信息
- finish_reason：自然结束（stop），生成内容过长（length）
- index：当前内容在choices数组中的索引
- usage：本次对话过程中使用的token信息
- prompt_tokens：用户的输入转换成token的个数
- completion_tokens：模型生成的回复转换成token的个数
- total_tokens：用户输入和模型生成的总token个数
- created：本次会话被创建时的时间戳
- system_fingerprint：固定为null，无需关注
- model：本次会话使用的模型名称
- id：本次调用的唯一标识符
Token
在大语言模型中，Token是大模型处理文本的基本单位，可以理解为模型"看得懂"的最小文本片段。用户输入的内容都需要转换为token，才能让大模型更好的处理。
- 英文：一个token ≈ 4个字符
- 中文：一个汉字 ≈ 1 ~ 2个token