ai应用开发

奋斗的老史

Spring AI + Docling 企业级文档解析完全指南摘要：本文从入门到精通，详细介绍如何在 Spring Boot 项目中集成 Docling 文档解析服务。包含环境搭建、配置详解、661 行核心代码逐行解析、请求参数详解、返回数据处理、向量存储集成、生产级优化方案和完整测试用例。看完本文即可独立实现企业级文档解析功能。

基于 4SAPI 的 GPT-Codex 本地部署与全功能配置实战教程GPT-Codex 作为 OpenAI 推出的顶级代码生成模型，凭借其强大的代码理解、生成、调试和重构能力，已经成为开发者提升编程效率的利器。但官方接口存在国内访问不稳定、延迟高、限流严重等问题，严重影响使用体验。

奋斗的老史

基于SpringAI开发的通用RAG脚手框架，适配各种场景本文面向后续把这套 RAG 能力接入业务系统的开发者，重点回答三件事：独立工程保留的是一套完整 RAG 子系统，不是简单 demo。

AI agent 开发之嵌入模型和提示词前置知识目录一、认识大语言模型1.1 什么是模型1.2 认识大语言模型1.3 自监督学习和半监督学习1.4 大语言模型的核心特点

奋斗的老史

LangChain4j 进阶实战系列这套文档面向的是想把大模型能力真正落到 Java 项目里的开发者。文章主线不是“这个项目有哪些类、哪些接口”，而是围绕 LangChain4j 的进阶能力讲清楚：为什么要这样设计、怎么一步步落地、真实项目里会遇到什么坑、应该怎样迁移到自己的业务系统。

Java后端的Ai之路

以为AI开发就是调接口？一场25K的面试让我看到真相，原来真正的技术深度在这！核心观点：AI应用开发绝非简单的API调用，而是融合算法理解、系统架构、工程实践、业务洞察的综合性技术领域。

LangChain不是“套壳”——它解决了什么实际问题在前面七篇文章中，我们拆解了Embedding、Transformer、幻觉、Prompt Engineering、RAG、会话管理和API调用。这些知识已经足够你从零开始搭建一个大模型应用。但你一定会遇到一个问题：

skill最佳实践Agent Skills（智能体技能）是给智能体安装的“可复用能力模块”，提供一种执行特定任务或访问特定资源的能力。就像给机器人安装“技能芯片”——每个技能让AI能多做一个新任务。它不是一句 Prompt，而是一整套的「指令 + 知识 + 工具 + 脚本」，在需要时自动加载和使用。

RAG 技术揭秘 —— 从0到1简单实现原生RAG在介绍 RAG 之前，我们先思考，现在的 LLM 有什么问题？我们用一个经典的例子说明。我们给猴子一个打字机，让它随便打字，如果这个实验拉长到时间是无限的。

零基础入门 LangChain 与 LangGraph（八）：真正让 Agent“活起来”——持久化、记忆、人机交互与时间旅行💬 开篇：上一篇我已经把 LangGraph 最重要的第一层地基搭起来了：它不是普通的链式调用，而是一个用 State、Node、Edge 组织起来的有状态工作流系统。但如果我只停在“会建图”，其实还远远不够。因为真实的 AI 应用一旦开始变复杂，真正难的往往不是“下一步走哪条边”，而是另外几个更硬核的问题：

零基础入门 LangChain 与 LangGraph（九）：LangGraph 收官——运行时上下文、流式输出、子图、与项目结构💬 开篇：前面两篇已经把 LangGraph 最核心的地基搭起来了。第一篇解决的是“图怎么建”，也就是 State、Node、Edge、工作流、Agent 这些最基础的结构问题；第二篇解决的是“图怎么长期活着跑”，也就是持久化、记忆、人机交互和时间旅行。但真正到了想做项目的时候，还有最后一层能力必须补齐：一个图，怎么把用户身份、配置信息、数据库连接这种运行期依赖带进来？怎么把执行过程流式暴露出来？怎么把复杂系统拆成子图来开发？最后又怎么把整个 LangGraph 应用组织成一个真正可运行、可调试、可

零基础入门 LangChain 与 LangGraph（七）：真正理解 LangGraph——从工作流、状态图到三个核心案例💬 开篇：前面六篇已经把 LangChain 这条线基本跑通了：模型怎么接，Prompt 怎么写，输出怎么约束，RAG 怎么把外部知识接进来，到这里为止，我们已经具备了“做一个基础 LLM 应用”的能力。但接下来真正遇到的问题，已经不是“会不会调模型”，而是：怎样把一个需要多步决策、状态传递、工具调用、分支跳转、失败恢复、人工介入的系统真正组织起来？

从客服转行AI Agent：半年学习与求职复盘现在很多大学生都有转AI的想法，但每天做的却是收藏一堆教程、刷一堆概念、看一堆“LLM 从入门到精通”，然后继续焦虑、继续拖沓、继续投简历没回音。我就是双非野鸡二本经济学转Agent的，结果把 Agent 这条路跑通之后，简历项目亮点直接写满，后面成功拿到offer30kLLM工作最近还发了2w多的年终奖，舒坦！

代码随想录

RAG大厂面试题汇总：向量检索、混合检索、Rerank、幻觉处理高频问题大模型系列教程尽在卡码笔记今年知识星球里，录友反馈最多的面试变化就是：RAG 成了必考项。不管你投的是大模型应用开发、LLM 工程、还是 AI 后端，面试官都会问：“你做过 RAG 吗？检索策略怎么设计的？”

小童不学前端

前端如何转 AI 应用开发这两年很多前端同学都在焦虑。一边是业务越来越卷，CRUD 越来越熟练，但成长感越来越弱；另一边是 AI 爆火，朋友圈、技术社区、招聘市场，到处都在说 AI、Agent、RAG、Copilot、工作流，看得人脑壳发麻。

最初的↘那颗心

Prompt 工程实战：五要素框架与 Spring AI 模板化落地Prompt 不是随便写一句话发给模型就完事——它直接决定了大模型能力的上限。本文从一个真实的 Code Review 场景出发，演示"差 Prompt"与"好 Prompt"的效果差距，提炼出 Prompt 五要素框架（角色、任务、约束、格式、示例），并通过 Spring AI 的多种模板化手段将其工程化落地。面向有 Spring Boot 基础、正在用 Spring AI 做大模型应用开发的后端工程师。

LangChainV1.0中Agent开发的核心组件LangChain本质上是一个具备动态决策能力的智能执行框架，它通过大型语言模型（LLM）作为"大脑"，协调和调度各种工具来完成复杂任务。与传统的预定义流程软件不同，Agent能够根据实际情况自主做出决策，将单一的工具调用转化为灵活的问题解决能力。

LangChainV1.0 + LangGraphV1.0介绍大模型工程师必须会的模型：大模型的种类特点常用大模型通用语音模型通用能力强，文本推理，文本生成，深度思考等

Large Language Model(LLM)应用开发学习实践（二）大语言模型本身是无状态的（stateless），即每次推理都是独立的，不保留历史信息。为了在对话或多轮交互中实现“记忆”能力，开发者通常借助外部记忆存储策略（memory strategies）。以下是常见的五种记忆存储策略：

【大模型应用开发】Qwen2.5-VL-3B识别视频克隆以下代码尝试运行qwen-vl-hello.py，报错原因缺少modelscope：尝试运行，不出意外的话肯定运行不了，报错原因依然是缺少modelscope：