Java 后端 + AI 大模型落地 30 天学习计划（全程 Java、不学 Python，适配求职简历项目，每天 1.5～2.5h，适合在职）

目标：掌握大模型 API 调用 + SpringAI+LangChain4j+RAG 知识库，做完 1 个可写进简历的完整 AI 文档问答项目，满足当下 Java+AI 招聘要求

整体学习规划拆分

• 第 1 周：大模型基础概念 + SpringAI 调用各大模型 API（基础入门）
• 第 2 周：LangChain4j、Prompt 工程、FunctionCall 函数调用（业务落地核心）
• 第 3 周：向量库 Milvus + RAG 检索增强（企业刚需重点）
• 第 4 周：整合全项目 + Ollama 本地私有大模型 + 项目优化、简历整理

前置环境准备（第一天提前装好）

1. JDK17 + SpringBoot3.x（SpringAI 最低要求 Boot3）
2. Maven/IDEA、Docker（用来一键启动 Milvus、Ollama）
3. 申请免费 API 密钥：通义千问 / DeepSeek（免费额度够用练手）

第一周：SpringAI 大模型 API 对接（7 天，每天 1.5h）

Day1 基础概念

内容：

1. 大模型、Prompt 提示词、Embedding 嵌入向量、上下文窗口、流式输出基础名词
2. 区分：公有云 API (通义 / DeepSeek)、本地模型 (Ollama)、微调模型 实操：注册 2 个大模型开发者账号，拿到 apikey

Day2 SpringAI 环境搭建

1. SpringBoot3 引入 SpringAI 依赖，配置 yml 配置 api-key、模型地址
2. 普通同步问答接口开发：输入文本→调用大模型→返回结果 实操：写一个简单聊天接口，Postman 测试

Day3 流式输出 SSE（网页打字效果）

1. SpringAI StreamResponse、SSE 服务推送实现
2. 后端流式接口开发（面试高频） 实操：实现打字机式问答接口

Day4 提示词工程

1. 角色提示词、Few-shot 少样本提示、结构化输出（返回 JSON）
2. SpringAI PromptTemplate 模板封装 实操：AI 数据解析接口：自由文本→自动提取姓名、手机号、地址返回 JSON

Day5 多模型切换

1. 配置文件动态切换：DeepSeek / 通义千问不同模型
2. 接口参数动态指定模型名称 实操：一个接口按需切换不同大模型

Day6 异常处理、超时、重试

1. Rest 请求超时、大模型限流报错捕获
2. Resilience4j 熔断降级，调用失败兜底逻辑 实操：完善项目全局异常

Day7 第一周复盘 + 小项目汇总

整合：简易在线 AI 问答服务，打包测试

第二周：LangChain4j + FunctionCall（7 天，每天 2h，业务核心）

SpringAI 偏轻量化，LangChain4j 做复杂 Agent、RAG 企业项目主流

Day8 LangChain4j 入门，替换 SpringAI 实现基础对话

1. 引入 LangChain4j 依赖，ChatModel 配置对接公有 API
2. 简单对话、Prompt 模板用法

Day9 记忆管理（对话上下文）

1. WindowChatMemory 窗口记忆（限定历史消息条数）
2. 持久化记忆存入 Redis（实际项目方案） 实操：带历史上下文的连续聊天机器人

Day10 结构化输出 + POJO 绑定

1. LangChain4j 自动把大模型返回映射 Java 实体类，不用手动解析 JSON 实操：AI 简历信息抽取，直接映射 Resume 实体

Day11 FunctionCall 原理

1. 函数调用概念：让 AI 主动调用你写的 Java 接口
2. @Tool 注解定义工具方法

Day12 实战 1：AI 查询数据库数据

1. 写工具方法：根据用户输入姓名，查 MySQL 用户信息
2. AI 自主判断是否调用查询接口 实操：自然语言 “查张三手机号”→AI 自动调用 DB 接口返回数据

Day13 实战 2：多工具组合 Agent

1. 多个 Tool：查订单、查余额、查物流
2. AI 自主选择需要调用哪个接口

Day14 第二周项目整合：智能客服小 Agent

自然语言查询业务数据，完成本周阶段性项目

第三周：Milvus 向量库 + RAG 检索增强（7 天，重中之重，简历核心项目）

Day15 向量、Embedding 嵌入原理

1. 文本向量化概念、向量相似度计算
2. 使用大模型 Embedding 接口生成向量

Day16 Docker 部署 Milvus 向量数据库

1. docker-compose 一键启动 Milvus+Attu 可视化管理面板
2. 创建向量集合、字段定义（文档内容、向量、文档来源）

Day17 Java 整合 Milvus SDK

1. 新增文档→文本生成 Embedding 向量→存入 Milvus 实操：单条文档入库测试

Day18 文档切片（Chunk 分段）

1. PDFBox 读取 PDF 文档，自定义规则切割文本片段
2. 长文档拆分，避免超长文本损耗 RAG 效果 实操：上传 PDF 自动切片

Day19 RAG 完整链路：文档入库流程

PDF 上传→解析文字→分段→生成向量→存入 Milvus

Day20 RAG 检索问答链路

用户提问→问题向量化→Milvus 相似度检索相关文档片段→片段 + 提问拼接 Prompt 丢给大模型→AI 基于内部文档作答 实操：基础 RAG 问答，解决大模型幻觉问题

Day21 第三周全链路调试优化

优化切片大小、检索条数、相似度阈值，完善 RAG 项目 bug

第四周：私有化模型 + 项目优化 + 简历落地（7 天，每天 2h）

Day22 Ollama 本地部署开源大模型

1. Windows/Docker 安装 Ollama，拉取 Qwen、Llama3 轻量化模型
2. SpringAI/LangChain4j 切换对接本地 Ollama（不用付费 API）

Day23 私有化 RAG：全程本地模型（无外网 API）

本地 Embedding + 本地大模型 + Milvus，内网离线知识库

Day24 项目接入 SpringSecurity 简单权限、接口限流

网关限流、接口鉴权，贴近生产项目

Day25 异步优化：Kafka 实现文档异步入库

大批量 PDF 上传异步切片、向量化入库，防止接口超时（分布式优化，加分项）

Day26 前端极简页面（可选）

简易 html 实现文件上传、对话页面，前后端联调

Day27 项目打包部署

Docker 打包整个项目，一键启动整套服务

Day28 项目梳理 + 简历编写

1. 整理项目架构图：业务层 Java + Milvus 向量库 + 大模型 API/Ollama
2. 简历描述：基于 SpringBoot3+LangChain4j+Milvus 搭建企业知识库 RAG 系统，实现文档智能问答、AI 工具 Agent 自动查询业务数据
3. 整理面试高频问题（RAG 原理、FunctionCall、向量库选型）

配套学习资源 & 工具清单

1. 框架文档： SpringAI 官网、LangChain4j 官方文档（中文博客 + 官方示例）
2. 免费模型：DeepSeek、通义千问个人免费额度、Ollama 开源模型
3. 中间件：Docker 一键部署 Milvus、Redis、Kafka