我觉得最好的读法还是顺着顺序来——因为后面的每一篇都默认你读过前面的。但你要是哪篇读着卡住了，就合上屏幕歇两天，没关系。有些概念得靠大脑在后台偷偷加工一夜才能消化，你越急它越不合作。也用不着记笔记。每一篇里真正要紧的道理，我会用不同的话翻来覆去地讲。你只要在读的时候让那些画面和比喻在脑子里留下个印子就行，它们自己会串起来的。至于你担心自己“数学不好”或者“不是学这个的料”——大可不必。这趟旅程的设

我是一个 Java 开发者，能搞 AI 吗？“当然能。而且你不需要先学 Python。欢迎来到《Spring AI 从入门到实战》专栏的第一篇。作为 Java 程序员，你是不是经常遇到这样的场景：公司要上线一个“AI 问答”功能，同事都在讨论大模型、Prompt、Token……你打开 CSDN 一搜，满屏都是 Python 的 LangChain、LlamaIndex。那一刻你可能在想：“是不是得

场景一：合规要求公司项目要求所有数据不出境，必须使用国产大模型。但团队对阿里云百炼的 API 格式不熟悉，担心接入成本高、文档不完善。如果用原始 HTTP 调用，要自己处理签名、Token 管理、重试逻辑，费时费力。场景二：生态整合项目已经用了 Spring Cloud Alibaba 全家桶（Nacos、Sentinel、RocketMQ），想在同一个技术栈里接入 AI 能力。如果另起一套 Py

Ollama 是一个用于在本地运行大语言模型的工具。它的特点是安装简单（Windows/Mac/Linux 都支持），一条命令就能拉取和运行模型，自动检测并利用 GPU，通过本地 API（默认端口 11434）对外提供服务。你可以把 Ollama 理解为“大模型界的 Docker”——它帮我们屏蔽了模型下载、量化、加载、CUDA 适配等底层琐事，让我们把精力集中在应用开发上。

上篇我们学会了用工作流编排多个 AI 任务，但有一个问题遗留了下来：所有 AI 节点都共用同一个模型。如果我想让逻辑推理用 DeepSeek，中文润色用通义千问，本地快速响应用 LLaMA，怎么办？今天这篇就是答案——Spring AI 设计的核心原则之一就是“统一 API，灵活适配”。你在前几篇中学到的ChatClientPromptStream等调用方式，在与不同模型交互时完全一致。

前面我们接入了百炼的多模态能力，也实现了多模型切换，但你可能感觉还差点火候——模型有时候“听不懂”你的深层需求，回复速度也不稳定，而且不知道怎么精细控制生成效果。今天，我们就来深入 DashScope 的，用函数调用、参数调优和性能优化三把利剑，让你的百炼应用更“聪明”、更稳定、更高效。本文会带你解锁 DashScope 平台特有的能力（如原生 Function Calling），教你在生产环境中

想一想你在厨房里做一道复杂料理：切菜、焯水、爆炒、勾芡，每一步都有先后顺序，有些步骤还能同时进行。Spring AI Alibaba 借鉴了 LangGraph 的图编排思想，让我们能用 Java 代码定义一张“任务流程图”，每个节点负责一个具体的任务（可以是调用大模型、执行 Java 方法、甚至调用另一个子流程），节点之间通过边连接，数据以状态（State）的形式在节点间流转。今天我们会依次搞定

如果你完整跟完了前两篇，手动写过 MyBatis 的 XML 映射文件，也配置过复杂的 ，那你应该已经感受到了 MyBatis 的灵活和强大。但你可能也会偶尔冒出这样一个念头：我只是想查一条数据，为什么要写 XML？我只是想做个简单的分页，为什么要自己拼 LIMIT？MyBatis-Plus（以下简称 MP）的出现，就是为了回答这个问题。它的官方定位是 “只做增强不做改变” ——不改变 MyBat

的设计背后是一个经典的设计模式——模板方法模式（Template Method Pattern）。在父类中定义一个操作的整体骨架，把某些步骤延迟到子类中实现。听起来抽象，我们看的实际代码就明白了。中有一个核心方法execute// JdbcTemplate 的核心骨架（简化版）// 1. 获取连接（由模板负责）try {// 2. 创建 PreparedStatement（由模板负责）// 3.

最终会调用方法。这是 Spring IoC 容器的“总调度中心”。@Override// 步骤1：容器启动前的准备与状态验证// 步骤2：获取底层 BeanFactory// 步骤3：配置 BeanFactory 的标准特征try {// 步骤4：允许子容器对 BeanFactory 进行后置处理// 步骤5：实例化并调用所有 BeanFactoryPostProcessor// 步骤6：注册 B