上一篇我们掌握了 CO-STAR 框架，让 AI 能按你的期望风格输出。但当你面对复杂任务——比如数学推理、多步骤决策、代码逻辑分析时，光靠格式框架还不够。和，并学习如何用把这些经验沉淀为团队规范。这一篇不需要引入任何新依赖，所有实验都在现有的 Spring Boot 项目上进行。如果你还没有项目，回顾第一篇即可。

name = "小明"

经过前面六篇文章的铺垫，你已经在 AI 新世界的门口徘徊了足够久。你知道了模型能做什么，弄清了它快与慢的脾气，还亲手把文字变成了向量。而承载这一切操作的那只“幕后黑手”——LangChain，至今只在我们耳边若隐若现地出现。今天，我们不绕弯子，直接推开 LangChain 城堡的大门，走进去一探究竟。你会弄明白它的核心架构长什么样，然后亲手在城堡里组装第一件“法器”：一条真正的链。

InnoDB 的页大小是 16KB，而操作系统的文件写入通常是 4KB 为单位。如果 MySQL 正在写入一个 16KB 页时突然断电，操作系统可能只写了前 8KB，后 8KB 仍然是旧的数据。这就叫页断裂（Torn Page）。一个断裂的页，校验和会出错，且无法用 Redo Log 修复（因为 Redo Log 记录的是“在某个完整页的基础上做了哪些修改”，如果基础页面本身已损坏，重做也无法恢复

表空间 (Tablespace / .ibd 文件)├── 段 (Segment) —— 数据段│ ├── 区 (Extent) —— 1MB (64页)│ │ ├── 页 (Page) —— 16KB│ │ │ └── 行 (Row) —— 实际记录│ │ ├── 页 (Page)│ └── 区 (Extent)└── 段 (Segment) —— 索引段└── ...

name = "小明"

今天，我们完成了一次温柔的破冰之旅。LLM 不是普通函数，它带来了从“逻辑编程”到“意图编程”的范式转变。LangChain 是面向 LLM 的“操作系统”，它的核心职责就是帮你管模型、管流程、管记忆、管工具。你亲手写出了第一个 LangChain 程序，用真实代码验证了这个新范式。但在整篇文章当中，我们一直把“模型”当成一个抽象的概念来讨论。这个“模型”到底是什么？它和我们嘴上常说的 AI 有什

经过前面六篇文章的铺垫，你已经在 AI 新世界的门口徘徊了足够久。你知道了模型能做什么，弄清了它快与慢的脾气，还亲手把文字变成了向量。而承载这一切操作的那只“幕后黑手”——LangChain，至今只在我们耳边若隐若现地出现。今天，我们不绕弯子，直接推开 LangChain 城堡的大门，走进去一探究竟。你会弄明白它的核心架构长什么样，然后亲手在城堡里组装第一件“法器”：一条真正的链。

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。

上一篇我们用 DeepSeek 写出了第一个 AI 对话接口。。如果你跟着上一篇的教程一路走下来，现在你的项目里应该有一个/chat接口，调用的是 DeepSeek。现在老板说：“咱们要换个模型，用 OpenAI 的 ChatGPT。” 你的第一反应可能是：要改代码？要换依赖？要重新看文档？这就是 Spring AI 的抽象魅力。今天我们会用同一套代码，接入 OpenAI ChatGPT，体验模型