在AI的时代下，各企业也开始了转型，逐步向智能化方向转变，首当其冲的就是服务自动化、智能化，但是由于以往大模型与企业本地服务接口的匹配性问题，导致调用本地知识库的过程复杂化。我将介绍一个专门解决这类问题的标准化协议MCP，以医疗场景为例，用于介绍其在应用上的优势。

 经过近百次的尝试，我发现通过代码直接部署大模型的不稳定性以及操作、技术上的难度远远超过了其本身的价值，尤其是对于初学者以及硬件能力较弱的机器。而采用ollama直接一键部署大模型则显得更加有优势，其在模型的控制上更稳定，模型库包含了大量不同大小的模型的不同量化版本，一键部署更加方便。        上一篇文章我介绍了通过Python环境直接使用代码部署大模型的示例，本篇我将借助ollama完成同

 Spring AI更新的速度非常快，在一个月之前我还在用着最新的M7版本，中间经过M8、1.0.0RC1，现在马上就到了1.0.0正式版。正式版当然也新增了许多东西。      因为大多数人都在用M7和M8版本的Spring AI，本篇文章我就介绍一下M7、M8版本向1.0.0版本做兼容时主要需要修改的点

在较新的Java版本中，编译器已经支持了接入各种AI模型工具进行开发，这篇文章我会介绍如何利用Spring AI进行大模型的调用的基础方法

当我们想要部署一个自己的本地ai助手时，如果不想通过一些工具。比如ollama进行协助，而是想要实现更灵活、对性能更可控的方式时，你可以采取直接使用python环境通过代码运行模型文件，以下我将演示如何实现这一功能

 在信息做传输时，经常会使用到类型转换，这个时候因为一些问题会导致精度的丢失。在支付业务中这种问题更为致命。

在一些任务量比较繁重的模块中，我们为了提高执行效率，通常会使用多线程加快执行速度。但是其缺点就是不够灵活，而xxl-job就解决了这一问题，其基于分布式的思想配合多线程统一对任务进行调度，并提供了多种调度方案，我将从安装xxl-job开始介绍这一组件的使用。

在AI的时代下，各企业也开始了转型，逐步向智能化方向转变，首当其冲的就是服务自动化、智能化，但是由于以往大模型与企业本地服务接口的匹配性问题，导致调用本地知识库的过程复杂化。我将介绍一个专门解决这类问题的标准化协议MCP，以医疗场景为例，用于介绍其在应用上的优势。

在AI的时代下，各企业也开始了转型，逐步向智能化方向转变，首当其冲的就是服务自动化、智能化，但是由于以往大模型与企业本地服务接口的匹配性问题，导致调用本地知识库的过程复杂化。我将介绍一个专门解决这类问题的标准化协议MCP，以医疗场景为例，用于介绍其在应用上的优势。

大模型的发展速度越来越快，已经充斥着当今各行各业，今天我将简单的介绍一下大模型的基本原理以及使用方法。