本文介绍了如何在SpringBoot项目中集成LangChain4j和Ollama实现本地大语言模型的功能调用(Function Calling)。主要内容包括：1) 工具调用的概念与价值，2) 环境准备与模型选择(qwen2:7b等支持工具调用的模型)，3) 项目依赖配置与yml修改，4) 通过@Tool注解定义天气查询和客服工具类，5) 创建AI服务接口并手动构建Bean，6) 编写测试Con

本文介绍了如何使用SpringBoot+LangChain4j+Ollama搭建本地大模型语言LLM，并重点讲解了RAG（检索增强生成）技术的实现。RAG解决了大模型知识陈旧和"幻觉"问题，通过检索知识库中的信息来增强生成答案的准确性。文章详细阐述了RAG的两阶段流程：索引阶段（文档加载、解析、分块、向量化和存储）和检索生成阶段（问题向量化、相似度检索、增强上下文和生成答案）。

本文介绍了基于SpringBoot+LangChain4j+Ollama实现的多AI服务协同智能客服系统。通过服务编排技术，将意图识别、订单查询等功能模块串联成工作流。系统采用确定性编排方式，由开发者定义流程，通过IntentClassifier进行任务分类，OrderAssistant处理具体业务，并支持工具调用功能。文章详细展示了项目配置、AI服务接口设计、工具注册及控制器调度实现，最终构建了

本文介绍了将SpringAI项目从阿里云百炼平台迁移到本地Ollama大模型的完整过程。通过修改pom.xml依赖和application.yml配置，实现了业务代码零改动的情况下完成模型切换。文章详细说明了依赖调整步骤、常见问题排查方法，并总结了关键知识点：依赖隔离、配置驱动开发、BOM版本管理等。特别强调了模型需支持FunctionCalling能力才能实现工具调用功能，建议使用qwen2.5

本文介绍了在Windows环境下搭建完全本地化、免费的AI编程助手方案，采用Ollama+Continue组合。主要内容包括： 本地方案优势：数据隐私性强、完全离线、无使用限制 核心组件： Ollama：本地运行大模型服务 Continue：IDE插件 代码模型（推荐StarCoder2-3B） 实施步骤： 安装Ollama服务 下载代码模型（提供一键拉取和手动下载两种方式） 配置Continue

本文介绍了如何在SpringBoot项目中集成Ollama的Embedding功能实现文本向量化。主要内容包括： 配置application.yml添加Embedding模型（如nomic-embed-text） 创建EmbeddingService服务类，提供文本向量化、相似度计算等功能 开发REST API控制器，暴露单文本向量化、批量向量化和相似度计算接口 关键技术点： 使用Spring A

本项目基于Spring AI Alibaba框架集成Ollama大模型服务，实现Function Calling功能。主要内容包括： 技术架构 使用SpringBoot 3.2.5 + Spring AI Alibaba 1.0.0-M6.1 通过Ollama本地运行qwen2.5模型替代云服务 核心功能：时间查询、天气查询、数学计算和温度转换 环境配置 需要JDK17+ 安装Ollama并下载q

Spring AI Alibaba + Ollama 的 RAG 智能问答系统实现指南 本文介绍了如何基于Spring AI Alibaba和Ollama构建RAG（检索增强生成）智能问答系统。RAG技术通过将信息检索与大语言模型生成相结合，解决了传统LLM的知识截止和幻觉问题。文章详细阐述了RAG的核心概念、与微调的对比，以及实现的两个主要阶段： 离线索引阶段：包括文档加载、分块（介绍了三种分块

《构建Spring Boot代码审查Skill：让AI成为你的架构助手》 本文详细介绍如何创建Spring Boot项目的AI代码审查Skill，帮助团队提升代码质量。文章首先分析了传统人工审查的三大痛点：人力成本高、标准不统一和知识传承难。然后介绍了Claude Code的Skill机制，包括SKILL.md文件结构、渐进式披露和自动触发等核心概念。 重点阐述了Spring Boot审查Skil

本文介绍了将SpringAI项目从阿里云百炼平台迁移到本地Ollama大模型的完整过程。通过修改pom.xml依赖和application.yml配置，实现了业务代码零改动的情况下完成模型切换。文章详细说明了依赖调整步骤、常见问题排查方法，并总结了关键知识点：依赖隔离、配置驱动开发、BOM版本管理等。特别强调了模型需支持FunctionCalling能力才能实现工具调用功能，建议使用qwen2.5