本文介绍了一个储罐折线图数据标准化处理工具，主要功能是将第三方接口获取的不规整储罐温度/高度数据转换为连续的整点数据序列。系统通过四个核心步骤实现：1）数据预处理（过滤空值、类型转换、时间排序）；2）生成整点时间序列；3）数据去重与整点归并（分钟级去重、严格整点匹配）；4）智能补全缺失数据（3小时内最近有效数据填充）。最终输出连续、无断点的整点数据，确保前端折线图展示效果流畅完整。文章包含详细代码

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

本文介绍了基于SpringAI和Ollama本地模型实现工具调用的完整方案。主要内容包括：1）工具调用的核心流程，从定义工具到模型决策和执行反馈；2）两种工具定义方式（@Tool注解和编程式API）；3）详细的环境配置和代码实现示例；4）常见问题解决方案，如ToolCallbackProvider缺失、模型兼容性问题等。通过SpringAI的优雅API和Ollama本地模型，开发者可以轻松构建具备

本文介绍了SpringAI中实现大语言模型多轮对话记忆功能的核心机制。通过ChatMemory、ChatMemoryRepository和MessageChatMemoryAdvisor三层架构，开发者可以轻松管理对话历史。重点讲解了MessageWindowChatMemory滑动窗口记忆策略，它能自动维护固定大小的消息窗口（默认20条），避免token爆炸。文章提供了完整的代码示例，包括pom

本文介绍了SpringAI中Prompt与PromptTemplate的核心概念及应用。Prompt是包含消息列表和调用选项的完整请求对象，而PromptTemplate则是支持占位符替换的模板引擎。文章通过天气查询示例，展示了如何动态构建系统指令和参数化用户消息：1）使用外部文件加载系统提示模板；2）创建带变量的用户消息模板；3）组合生成完整Prompt并调用ChatClient。还演示了通过C

本文介绍了SpringAI中对话记忆从内存存储迁移到JDBC持久化的完整方案。通过使用JdbcChatMemoryRepository替代InMemoryChatMemoryRepository，解决了服务重启数据丢失和多实例共享问题。文章详细讲解了MySQL环境准备、建表脚本编写、配置参数说明等实现步骤，并深入分析了JDBC存储的底层原理，包括消息写入机制、数据库表结构设计和索引优化策略。该方案

摘要：本文针对SpringBoot中@Scheduled定时任务默认单线程执行导致的任务阻塞问题展开分析。通过摄像头重连与数据采集的典型场景，揭示了当重连任务耗时30秒时，会阻塞5秒周期的数据采集任务，造成Redis数据过期误报。深入剖析了ThreadPoolTaskScheduler单线程调度的底层机制，并提出四种解决方案：扩展线程池大小、异步化耗时操作、分离调度器以及改造重连逻辑。重点推荐方案

本文介绍了如何在SpringAI项目中集成Milvus向量数据库实现RAG（检索增强生成）功能。主要内容包括：1）MilvusLite在Windows环境的快速安装指南；2）SpringAI项目配置，包括依赖添加和yml文件设置；3）核心代码实现，涵盖文档加载、文本分块、向量存储及RAG问答流程；4）方案优势分析，强调轻量便捷、持久化存储和兼容性特点。该方案通过统一VectorStore接口实现向