RAG（Retrieval Augmented Generation，检索增强生成）是一种结合信息检索和文本生成的技术范式。

传统AI系统以规则驱动型工作流为核心，依赖预设程序执行确定性任务（如制造业机器人）。而智能体（Agent）通过大语言模型（LLMs）实现了动态决策能力感知维度：突破单一模态输入，整合视觉、语音、触觉等多源信号推理能力：从线性逻辑处理升级至多层级任务拆解（如金融报告分析需分解为数据检索→计算→趋势预测）行动闭环：形成“目标设定→规划→执行→反思”的自主迭代循环典型案例：Crew.AI平台通过层级流程

本文介绍了一个基于Spring AI Alibaba DashScope集成的智能知识助手系统开发项目。该系统采用现代化技术栈（Spring Boot 3.x + PostgreSQL + pgvector + Redis），实现了企业级RAG解决方案，支持文档上传、智能问答和会话管理。核心功能包括：深度集成阿里云通义千问模型的双模式AI支持；基于向量数据库的文档检索增强问答；ThreadLoca

Spring AI Alibaba Graph 是阿里云基于 Spring AI 生态开发的工作流编排框架，采用声明式编程模型构建复杂AI应用。其核心架构包含应用层、编排层、执行层和基础层，通过StateGraph定义工作流结构并编译为可执行的CompiledGraph。框架采用状态驱动执行模型，通过OverAllState管理数据流转，原生支持异步处理。开发者可通过添加节点和边构建工作流，支持条

Bean@Description("Get the weather in location") // 函数描述，帮助模型选择调用Bean 名称（默认为方法名）即作为函数名传给模型。注解为该函数提供说明，模型据此判断何时调用。“工具调用（Function Calling）”为 LLM 提供了与外部系统、API、代码逻辑无缝对接的能力，大大拓展了模型在实际应用中的边界。

这个问题真是把我搞死，明明已经加入jar包，但是还是报找不到。（ps：这种老的jar包管理的项目真是千奇百怪0.0）解决办法：将jar放入本地tomcat的lib文件下clean 重启。...

现代AI应用正经历从单一文本交互到多模态融合的革命性转变。根据Gartner预测，到2026年将有超过80%的企业应用集成多模态AI能力。Spring AI Alibaba 对话模型体系正是为这一趋势量身打造，其技术架构演进路径呈现以下特点：输入维度扩展：支持文本、图像、音频、视频等多源数据输出能力增强：实现跨模态内容生成与转换上下文理解升级：基于多模态信息的综合语义理解服务编排优化：统一API规

Spring AI Alibaba Graph 是阿里云基于 Spring AI 生态开发的工作流编排框架，采用声明式编程模型构建复杂AI应用。其核心架构包含应用层、编排层、执行层和基础层，通过StateGraph定义工作流结构并编译为可执行的CompiledGraph。框架采用状态驱动执行模型，通过OverAllState管理数据流转，原生支持异步处理。开发者可通过添加节点和边构建工作流，支持条

上期我们学习了计数排序，但是计数排序也有局限性，比如针对于double型就不好使用计数排序。所以本期我们学习另一种排序算法来解决非整型排序：桶排序。概念:将数组分到有限数量的桶里，然后对每个桶进行分别排序（有可能使用别的排序算法或者递归继续使用桶排序）。桶排序的思想近乎彻底的分治思想。那么桶是什么概念呢？每一个桶代表一个区间范围，里面可以承载一个或者多个元素。桶排序的第一步，就是创建这些桶...

Bean@Description("Get the weather in location") // 函数描述，帮助模型选择调用Bean 名称（默认为方法名）即作为函数名传给模型。注解为该函数提供说明，模型据此判断何时调用。“工具调用（Function Calling）”为 LLM 提供了与外部系统、API、代码逻辑无缝对接的能力，大大拓展了模型在实际应用中的边界。