下面结合你一直在看的 Qwen、Llama、GLM、Ollama、Agent、Function Calling 把概念拆透。基座（Base Model / 预训练基座）：只经过海量文本预训练、没有针对 “对话” 微调的原始大模型。我们日常聊天用的模型，是基座二次加工后的成品。① 基座 Base Model。1、两个核心名词区分。

我带你一句话搞清楚它的定位——说白了，你写 Spring Boot 项目，想接大模型（ChatGPT、通义千问、DeepSeek……），以前你怎么办？自己写 HTTP 请求，拼 JSON，处理流式响应，适配各家不同的 API 格式，写一堆工具类。如果明天你觉得 OpenAI 太贵要切到 DeepSeek，改一行配置完事，业务代码零改动——这就是 Spring AI 最大价值。

Dense（稠密）模型：每次推理，所有参数都参与计算。如 Qwen-72B、LLaMA-70B。MoE（Mixture of Experts，混合专家）模型：模型内部有多个"专家"网络，每次推理只激活其中一部分。如 DeepSeek-V3（671B总参数，37B激活）、Mixtral 8x7B（47B总参数，13B激活）。

至此第5阶段「RAG检索增强生成」7章全部完成。RAG是目前AI应用开发中。

AI将取代人类工作”“机器学习正在改变金融行业”“深度学习实现了人脸识别”这三个词经常被混着用，好像说的是同一件事。我到底需要AI？机器学习？还是深度学习？让你看完之后再也不会把这三个词搞混。

我见过太多这样的场景：老板看了个ChatGPT的演示视频，第二天开会说：“咱们也搞个AI，把客服全替了。” 结果上线后发现AI经常胡说八道，客户投诉不降反升，最后灰溜溜换回人工。也有反过来的：一个团队明明可以用AI把效率提升3倍，但他们觉得"AI不靠谱"，死守着老方法，白白浪费机会。不清楚AI到底能干什么、不能干什么。这章就是帮你划这条线。看完之后，面对任何"要不要用AI"的问题，你心里都有一把尺

我见过太多这样的场景：老板看了个ChatGPT的演示视频，第二天开会说：“咱们也搞个AI，把客服全替了。” 结果上线后发现AI经常胡说八道，客户投诉不降反升，最后灰溜溜换回人工。也有反过来的：一个团队明明可以用AI把效率提升3倍，但他们觉得"AI不靠谱"，死守着老方法，白白浪费机会。不清楚AI到底能干什么、不能干什么。这章就是帮你划这条线。看完之后，面对任何"要不要用AI"的问题，你心里都有一把尺

很多人觉得AI是2023年ChatGPT火了之后才有的东西。其实不是。AI这个词，1956年就有了。比你爸的年纪都大。但为什么前60年你没啥感觉，最近几年突然就“爆发”了？这中间发生了什么？搞清楚这条线，你就能理解AI今天为什么是这个样子，也能判断它明天大概会往哪走。咱们用大白话，把这条70年的路捋一遍。

很多人觉得AI是2023年ChatGPT火了之后才有的东西。其实不是。AI这个词，1956年就有了。比你爸的年纪都大。但为什么前60年你没啥感觉，最近几年突然就“爆发”了？这中间发生了什么？搞清楚这条线，你就能理解AI今天为什么是这个样子，也能判断它明天大概会往哪走。咱们用大白话，把这条70年的路捋一遍。

说明：本记录主要是记录下自己对于公司框架集成seata的一个过程，不一定适应所有场景。