登录DeepSeek官网 : https://www.deepseek.com/ 进入API开放平台，第一次需要注册一个账号。接着我们获取DeepSeek的API对话接口地址，点击左边的：接口文档 进入，找到对话API，把下面的地址保存下来。重新进入IDEA - Setting - 搜索CodeGPT进行配置。进去之后需要创建一个API KEY，然后把APIkey记录保存下来。下面是 code c

前面我们学习了基于Langchain4j的大模型的很多玩法，今天我们把这些玩法整合成一个综合案例：智能挂号系统，案例不会特别复杂，主要功能包括医疗问答，挂号咨询，预约挂号，取消挂号等几个功能，其中会使用到的技术包括：RAG知识库，回话记忆功能，Tools的使用，流式输出，提示词等等，希望该案例可以一点打面，给你更多的遐想，那么下面我们就开始吧。我们的tools会比较复杂，因为智能挂号相关的能力都主

大型语言模型（LLM）在自然语言处理领域取得了突破性进展，但其庞大的计算资源需求和高昂的调用成本，使得许多开发者望而却步。如何高效、便捷地调用大模型，并将其应用于实际场景，成为了亟待解决的问题。本文将介绍一种创新的解决方案：SpringAI + Ollama + DeepSeek，通过将三者结合，实现本地化部署和调用大模型，为开发者提供更灵活、更经济的LLM应用开发体验。SpringAI 作为Ja

可能我们都用过三方的大模型如：文心一言，通义千问等的文生图/语音/视频的功能，当我们输入需求大模型就可以根据我们的需求生成对应的图片或者视频。那么在你的项目中可能也会有这样的需求，我们一起来看看如何实现它。好吧文章到这结束，本文介绍了如何通过百炼大模型实现文生图/文生视频等，其实学到这里你时候已经有想法搭建自己的大模型平台了呢？实现一套用户系统，开发一套UI界面，对接自己的大模型或者三方大模型实现

在实际开发中我们通常需要协调多个大模型一起完成工作，如果使用过类似coze的工作流就能明白，很多时候一个任务是由多个环节构成的。对于大模型而言，每次用户提问它不应该去访问所有的tools，这样做很危险，会消耗大量的token，而且会带来一些意想不到的问题。正确的方式应该是根据不同的提问类型调用不同的tools做出相应的处理，如下图：本篇文章我们通过Lanchain4j实现根据用户的不同提问类型，调

SpringAI1.0.0正式版在前些时间正式出炉，这意味着它的版本开始稳定可以用于商用了，前面我们学习了LangChain4j开发AI应用，相对而言SpringAI也是非常重要的AI落地框架很多企业也在使用，本篇文章我们来介绍如何在SpringBoot项目中入门SpringAI.

CherryStudio 是一款集多模型对话、知识库管理、AI 绘画、翻译等功能于一体的全能 AI 助手平台。CherryStudio的高度自定义的设计、强大的扩展能力和友好的用户体验，使其成为专业用户和 AI 爱好者的理想选择。无论是零基础用户还是开发者，都能在 CherryStudio 中找到适合自己的AI功能，提升工作效率和创造力。

根据我们前面学习的知识我们知道，针对系统中不同的业务场景我们可以开发不同的tools来实现大模型调用，如果我们有多个AI应用都要实现相同的功能，那么可能就会在多个应用中定义重复的tools,导致一些重复的工作量，那么我们可以不可以吧通用的tools进行统一抽取（MCP-Server），然后AI应用通过某种协议（MCP-协议）去链接以达到复用的目的（有点像中台的感觉），如下使用百度地图举例所以最近有

什么是记忆功能？默认情况下当我们向大模型每次发起的提问都是新的，大模型无法把我们的每次对话形成记忆，也无法根据对话上下文给出人性化的答案。比如：我的第一次提问是“懂王有哪些特点”，然后大模型会给出我懂王的特点结果列表，当我再次提问“这些特点中哪个最惹人争议”的时候，它就不知道我在说什么了，因为大模型已经失去了上一次的提问记忆。所以让智能体（如AI助手、机器人、虚拟角色等）拥有记忆功能不仅能提升交互

摘要：RAG（检索增强生成）技术结合信息检索与大语言模型（LLM），通过检索外部知识库获取最新信息，提升生成内容的时效性和准确性。其流程分为索引（创建向量数据库）和检索（搜索相关数据）两阶段，涉及文本切割、向量化存储等步骤。文章详细演示了如何在Windows/Docker环境下安装Pgvector向量数据库，并通过Spring AI集成实现RAG应用，配置包括数据源、向量存储参数及本地向量模型。该