📌 Ollama本地大模型部署指南 Ollama是一款开源工具，支持在本地快速部署Llama、Mistral等大模型，无需API Key，适合开发者和普通用户。 🔹 快速安装 macOS/Linux/Windows一键安装，默认端口11434 运行模型仅需 ollama run <模型名>，自动下载所需文件 🔹 常用模型推荐 Llama 3.2（通用对话）、Mistral（编程推

本文是Spring AI实战系列的第三篇，重点讲解Prompt工程的核心技术与实战应用。主要内容包括： Prompt工程的重要性：介绍如何通过清晰表达意图降低Token消耗、提高输出质量 模板化体系：详解PromptTemplate的占位符渲染、文件管理及多语言消息构建 Few-Shot与思维链技术：展示如何通过示例引导和逐步推理提高模型表现 结构化输出：讲解如何让AI返回精确的JSON格式数据

大家好，我是冰点，今天我们继续聊SpringAI的基本用法和特性。

作为ClawHub官方授权的国内专属社区，自带高速镜像buff，不用复杂配置，新手跟着走，一步到位安装2.5万+AI技能，彻底和“瞎找、瞎等、瞎踩坑”说拜拜～—— 简单说，就是「ClawHub国内镜像版」，腾讯专为中国用户优化的AI技能社区，收录了ClawHub全量2.5万+AI技能，核心优势就是“高速下载、一键安装、精准筛选”，不用科学上网，国内网络直接拉满速度。

这里的技能都是官方筛选的优质技能，稳定性高、踩坑率低，比如「Skill Vetter」（技能安全校验）、「Github」（GitHub 自动化）都在其中。：按下载量排序，优先选择社区用得最多的技能，这类技能兼容性更好、问题更少，比如下载量破万的「ontology」（结构化记忆技能），值得优先尝试。没有 Skill 的 AI 只能聊天，有 Skill 的 AI 才能搜索、自动化、操作系统、调用 AP

大家好，我是冰点，今天我们继续聊SpringAI的基本用法和特性建议先阅读第五篇《RAG 核心原理》和第六篇《文档 ETL 实战》，理解 Embedding 在 RAG 中的角色。本文聚焦 Embedding 与向量库的选型思路；具体客户端初始化方式请结合你当前使用的 Spring AI starter 版本确认。

本文介绍了Spring AI框架中文档ETL处理的核心组件与应用实践，重点讲解了PDF、Word、Markdown等常见文档格式的解析方法。主要内容包括： 文档ETL在RAG系统中的关键作用，涵盖抽取、转换、加载全流程 Spring AI统一文档读取接口体系，支持多种文档格式解析 PDF文档处理详解，包括分页读取、元数据提取和内容过滤 Word文档解析技巧，支持表格内容提取和分页处理 Markdo

文章摘要： RAG（检索增强生成）通过检索外部知识库增强大模型回答能力，解决知识陈旧、幻觉和引用问题。其核心流程为“检索-增强-生成”，相比微调具有实时更新、低成本、可解释性强等优势。Spring AI将RAG拆分为文档读取、向量化、检索等模块，支持灵活组合。关键点包括使用统一Embedding模型、优化相似度检索（如余弦相似度），并需应对召回质量、上下文长度和多跳推理等挑战。RAG可作为Agen

本文介绍了Spring AI框架中多模型适配的实现原理与实践方法。主要内容包括：1) Spring AI基于条件注解的自动配置机制，通过引入不同模型的starter依赖即可自动创建对应Bean；2) 详细讲解了OpenAI、Anthropic Claude和Azure OpenAI三种主流模型的适配配置；3) 分析了配置属性的优先级机制，从代码级到配置文件的多层次覆盖；4) 展示了生产环境中模型切

本文是Spring AI实战系列的第三篇，重点讲解Prompt工程的核心技术与实战应用。主要内容包括： Prompt工程的重要性：介绍如何通过清晰表达意图降低Token消耗、提高输出质量 模板化体系：详解PromptTemplate的占位符渲染、文件管理及多语言消息构建 Few-Shot与思维链技术：展示如何通过示例引导和逐步推理提高模型表现 结构化输出：讲解如何让AI返回精确的JSON格式数据