本文介绍了如何通过system角色为AI助手设定人设，使其从通用聊天机器人转变为特定领域的专业助手（如技术助理Alex）。主要内容包括： 核心概念：system角色作为全局指令，优先级最高，可定义助手的身份、能力和行为边界。 实现方法： 将人设内容写入外部文件templates/SOUL.md（角色定位/能力边界/回答风格/禁止事项） 启动时加载该文件作为第一条system消息 改造截断逻辑保护s

本文探讨了Spring Boot环境下实现加密字段模糊查询的解决方案。针对传统加密方式无法支持模糊查询的问题，重点介绍了格式保留加密(FPE)技术，该技术能保持数据格式不变，支持模糊匹配。文章分析了各种加密方案的优缺点，并提供了基于Google Tink库的FPE实现代码示例，包括密钥配置、加密解密方法等核心功能。这种方案在保证数据安全性的同时，兼顾了业务查询需求，适用于需要保护敏感数据但又要支持

本文介绍了学习Agent时面临的两大门槛：概念理解（LLM与Agent的区别）和实际操作（API Key获取与代码运行）。通过一张对比表阐明LLM是"会说不会做"的生成模型，而Agent是"能说能做"的智能助手，并给出Agent的组装公式。实操部分详细演示了注册DeepSeek、配置API Key、搭建Python虚拟环境的核心步骤，指导读者完成第一次模型调用。文章还预设了三个典型问题帮助体验LL

本文探讨了在飞书机器人智能助手中使用Spring AI Function Calling替代MCP协议的优势与适用场景。通过对比两种方案，指出当工具方法与应用同处一个JVM时，直接使用Spring AI的@Tool注解进行函数调用更为高效，能省去MCP中间层的网络开销和协议转换。文章详细解析了Function Calling的工作机制（工具注册、LLM决策、自动执行等核心流程），并提供了Maven

本文探讨了在飞书机器人智能助手中使用Spring AI Function Calling替代MCP协议的优势与适用场景。通过对比两种方案，指出当工具方法与应用同处一个JVM时，直接使用Spring AI的@Tool注解进行函数调用更为高效，能省去MCP中间层的网络开销和协议转换。文章详细解析了Function Calling的工作机制（工具注册、LLM决策、自动执行等核心流程），并提供了Maven

用Docker部署一个ChatGPT较为简单，按照博文可以零基础搭建完成。体验了chatgpt，感觉OpenAI的人工语言处理工具还是不错的，基本问题都有着自己的思维方式。

本文介绍了如何将MCP Client Demo项目与飞书群机器人集成，实现"飞书消息→LLM智能决策→MCP工具调用→结果回复"的完整链路。核心设计理念是让大模型(LLM)自主决策工具选择，而非硬编码命令匹配。文章详细阐述了飞书应用创建、权限配置、事件订阅模式选择（WebSocket与Webhook对比）等技术细节，并提供了依赖配置和核心代码实现示例，展示了单聊和群聊场景下的运行效果。整体架构采用

本文介绍了如何构建一个轻量的MCP Client端项目，用于连接MCP Server并调用AI工具服务。文章重点包括： MCP Client的核心概念：作为AI应用与MCP Server之间的桥梁，负责协议协商、工具发现和调用。 项目特色功能：多MCP Server连接、本地与远程工具混合调用、动态工具加载、同步/流式对话、对话历史管理等。 技术架构：基于Spring AI 1.1.5和MiniM

本文介绍了基于Spring AI的MCP Server端实现方案，重点探讨了Streamable HTTP协议在企业级AI工具服务中的应用。文章首先概述了MCP协议的核心概念及其传输方式演进，分析了从SSE转向Streamable HTTP的优势，包括解决连接不可恢复问题、降低服务器资源压力、简化架构等。随后详细阐述了MCP Server的技术架构设计，包括核心组件说明、工具调用流程以及多服务部署

本文介绍了基于Spring AI的MCP Server端实现方案，重点探讨了Streamable HTTP协议在企业级AI工具服务中的应用。文章首先概述了MCP协议的核心概念及其传输方式演进，分析了从SSE转向Streamable HTTP的优势，包括解决连接不可恢复问题、降低服务器资源压力、简化架构等。随后详细阐述了MCP Server的技术架构设计，包括核心组件说明、工具调用流程以及多服务部署