Spring AI 是 Spring 官方推出的 Java AI 集成框架，简化了在 Spring Boot 应用中接入 AI 能力的过程。它支持集成主流大语言模型（如 OpenAI、Gemini 等），提供 ChatClient 和 ChatModel API 进行对话交互，支持 Prompt 模板和变量替换。框架还包含 RAG 功能，可将文本向量化存储到各类向量数据库，并支持对话记忆管理，通过

LangChain Agent是一种结合大语言模型与外部工具的执行系统，赋予AI自主决策和行动能力。本文演示了如何利用LangChain框架构建一个简单的加法计算Agent。通过本地部署的Qwen2.5-7B模型，配置了只支持加法的工具函数，并采用ReAct机制实现"推理-行动-观察"的决策循环。当用户提问"123加456等于多少"时，Agent会先判断需要

OpenAI-Java是一个Java开源库，用于简化与OpenAI模型的交互。文章介绍了如何通过Maven引入依赖，创建OpenAIClient实例（建议全局复用），以及使用本地部署的Qwen3-8b模型实现简单对话。示例代码展示了如何配置请求参数（包括提示词和模型设置），并解析返回的JSON响应。测试结果显示了模型生成的一段自我介绍文本，包含模型能力和服务目标说明。该库让Java开发者可以方便地

MCP（Model Context Protocol，模型上下文协议）是由Anthropic公司推出的开放标准协议，旨在为大型语言模型（LLM）与外部数据源、工具及服务提供统一的通信框架MCP主机：发起请求的应用（如Claude Desktop）。MCP客户端：负责与服务器通信。MCP服务器：提供资源（如数据库）、工具（如API调用）和提示模板。

本文介绍如何使用LangChain框架构建本地RAG（检索增强生成）系统，实现基于私有知识的LLM问答。通过Python代码示例，详细展示了从加载文档、文本分块、向量化存储到配置本地Qwen模型和构建RAG链的完整流程。该系统利用FAISS向量数据库进行高效检索，结合本地部署的LLM保障数据隐私。相比LlamaIndex，LangChain更适合简单RAG场景，提供模块化的链式编程体验。文章还解释

在以前的JDK中，Java的线程模型其实比较简单，在大多数操作系统中，主要采用的是基于轻量级进程实现的一对一的线程模型，简单来说就是每一个Java线程对应一个操作系统中的轻量级进程，这种线程模型中的线程创建、析构及同步等动作，都需要进行系统调用。而系统调用则需要在用户态（User Mode）和内核态（Kernel Mode）中来回切换，所以性能开销还是很大的。而新引入的虚拟线程，是JDK 实现的轻

今天的一个测试中使用到了多数据源,之前我写过一篇springBoot配置多数据源的文章,不知道怎么配置的小伙伴可以先去看一下下面的连接,之前就简单测试了一下没有用到事务,但今天的测试中出现了问题,我明明在类上指明了数据源,但是我在操作数据库的时候还是找的我的主数据源在SpringBoot项目中配置动态数据源_t梧桐树t的博客-CSDN博客_springboot配置动态数据源报错信息:在我的主数源的

OpenAI-Java是一个Java开源库，用于简化与OpenAI模型的交互。文章介绍了如何通过Maven引入依赖，创建OpenAIClient实例（建议全局复用），以及使用本地部署的Qwen3-8b模型实现简单对话。示例代码展示了如何配置请求参数（包括提示词和模型设置），并解析返回的JSON响应。测试结果显示了模型生成的一段自我介绍文本，包含模型能力和服务目标说明。该库让Java开发者可以方便地

当我们在同一个线程中，想要共享变量的话，是可以直接使用ThreadLocal的，但是如果在父子线程之间，共享变量，ThreadLocal就不行了。因为ThreadLocal 变量是为每个线程提供了独立的副本，因此不同线程之间只能访问它们自己的副本。那么，想要实现数据共享，主要有两个办法，第一个是自己传递，第二个是借助InheritableThreadLocal。

阿里最近发布了Qwen3开源模型，据称其性能超越了DeepSeek。Qwen3的8B版本性能相当于Qwen2.5的14B版本。Qwen-Agent是阿里基于Qwen大语言模型构建的智能体应用开发框架，支持指令遵循、工具调用、记忆能力和多代理协作等功能。本文介绍了如何在LM Studio上部署Qwen3模型，并通过Qwen-Agent框架实现一个简单的数学计算助手。代码示例展示了如何定义计算器工具、