- 博客(60)
- 收藏
- 关注
RSS订阅原创 LangChain4J 最佳实践和性能优化指南
本文介绍了LangChain4J的最佳实践和优化策略，主要包括： 开发最佳实践：推荐分层代码结构、统一的异常处理机制和配置管理方案，包含重试逻辑和错误处理模板。 性能优化：建议通过连接池优化HTTP客户端，实现响应缓存（使用Caffeine），以及批量处理文档以减少API调用次数。 成本控制：提供令牌使用监控的实现方案，可集成到微服务监控体系中。 这些实践帮助开发者构建高效、可靠且经济的LangChain4J应用，同时保障系统稳定性和安全性。
2025-08-24 22:30:45
332
原创 LangChain4J 框架集成指南
LangChain4J框架集成指南摘要：本文详细介绍了LangChain4J与主流Java框架的集成方法，重点涵盖Spring Boot的配置与使用。内容包含Maven依赖配置、application.yml自动配置示例、AI服务自动注入方式（如ChatLanguageModel和EmbeddingModel）、自定义AI服务接口实现，以及Spring Security的安全集成方案。该指南提供了从基础配置到生产环境部署的完整路径，帮助开发者快速将AI能力集成到Java应用中。
2025-08-24 22:29:58
402
原创 LangChain4J 高级功能教程
本文介绍了LangChain4J的高级功能，重点讲解了流式响应的实现方法。内容涵盖：1）基础流式响应实现，展示如何创建流式模型并处理实时生成结果；2）实时Web流式响应，通过Spring Boot控制器实现SSE推送；3）WebSocket实时通信方案，建立全双工通信通道。这些技术可实现实时交互式AI应用，适用于聊天机器人、内容生成等场景。
2025-08-24 22:29:08
426
原创 LangChain4J 聊天记忆管理和模板系统
摘要：本文详细介绍了LangChain4J中的聊天记忆管理系统，包括三种主要记忆类型：消息窗口记忆（保留最近N条消息）、令牌窗口记忆（基于令牌数限制）和总结记忆（自动生成对话摘要）。通过类图和代码示例展示了如何实现这些记忆系统，并讨论了持久化存储策略（如数据库存储）。该系统能有效管理对话上下文，提升AI对话的连贯性和个性化体验。
2025-08-24 22:28:23
354
原创 LangChain4J 智能代理和工具调用教程
本文将介绍LangChain4J中智能代理(Agent)的实现方法，主要包含工具定义和代理实现两大部分。在工具定义方面，详细讲解了如何创建基础工具（如获取时间、数学计算）和复杂工具（如网络搜索、邮件发送）。在代理实现方面，展示了简单代理和具有记忆功能的代理两种实现方式，并提供了完整的代码示例。通过本文，开发者可以学习如何构建能够自主感知环境、做出决策并执行行动的智能代理系统。
2025-08-24 22:27:27
313
原创 LangChain4J RAG（检索增强生成）系统详细教程
本文介绍了LangChain4J RAG（检索增强生成）系统的实现方法。文章分为四个部分：RAG系统概述、基础实现、高级功能和生产级应用。RAG结合信息检索与文本生成，具有实时知识更新、减少幻觉、可追溯性等优势。基础实现部分展示了如何创建简单RAG系统，包括文档摄取流水线、内容检索器和自定义提示模板。代码示例演示了核心组件如EmbeddingStore、ContentRetriever的配置和使用，以及如何增强元数据和存储文本片段。文章为开发者提供了构建智能问答系统的实用指南。
2025-08-24 22:06:01
399
原创 LangChain4J 向量存储和嵌入模型使用教程
本文介绍了LangChain4J中向量存储和嵌入模型的核心概念与使用方法。主要内容包括： 向量存储与嵌入模型的基本原理和工作流程 两种主要嵌入模型的使用： OpenAI Embeddings API集成 本地AllMiniLmL6V2嵌入模型 向量存储实现： 内存向量存储(InMemoryEmbeddingStore)的完整示例 Pinecone向量存储的简要提及 核心功能演示： 文档嵌入生成 相似度搜索实现 批量处理能力 教程通过类图展示了LangChain4J向量架构，并提供了可运行的Java代码示例，
2025-08-24 22:04:35
283
原创 LangChain4J LLM 集成和 AI Services 使用教程
本文介绍了LangChain4J与主流LLM(大语言模型)的集成方法，重点讲解了OpenAI、Google Vertex AI和Azure OpenAI的配置使用。内容涵盖统一接口ChatLanguageModel、消息类型体系、OpenAI基础/高级配置(温度、token限制等)、多模态支持以及流式响应处理。文章通过代码示例展示了如何实现LLM集成，包括Maven依赖配置、模型参数调优和实际应用场景，为开发者提供了完整的LLM集成解决方案。
2025-08-24 22:03:35
466
原创 LangChain4J 概述和快速入门指南
LangChain4J是一个专为Java开发者设计的大语言模型(LLM)集成框架，提供统一的API简化LLM集成过程。它支持15+主流LLM提供商(如OpenAI、Google Vertex AI等)和20+向量数据库，具备多模态处理能力。框架采用模块化设计，提供从低级API到高级抽象(AI Services、RAG、智能代理等)的两层架构。开发者可通过简单配置快速构建LLM应用，支持Spring Boot等框架集成，适用于文本处理、知识问答等多种场景。
2025-08-24 22:02:25
416
原创 Day 8: 领域驱动脚手架设计
这是一个基于Spring Boot的领域驱动设计(DDD)框架，采用分层架构设计，包含接口层(处理用户请求)、应用层(业务流程编排)、领域层(核心业务逻辑)和基础设施层(技术实现)。框架支持CQRS模式，提供命令和查询分离处理，并通过事件驱动架构实现业务解耦。架构图展示了各层组件关系，包括聚合根、领域服务、仓储等核心概念，以及业务编排和事件处理流程。该框架为开发者提供了完整的DDD实现方案和最佳实践。
2025-08-19 20:05:23
1327
原创 第七天：Java 23到Java 25新特性
Java 23到25新特性摘要：Java 23将字符串模板、未命名模式/变量、作用域值和向量API标准化，并引入外部链接器API（预览）和值类型（预览）。字符串模板提供STR/FMT/JSON等处理器，未命名模式使用"_"忽略变量，作用域值实现上下文传递，向量API支持SIMD计算。外部链接器API简化本地函数调用，值类型支持不可变数据结构。Java 25（2025 LTS）将包含这些特性的最终版本。
2025-08-18 00:23:36
931
原创 第六天：Java 20到Java 22新特性
Java 20-22新特性摘要 Java 20-22引入了多项重要改进，包括虚拟线程、结构化并发和记录模式等。Java 20(2023年3月)新增了虚拟线程第二次预览、结构化并发第二次孵化、记录模式第二次预览等功能。Java 21作为LTS版本，将虚拟线程标准化，并新增序列化集合、字符串模板预览等特性。Java 22则继续改进这些功能，如虚拟线程API增强、字符串模板第二次预览等。这些版本还优化了垃圾收集器性能，并引入了作用域值等孵化功能，为开发者提供更高效的并发处理、模式匹配和内存管理等能力。
2025-08-18 00:20:19
965
原创 第五天：Java 17到Java 19新特性
Java 17-19新特性概览：Java 17作为LTS版本带来多项重要更新，包括密封类标准化、模式匹配for switch（预览）、严格浮点语义恢复、增强伪随机数生成器等。Java 18/19则引入实验性功能，如外部存储器访问API（孵化）、向量API（孵化）等。其中，密封类允许精细控制继承关系，模式匹配扩展了switch能力，新的伪随机数生成器提供更多算法选择。macOS上改用Metal渲染管线提升性能。这些更新增强了Java的安全性、性能和现代化能力，同时保持了向后兼容性。
2025-08-18 00:19:10
597
原创 第四天：Java 13到Java 16新特性
Java 13-16版本引入了多项重要特性：文本块简化多行字符串处理（Java 13预览，15标准化）；Switch表达式增强（13引入yield语句，14标准化）；记录类（Record）简化数据类创建（14预览，16标准化）；模式匹配instanceof（14预览，16标准化）；ZGC垃圾收集器改进内存回收；Socket API重新实现提升性能。这些版本还包含密封类、隐藏类等实验性特性，展示了Java持续演进的趋势，在语法简化、性能优化和代码可读性方面取得显著进步。
2025-08-18 00:16:21
1005
原创 第三天：Java 11和Java 12新特性
本文介绍了Java 11和12的核心新特性。Java 11作为LTS版本，新增了String类实用方法（如isBlank()、lines()）、Files类简化文件操作、集合到数组转换优化、Lambda参数支持var语法、标准化HTTP客户端API、Epsilon无操作垃圾收集器以及飞行记录器功能。Java 12则引入了实验性特性，包括Switch表达式增强、微基准测试套件JMH、JVM常量API等。这些更新显著提升了开发效率和JVM性能监控能力，为开发者提供了更现代化的工具集。
2025-08-18 00:15:20
239
原创 第二天：Java 9和Java 10新特性
本文摘要： Java 9和10带来了多项重要更新。Java 9的模块系统（Project Jigsaw）通过模块声明文件实现强封装，将JDK拆分为约75个模块。新增的JShell REPL工具支持交互式代码测试，简化了实验性开发。集合工厂方法使创建不可变集合的语法更简洁。接口支持私有方法，增强了代码复用性。Java 10则引入了局部变量类型推断（var关键字）和实验性JIT编译器Graal。这些特性显著提升了Java的模块化、开发效率和性能表现。
2025-08-18 00:14:09
593
原创 第一天：Java 8核心特性复习
本文总结了Java 8的三大核心特性：Lambda表达式、方法引用和Stream API。Lambda表达式通过简洁语法实现函数式编程，需要配合函数式接口使用，并能捕获外部变量。方法引用是Lambda的简化形式，包括静态方法、实例方法和构造方法引用。Stream API提供了函数式集合处理方式，支持创建、中间操作和终止操作。这些特性使Java代码更简洁、高效，支持函数式编程范式。
2025-08-18 00:13:24
671
原创 第三阶段_大模型应用开发-Day 5: 大模型应用开发模式
本文介绍了大模型应用开发的多种模式及其适用场景。主要开发模式包括直接调用、RAG（检索增强生成）、Agent、多模态、微调和链式模式，每种模式针对不同任务特性（如复杂度、数据类型、性能需求）进行优化。文章重点分析了Agent架构，特别是ReAct框架，详细说明了其核心组件（规划器、执行器、工具集等）和工作流程，并提供了Python实现代码示例。通过理解这些开发模式的特点和选择标准，开发者可以根据具体应用需求选择最适合的架构方案，构建高效可靠的大模型应用系统。
2025-08-16 19:44:23
1004
原创 第三阶段_大模型应用开发-Day 4: RAG检索增强生成技术
RAG检索增强生成技术摘要 RAG（检索增强生成）技术通过结合检索系统和生成模型，利用外部知识库提升大语言模型的回答质量。核心流程包括知识库构建、查询处理、上下文增强和生成回答四个步骤。RAG相比微调具有知识更新简单、可解释性强等优势，适合问答系统、客户支持等需要基于事实的场景。构建RAG系统的关键步骤包括数据收集与处理、文本分块（如固定大小分块或语义分块）、向量化存储等。RAG通过检索最新外部信息，有效减少模型幻觉，提升回答的可信度和准确性。
2025-08-16 19:42:07
630
原创 第三阶段_大模型应用开发-Day 3: 大模型推理优化与部署
本文介绍了大模型推理优化的关键技术，包括量化、剪枝和知识蒸馏。量化通过降低参数精度减少模型大小和加速推理，分为训练后量化、量化感知训练等类型。剪枝通过移除不重要权重减小模型，可采用结构化或非结构化方法。知识蒸馏将大模型知识转移到小模型，包含响应蒸馏、特征蒸馏等形式。文章提供了PyTorch和Hugging Face框架下的具体实现代码，帮助开发者在保持模型性能的同时优化推理效率。这些技术可显著降低计算资源需求，提高部署可行性。
2025-08-16 19:39:58
753
原创 第三阶段_大模型应用开发-Day 2: 模型微调技术
本文介绍了大语言模型微调的关键技术和方法。主要内容包括：1) 模型微调基础概念，解释预训练与微调的区别、优势和应用场景；2) 数据准备与处理，涵盖数据收集标注、预处理方法、Hugging Face数据集使用和文本增强技术；3) 标准微调方法，详细介绍微调流程和使用Trainer API进行微调的具体步骤。文章特别强调了对Java开发者转型大模型开发的技能迁移路径，帮助开发者理解传统编程与AI模型开发的关联性。
2025-08-16 19:31:31
695
原创 第三阶段_大模型应用开发-Day 1: Hugging Face Transformers库
本文介绍了Hugging Face Transformers库的基础知识。主要内容包括：1）Hugging Face生态系统概述，包含其核心组件和Hub平台；2）Transformers库的核心概念和基本架构，包括模型、分词器和配置的关系；3）预训练模型的使用方法，涵盖模型加载、推理流程和常见模型系列（BERT、GPT、T5等）。文章还对比了Hugging Face与JAVA生态系统的差异，并提供了详细的代码示例展示如何使用不同模型进行文本处理任务。该库为开发者提供了简单易用的接口来应用最先进的自然语言处理
2025-08-16 19:30:09
585
原创 第二阶段_技术栈过渡-Day 5: 大模型开发环境
本文介绍了大模型开发环境的组成与特点，对比了传统Java开发环境差异。重点讲解了Conda环境管理的安装、配置与常见问题解决，以及Jupyter Notebook的安装、基本使用和在大模型开发中的应用场景。内容包括环境隔离、依赖管理、远程访问配置等实用技巧，为开发者提供了构建高效大模型开发环境的全面指导。
2025-08-16 19:28:27
894
原创 第二阶段_技术栈过渡-Day 4: PyTorch基础
本文介绍了PyTorch深度学习框架的基础知识，重点内容包括：1）PyTorch的核心概念和架构，包括动态计算图和命令式编程风格；2）张量操作基础，演示了从列表、NumPy数组创建张量的多种方法及常用属性；3）与TensorFlow和Java的对比分析，突出PyTorch的Pythonic特性和研究优势；4）提供了Java（DL4J）和PyTorch构建简单神经网络的代码示例对比。文章适合从Java转向深度学习的开发者快速了解PyTorch的核心特性和基础操作。
2025-08-16 19:27:26
1037
原创 第二阶段_技术栈过渡-Day 3: 数据可视化（Matplotlib和Seaborn）
本文介绍了Python数据可视化基础，重点讲解Matplotlib和Seaborn库的使用。内容涵盖数据可视化的基本原理、重要性及Python可视化生态系统，详细对比了Python与Java在可视化方面的差异。文章深入解析Matplotlib的架构和基本绘图方法，包括线图、柱状图等常见图表类型的实现，并提供了多种代码示例。通过学习，读者可以掌握Python数据可视化的核心技能，包括图表创建、定制和美化技巧，为数据分析工作打下坚实基础。
2025-08-16 19:26:26
655
原创 第二阶段_技术栈过渡-Day 2: Pandas基础
本文介绍了Python数据分析库Pandas的基础知识，重点对比了Pandas与Java在数据处理方面的差异。主要内容包括：Pandas的核心数据结构（Series和DataFrame）、创建方法、基本操作和运算。通过示例展示了Pandas相比Java在数据处理上的简洁性，如从多种数据源创建Series、索引切片、条件过滤和向量化运算等。特别对比了Java和Pandas处理CSV数据的代码差异，突显Pandas在数据分析任务中的高效性。文章适合有Java背景的数据分析初学者快速了解Pandas的核心功能。
2025-08-16 19:25:19
920
原创 第二阶段_技术栈过渡-Day 1: NumPy基础
NumPy学习摘要 NumPy是Python科学计算的核心库，提供高效的多维数组对象和数学运算工具。相比Java数组，NumPy具有显著优势：内存连续存储、向量化运算、丰富数学函数和C底层实现。核心内容包括： 数组创建：从列表创建或使用zeros/ones/arange等函数 数组属性：shape、ndim、size、dtype等基本信息 索引切片：支持多维索引、布尔索引和高级索引 形状操作：reshape/resize/flatten/transpose等方法 数学运算：元素级算术运算、统计函数和比较运算
2025-08-16 19:24:04
856
原创 第一阶段_基础知识-Day 5: Python基础与JAVA对比
本文对比了Python和Java两种编程语言的核心特性，重点针对Java开发者转向Python的情况。主要内容包括：1) Python动态类型与Java静态类型的区别；2) 代码结构差异（缩进vs花括号）；3) 基本数据类型和变量声明方式的对比；4) 控制流结构（条件语句和循环）的语法差异；5) 函数定义与异常处理的不同实现方式。文章特别强调了Python在大模型开发中的优势，如丰富的AI库生态系统和简洁语法，同时提供了大量代码示例展示两种语言的对应实现方式，帮助Java开发者快速掌握Python基础。
2025-08-15 17:31:33
636
原创 第一阶段_基础知识-Day 4: 大模型概述
大模型（Large Language Models, LLMs）是指参数规模极大、训练数据量庞大的神经网络模型，主要基于Transformer架构，通过自监督学习在海量文本上预训练而成。定义：大模型是具有数十亿到数万亿参数的深度学习模型，通过在海量数据上训练，能够理解和生成人类语言，执行各种复杂任务。核心特点规模效应：参数量通常在数十亿到数万亿级别涌现能力：随着规模增长，出现一些训练时未明确设计的能力通用性：能够处理多种不同任务，而非专注于单一任务少样本学习：能够通过少量示例学习新任务指令遵循。
2025-08-15 17:30:38
698
原创 第一阶段_基础知识-Day 3: 深度学习基础知识
本文介绍了深度学习的基础知识，包括其概念、发展历史及与传统机器学习的区别。重点讲解了神经网络的基本结构和工作原理，包括生物神经元与人工神经元的类比、常见的激活函数（如Sigmoid、ReLU等）及其特点。详细阐述了前馈神经网络和卷积神经网络的结构与特点，通过图示清晰展示了信息流动方式。文章还对比了深度学习与传统机器学习在特征工程、数据需求等方面的差异，并简要回顾了深度学习发展历程中的关键里程碑。整体内容系统全面，为深度学习入门提供了扎实的理论基础。
2025-08-15 17:27:20
938
原创 第一阶段_基础知识-Day 2: 机器学习基本原理和常见算法
本文介绍了机器学习的基本概念、分类方法和常见算法。主要内容包括：1) 机器学习与传统编程的区别，强调机器学习通过数据自动学习规则；2) 机器学习的主要分类方式，包括监督学习（分类/回归）、无监督学习（聚类/降维）、半监督学习和强化学习；3) 常见算法如线性回归和逻辑回归的原理、特点及Java实现示例；4) 机器学习的基本流程，从数据收集到模型部署的完整过程。文章通过图表和代码示例帮助读者理解机器学习的基本原理和应用。
2025-08-15 17:26:04
504
原创 第一阶段_基础知识-Day 1: 人工智能发展历史与核心概念
《人工智能发展历史与核心概念解析》摘要：本文系统梳理了AI的定义、分类与发展历程。人工智能可分为弱AI（特定任务）、强AI（通用智能）和超级AI（理论概念），其发展经历了符号主义、专家系统和深度学习三大阶段。两种主要方法论——符号主义（基于规则）与连接主义（基于神经网络）各有优劣，现代趋势是二者的融合。文章还从Java开发者角度对比了AI与编程范式的相似性，帮助技术人员理解AI核心思想。当前AI已进入机器学习与深度学习主导的新时代，大型语言模型等技术不断突破，但强人工智能仍面临诸多挑战。
2025-08-15 17:24:20
949
原创 Day 7: 项目实战与总结
本文展示了DDD（领域驱动设计）在电商系统中的完整实现方案。通过系统架构图展现了分层设计，包括前端层、API网关、应用服务层和领域层等核心组件。订单处理流程演示了领域事件驱动的业务逻辑流转。文章还提供了DDD实施成熟度模型，从初始级到专家级的5个进阶阶段，并分析了常见问题分类及对应解决策略。最后，通过甘特图规划了DDD落地的4个阶段实施路径：准备、试点、扩展和推广，为团队实施DDD提供了清晰的指导框架。
2025-08-13 11:35:50
353
原创 Day 6: 架构集成与最佳实践
本文介绍了六边形架构（Hexagonal Architecture）及其在系统设计中的应用。主要内容包括：1）六边形架构的全景图展示，通过内外分层设计实现业务逻辑与基础设施的解耦；2）与传统分层架构的对比，突出六边形架构通过端口和适配器模式实现依赖反转的优势；3）端口和适配器模式的具体实现方式，包括输入/输出端口的定义和适配器的连接；4）Java代码示例展示六边形架构的实现方法。该架构通过清晰的边界划分，使领域模型保持独立，便于测试和维护，特别适合与微服务和DDD结合使用。
2025-08-13 11:24:01
264
原创 Day 5: 基础设施层设计
Day5学习聚焦基础设施层设计，重点掌握仓储模式实现与数据持久化策略。内容涵盖：1）仓储模式架构，通过分层图示展示应用层、领域层与基础设施层的协作关系；2）仓储模式与DAO模式对比，突出仓储模式面向领域对象的特点；3）规约模式设计，包括组合规约、条件规约等实现方案；4）代码示例展示仓储接口定义、规约模式接口及订单规约实现。学习目标包括理解领域事件发布机制并完成数据访问层的完整实现。
2025-08-13 11:15:28
332
原创 Day 4: 领域事件与应用服务
本文系统介绍了领域事件与应用服务的核心概念。主要内容包括：1）领域事件设计原则，强调事件命名（过去式）、不可变性和存储机制；2）通过UML类图展示了领域事件基本结构；3）事件驱动架构示意图呈现了订单领域事件与各服务间的交互流程；4）序列图说明了订单创建、支付完成等关键事件的处理过程。学习重点在于掌握领域事件的设计规范、实现方式及其在系统解耦中的作用，同时理解应用服务如何协调领域事件实现业务逻辑。
2025-08-13 11:04:07
323
原创 Day 3: 战术设计 - 领域对象设计
本文介绍了领域驱动设计(DDD)中的战术设计核心概念。重点讲解了实体(Entity)的设计原则，包括其唯一标识、可变状态、生命周期和业务行为等特征，并通过订单实体示例展示了具体实现。同时对比了实体与值对象(Value Object)和领域服务(Domain Service)的区别：值对象不可变且无标识，领域服务无状态处理跨聚合业务逻辑。文章还以订单状态转换图为例，说明了实体生命周期的管理方法，强调通过业务方法封装状态变更逻辑。这些战术设计元素是构建领域模型的基础构件。
2025-08-13 10:52:48
254
原创 Day 2: 战略设计 - 领域建模
战略设计与领域建模摘要 本文介绍了战略设计中的核心方法——事件风暴(Event Storming)及其在领域建模中的应用。事件风暴是Alberto Brandolini提出的协作式建模技术，通过可视化业务流程来探索复杂业务领域。主要内容包括： 事件风暴方法：通过识别领域事件、命令和聚合来构建领域模型 工作坊步骤： 收集领域事件（橙色便签） 按时间线排序 识别命令（蓝色便签）和聚合（黄色便签） 划分限界上下文 电商示例： 领域事件：订单创建→支付完成→订单发货→订单送达 对应命令：创建订单→处理支付→发货订单
2025-08-13 10:44:26
379
原创 Day 1: DDD基础概念与核心思想
本文介绍了领域驱动设计（DDD）的基础概念与核心思想。DDD是Eric Evans提出的一种软件设计方法论，通过建立通用语言、划分领域边界来解决传统开发中的沟通障碍和理解偏差问题。核心概念包括领域（业务核心）、子域（领域分解）、限界上下文（模型边界）和通用语言（团队共识）。文章以电商系统为例，展示了如何通过DDD实现业务与技术对齐，降低复杂性并提高可维护性。特别强调了核心子域、支撑子域和通用子域的不同特征与划分方法，以及限界上下文中模型的独立性和一致性。
2025-08-13 10:40:20
282
原创 7、Python安全最佳实践
本文介绍了Python应用程序的安全最佳实践，重点讨论了输入验证、输出编码和认证授权机制。主要内容包括： 常见安全威胁：SQL注入、命令注入、XSS、反序列化漏洞等Web应用主要风险 输入验证与防护： SQL注入防护：使用参数化查询替代字符串拼接 命令注入防护：使用subprocess模块和输入验证 XSS防护：对输出进行HTML转义 反序列化安全：优先使用JSON而非pickle 认证授权机制： 密码存储应使用加盐哈希 实施密码强度策略和防暴力破解措施 考虑多因素认证 这些实践可帮助开发者构建更安全的Py
2025-08-13 07:54:57
715
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人