2026-05-13

大模型基础入门 开启 AI 技术内容的详细讲解 注意！ 从本章节开始，会先详细的讲解 AI 的技术内容，帮助大家从零开始深入理解大模型的原理和技术细节。当把这些内容都讲解完后，会详细的讲解 超级 AI 智能体 项目的技术实现细节。 你可能已

核心概念一网打尽 上两篇咱们聊了大模型的基础知识和工作原理。这篇来系统梳理一下大模型开发中会频繁遇到的核心概念。 这些概念不是面试背题用的，而是真的会影响你的开发。比如： 不懂 Token，你就不知道为什么 API 有时候返回的内容被截断了

大模型工作原理剖析 上一篇咱们聊了大模型的基础概念——参数量、训练数据、和传统编程的区别。这篇来深入看看它到底是怎么工作的：为什么你问它一个问题，它能给出像模像样的回答？它是怎么"理解"你说的话的？又是怎么"组织"语言来回应的？ 搞清楚这些

开发环境搭建实战 前面几篇咱们聊了很多概念：大模型是什么、怎么工作、有哪些可选、有什么局限。这篇终于要动手了——搭建开发环境，写代码调用大模型 API。 这篇结束后，你会： 深入了解主流开发平台的特点和选择策略 完全理解 OpenAI 协议

主流模型选型指南 大模型这个领域发展太快了，几乎每周都有新模型、新版本发布。作为开发者，你不需要了解所有模型的细节，但需要有一张清晰的"模型地图"——知道主流模型有哪些、各自什么定位、什么优缺点、在什么场景下该选哪个。 选错模型的代价 选错

能力边界与破局之道 前面几篇咱们聊了大模型是什么、怎么工作、有哪些可选。这篇来谈一个同样重要的话题：大模型不能做什么。 很多人刚接触大模型会觉得它无所不能。用着用着就会发现，它有时候会一本正经地胡说八道，有时候简单的数学题都算错，有时候回答

提示词入门与核心概念 当你打开 ChatGPT 或者 DeepSeek，在对话框里敲下一行字，点击发送——你有没有想过，这行字在技术层面叫什么？ 它不叫"问题"，不叫"请求"，也不叫"指令"。在大模型的世界里，它有一个专门的名字：Promp

结构化提示词框架与模板 上一章讲了提示词设计的各种原则，但原则毕竟是原则，真到自己动手时，还是容易漏东漏西。 比如你记得要设角色、要写任务、要给示例……但到底先写啥后写啥？有没有更系统的方式？ 这就是框架的价值。 框架是前人趟过的路。别人踩

RAG场景提示词工程实战 RAG（RetrievalAugmented Generation，检索增强生成）是一种让大模型"查资料再回答"的技术。 普通的大模型问答，AI 完全依赖自己训练时学到的知识。这有两个问题： 知识可能过时——训练数

提示词设计原则与实战技巧 很多人第一次接触提示词设计，总觉得"就是问个问题嘛，有什么难的"。直到自己动手写一个复杂场景的提示词，才发现——AI 就是不按你想的来。 你说"简单总结一下"，它给你输出三千字；你说"详细解释"，它给你来一句话；你

高阶提示词优化策略 前面几章讲的技巧，主要解决的是"怎么跟 AI 说清楚要干嘛"。 但有些任务，光说清楚还不够。比如数学应用题、逻辑推理、复杂决策——这些需要 AI 真正"动脑子"，一步步思考才能得出正确答案。 这一章，我们来聊几种让 AI

提示词效果评估与迭代优化 提示词写完了，测了几个 case，感觉还行——然后就上线了。 这是很多人的做法。但这样搞，迟早要出问题。 因为你测的那几个 case 不代表所有情况。用户的问题千奇百怪，你想不到的边界情况多得是。等上线之后发现问题

Java调用大模型全景图 作为Java开发者，当你决定在项目中集成大模型能力时，第一个问题往往是：我该选哪个框架？ 市面上的选择还真不少：可以自己用HTTP客户端硬撸，也可以用Spring AI这种官方框架，还有阿里云搞的Spring AI

Spring AI快速入门实战 很多人第一次接触大模型开发，脑子里都会冒出一个问题：在Java项目里怎么跟AI对话？是不是要自己拼HTTP请求、解析JSON、处理各种异常？ 其实完全不用这么麻烦。Spring官方团队专门搞了一套叫Sprin

结构化输出深度剖析 大模型的输出是自然语言文本，格式不固定。如果是人类阅读没问题，但程序处理起来就麻烦了。 比如你问模型"推荐几本书"，它可能这样回答： 我给你推荐三本不错的书： 1.《代码整洁之道》 讲代码规范的经典之作 2.《设计模式》

Advisor拦截器机制揭秘 在前面的章节中，我们多次用到了Advisor，比如SimpleLoggerAdvisor用来打印日志。但Advisor到底是什么？能做什么？怎么自己写一个？ 这篇文章来彻底搞清楚Spring AI的Adviso

Spring AI核心架构解析 用Spring AI写代码很简单，几行就能跑起来。但如果你想用好它，或者遇到问题能快速定位，就得搞清楚底层的架构设计。 这篇文章会带你深入Spring AI的核心组件，理解它们之间的关系和协作方式。 整体架构

对话记忆系统设计 和ChatGPT聊过天的人都知道，它能记住你之前说的话。问它"我刚才说了什么"，它能准确回答。这种能力叫做对话记忆。 对于AI应用来说，记忆能力至关重要。没有记忆，每次对话都是"新朋友"，用户体验会很差。今天我们来深入聊聊

响应式流式输出详解 用过ChatGPT的人都知道，AI回答问题时是一个字一个字往外蹦的，而不是等全部生成完再一次性显示。这种"打字机"效果不是装酷，而是有实际意义——大模型生成长回答可能需要十几秒甚至更久，如果让用户干等着，体验会非常差。

提示词工程实践指南 和大模型打交道，提示词的质量直接决定输出效果。同样一个问题，换个问法，结果可能天差地别。 前面的章节聊过提示词的基础知识，这篇文章专门讲讲在Spring AI中怎么把这些技巧落地。 系统提示词与用户提示词 Spring

SuperAgent SuperAgent 是一个 企业级 的 AI 智能体对话平台，覆盖了智能对话、文档知识问答、联网搜索、RAG 详细检索、MCP 工具协议、Skills 能力扩展、文档全生命周期管理等完整能力。 项目从对话入口开始，到

核心架构设计 用户在输入框里敲了一句话，点了发送。看起来很简单，但在 Super Agent 内部，这条消息要经过一条远比你想象中复杂的链路，才能变成一个靠谱的回答。 先看整体流程，后面再逐块拆解每个环节的设计细节： !Fi0Q_mSxh3

工程化技术概括 说一个项目是企业级，肯定得看实际的工程质量。Super Agent 不是"能跑通就行"的 Demo 项目，而是在每一个工程细节上都对标真实生产系统的标准来做。从几个维度来评估： 工程规范 分层架构：business / co

图数据库与知识路由 前面几篇文档讲了检索链路、前置编排、双通道检索这些核心能力。但有一个问题一直没展开说：用户提了一个问题，系统怎么知道应该去哪份文档里找答案？ 如果知识库里只有两三份文档，这不是问题。但当文档数量上了几十份甚至上百份，每次

主流模型选型指南 大模型这个领域发展太快了，几乎每周都有新模型、新版本发布。作为开发者，你不需要了解所有模型的细节，但需要有一张清晰的"模型地图"——知道主流模型有哪些、各自什么定位、什么优缺点、在什么场景下该选哪个。 选错模型的代价 选错

大模型基础入门 开启 AI 技术内容的详细讲解 注意！ 从本章节开始，会先详细的讲解 AI 的技术内容，帮助大家从零开始深入理解大模型的原理和技术细节。当把这些内容都讲解完后，会详细的讲解 超级 AI 智能体 项目的技术实现细节。 你可能已

大模型工作原理剖析 上一篇咱们聊了大模型的基础概念——参数量、训练数据、和传统编程的区别。这篇来深入看看它到底是怎么工作的：为什么你问它一个问题，它能给出像模像样的回答？它是怎么"理解"你说的话的？又是怎么"组织"语言来回应的？ 搞清楚这些

开发环境搭建实战 前面几篇咱们聊了很多概念：大模型是什么、怎么工作、有哪些可选、有什么局限。这篇终于要动手了——搭建开发环境，写代码调用大模型 API。 这篇结束后，你会： 深入了解主流开发平台的特点和选择策略 完全理解 OpenAI 协议

核心概念一网打尽 上两篇咱们聊了大模型的基础知识和工作原理。这篇来系统梳理一下大模型开发中会频繁遇到的核心概念。 这些概念不是面试背题用的，而是真的会影响你的开发。比如： 不懂 Token，你就不知道为什么 API 有时候返回的内容被截断了

能力边界与破局之道 前面几篇咱们聊了大模型是什么、怎么工作、有哪些可选。这篇来谈一个同样重要的话题：大模型不能做什么。 很多人刚接触大模型会觉得它无所不能。用着用着就会发现，它有时候会一本正经地胡说八道，有时候简单的数学题都算错，有时候回答

RAG场景提示词工程实战 RAG（RetrievalAugmented Generation，检索增强生成）是一种让大模型"查资料再回答"的技术。 普通的大模型问答，AI 完全依赖自己训练时学到的知识。这有两个问题： 知识可能过时——训练数

提示词入门与核心概念 当你打开 ChatGPT 或者 DeepSeek，在对话框里敲下一行字，点击发送——你有没有想过，这行字在技术层面叫什么？ 它不叫"问题"，不叫"请求"，也不叫"指令"。在大模型的世界里，它有一个专门的名字：Promp

提示词效果评估与迭代优化 提示词写完了，测了几个 case，感觉还行——然后就上线了。 这是很多人的做法。但这样搞，迟早要出问题。 因为你测的那几个 case 不代表所有情况。用户的问题千奇百怪，你想不到的边界情况多得是。等上线之后发现问题

提示词设计原则与实战技巧 很多人第一次接触提示词设计，总觉得"就是问个问题嘛，有什么难的"。直到自己动手写一个复杂场景的提示词，才发现——AI 就是不按你想的来。 你说"简单总结一下"，它给你输出三千字；你说"详细解释"，它给你来一句话；你

结构化提示词框架与模板 上一章讲了提示词设计的各种原则，但原则毕竟是原则，真到自己动手时，还是容易漏东漏西。 比如你记得要设角色、要写任务、要给示例……但到底先写啥后写啥？有没有更系统的方式？ 这就是框架的价值。 框架是前人趟过的路。别人踩

高阶提示词优化策略 前面几章讲的技巧，主要解决的是"怎么跟 AI 说清楚要干嘛"。 但有些任务，光说清楚还不够。比如数学应用题、逻辑推理、复杂决策——这些需要 AI 真正"动脑子"，一步步思考才能得出正确答案。 这一章，我们来聊几种让 AI

Advisor拦截器机制揭秘 在前面的章节中，我们多次用到了Advisor，比如SimpleLoggerAdvisor用来打印日志。但Advisor到底是什么？能做什么？怎么自己写一个？ 这篇文章来彻底搞清楚Spring AI的Adviso

Java调用大模型全景图 作为Java开发者，当你决定在项目中集成大模型能力时，第一个问题往往是：我该选哪个框架？ 市面上的选择还真不少：可以自己用HTTP客户端硬撸，也可以用Spring AI这种官方框架，还有阿里云搞的Spring AI

Spring AI快速入门实战 很多人第一次接触大模型开发，脑子里都会冒出一个问题：在Java项目里怎么跟AI对话？是不是要自己拼HTTP请求、解析JSON、处理各种异常？ 其实完全不用这么麻烦。Spring官方团队专门搞了一套叫Sprin

Spring AI核心架构解析 用Spring AI写代码很简单，几行就能跑起来。但如果你想用好它，或者遇到问题能快速定位，就得搞清楚底层的架构设计。 这篇文章会带你深入Spring AI的核心组件，理解它们之间的关系和协作方式。 整体架构

响应式流式输出详解 用过ChatGPT的人都知道，AI回答问题时是一个字一个字往外蹦的，而不是等全部生成完再一次性显示。这种"打字机"效果不是装酷，而是有实际意义——大模型生成长回答可能需要十几秒甚至更久，如果让用户干等着，体验会非常差。

对话记忆系统设计 和ChatGPT聊过天的人都知道，它能记住你之前说的话。问它"我刚才说了什么"，它能准确回答。这种能力叫做对话记忆。 对于AI应用来说，记忆能力至关重要。没有记忆，每次对话都是"新朋友"，用户体验会很差。今天我们来深入聊聊

提示词工程实践指南 和大模型打交道，提示词的质量直接决定输出效果。同样一个问题，换个问法，结果可能天差地别。 前面的章节聊过提示词的基础知识，这篇文章专门讲讲在Spring AI中怎么把这些技巧落地。 系统提示词与用户提示词 Spring

结构化输出深度剖析 大模型的输出是自然语言文本，格式不固定。如果是人类阅读没问题，但程序处理起来就麻烦了。 比如你问模型"推荐几本书"，它可能这样回答： text 我给你推荐三本不错的书： 1.《代码整洁之道》 讲代码规范的经典之作 2.《