一、思维导图整体知识结构梳理
前置知识
AI 核心概念扫盲
- 大模型基础名词
- LLM 大语言模型
- Prompt 提示词
- Completion 模型输出
- Token 令牌：输入输出计量单位
- 大模型能力
- 文本问答、总结、翻译
- 逻辑推理、内容生成
大模型的部署方式
- 本地私有化部署
- 优点：数据不出内网，安全
- 缺点：硬件要求高，配置复杂
- 模型部署‑云服务
- 概念：厂商把大模型部署在云端，提供 API 调用
- 优点：无需显卡，开箱即用
- 缺点：数据走公网，产生调用费用
- 访问云端大模型
Java AI 框架选型与全景认知
- 三大主流 Java AI 框架对比
- Spring AI Alibaba：Spring 生态，阿里语义深度适配
- LangChain4j：LangChain Java 移植，组件丰富
- Deeplearning4j：底层深度学习，偏向训练
- 为什么选择 Spring AI Alibaba?
- 开箱即用对接通义系列大模型
- 统一抽象 ChatModel，切换模型改动极小
- 支持 RAG、工具调用、多模型共存
一：基础对话与极简起步
1.1 ChatModel vs ChatClient
- ChatModel
- 底层 API，细粒度控制请求参数
- 需要手动构建 Prompt、处理返回结果
- ChatClient
- 高层封装 API，简化开发
- 链式调用，快速实现对话，业务开发优先用
1.2 极简起步配置
- maven 引入 spring‑ai‑alibaba starter 依赖
- application.yml 配置：api‑key、模型名称
- 自动装配，直接注入 ChatClient/ChatModel
1.3 案例代码：第一个 AI 接口
- Controller 注入 ChatClient
- 接收前端传入的用户提问
- 调用 AI 获取回答返回给前端
- Postman 测试接口
1.4 多文本模型共存：为什么需要多个模型？
- 不同模型擅长任务不一样
- 通用对话模型：聊天问答
- 长文本模型：文档总结、解析大文件
- 轻量小模型：简单判断，节省 token 成本
- 业务场景：一个项目同时调用多个模型完成整套业务
1.5 多模型配置方式
- yml 配置多套模型实例
- @Qualifier 指定注入哪一个 ChatClient
- 代码动态切换不同模型 bean
二、制作意图
三、当日学习总结
Day37 学习 Spring AI Alibaba 基础：
