课程目录

• 1.代码介绍&应用启动
• 01.课程介绍+如何答疑
• 02.【重要】课程设计说明
• 03.重要说明+如何下载代码
• 04.代码目录结构&应用如何启动
• 10.上下文工程
• 123. 什么是Context，和Memory、Prompt、Token之间的区别？
• 124. 上下文太长会带来什么问题？
• 125. 什么是上下文工程？
• 126. 实战：Manus的上下文工程实践
• 11.Skill
• 127. 什么是Agent Skills，为什么需要他？
• 128. Skill的渐进式披露
• 129. 一些好用的Skills推荐
• 130. Claude Code中如何使用Skills
• 131. 实战：开发一个简历评估的Skill
• 132. 简历评估Skills讲解
• 133. SpringAI中如何使用Skill？（Agent）
• 134. SpringAI中如何使用Skill？（ChatClient）
• 12.项目实战
• 135. 整体架构与功能点介绍
• 136. 项目运行说明
• 137. 智能对话：从需求分析到技术落地
• 138. 流式控制与任务管理
• 2.大模型应用开发概述
• 05. Prompt是什么
• 06.行业趋势与岗位需求分析
• 07. 什么是大模型
• 08. 大模型的工作原理
• 09.Java 在大模型应用开发中的优势
• 10.大模型应用开发常用的平台
• 11.百炼介绍与基本使用
• 12.基于Ollama部署本地模型
• 13.大模型的局限性以及常见解决方案
• 14. LLM HelloWorld
• 3.提示词工程
• 15. 什么是Prompt
• 16. 如何设计Prompt？
• 17. 高阶Prompt优化方法
• 18. 结构化Prompt框架
• 19. Prompt评测方法
• 20. nof1提示词工程案例
• 21. 理解 OpenAI API
• 4.SpringAl
• 22. Java中大模型调用的多种方式
• 23. 基于SSE实现大模型流式输出
• 24. LLM应用开发框架：LangChain
• 25. 接入Spring AI 与Spring AI Alibaba
• 26. 开发必备的Spring AI核心概念(上）
• 27. 开发必备的Spring AI核心概念(下）
• 28. Spring AI 核心特性：提示词工程
• 29. Spring AI 核心特性：流式输出
• 30. Spring AI 核心特性：提示词模板管理
• 31. Spring AI 核心特性：结构化输出（上）
• 32.Spring AI 核心特性：结构化输出（中）
• 33.Spring AI 核心特性：结构化输出（下） 2026-02-11 1168 次学习
• 34. Spring AI 核心特性：对话记忆
• 35. Spring AI 记忆管理技术：持久化记忆
• 36. Spring AI 核心特性：Advisor
• 37. Spring AI 核心特性：调用本地模型
• 5.LangChain4J
• 38. 初识LangChain4j
• 39. LangChain4J低层次API使用
• 40. LangChain4j高层次API使用
• 41. @AiService实现原理
• 42. LangChain4j中实现持久化记忆
• 43. Spring AI & Spring AI Alibaba & Langchain4j
• 6.Function Call
• 44. 什么是Function Call
• 45. 如何定义一个好的Function
• 46. 使用Spring AI做Function Call
• 47. Spring AI中的Tool Calling怎么实现的
• 48. 实战：仿PDD自动帮买家申请退款
• 7.MCP
• 49. 什么是MCP
• 50. 深入理解MCP技术原理
• 51. 如何接入MCP Server
• 52. 使用Spring AI开发MCP Server
• 53. 使用Spring AI开发MCP Client
• 54. Spring AI MCP调用实现原理
• 55. SSE MCP Server如何实现重连
• 56. 将MCP改造为HTTPS
• 57. MCP如何实现认证鉴权
• 58. 神奇的context-path
• 59. MCP调试工具
• 60. 如何跳过MCP的模型总结
• 61. 如何实现MCP工具过滤
• 62. MCP与其他协议的区别
• 8.RAG
• 100. 实战：多模态RAG智能问答系统（中）
• 101. 实战：多模态RAG智能问答系统（下）
• 63. 什么是RAG？
• 64. 深入理解RAG技术原理——索引构建
• 65.深入理解RAG技术原理——检索生成
• 66. 使用 LlamaIndex 构建一个简单的RAG系统
• 67. RAG的范式演进
• 68. 文档预处理（上）
• 69. 文档预处理（中）
• 70. 文档预处理（下）
• 71. 常见文档分片方式
• 72.Java中如何实现文档分片
• 73. 自定义支持父子分片的基于标题的分片器
• 74. 向量模型&向量数据库&向量存储
• 75. （选学）PostgresMlEmbeddingModel
• 76. 向量数据库如何选型？
• 77. （选学）如何使用离线向量模型
• 78. 索引构建流程（ETL）总结与查缺补漏
• 79. 检索增强生成
• 80. Spring AI 和 LangChain4J中文档处理功能对比
• 81. RAG优化技术：元数据过滤
• 82. RAG优化技术：问题改写
• 83. RAG优化技术：查询路由
• 84. RAG优化技术：查询构造
• 85. RAG优化技术：问题澄清
• 86. RAG优化技术：HyDE
• 87. RAG优化技术：混合检索(上）
• 88. RAG优化技术：混合检索(中）
• 89. RAG优化技术：混合检索(下）
• 90. RAG优化技术：重排序
• 91. RAG优化技术：Graph RAG（上）
• 92.RAG优化技术：Graph 92.RAG（下）
• 93. Spring AI中的Modular RAG支持
• 94. LangChain4J中的Modular RAG支持
• 95. 基于LangChain4J实现简单的RAG检索
• 96. Spring AI 和 LangChain4J的模块化RAG功能对比
• 97. 多模态RAG
• 98. 多模态RAG——对接多模态模型做图像识别
• 99.实战：多模态RAG智能问答系统（上）
• 9.Agent
• 102. 什么是AI Agent？
• 103. 常用的Agent开发框架
• 104.Agent常用架构：ReAct Agent
• 105.React Agent的实现方式？
• 106. Alibaba-React Agent 初探
• 107. Alibaba-React Agent 核心组件
• 108. 如何给Agent增加持久化记忆
• 109. 深入理解 Alibaba-React Agent 原理
• 110. Agent常用架构：Plan and Execute Agent
• 111. Agent常用架构：Reflection Agent
• 112. Agent常用架构：Human in the Loop
• 113. Agent常用架构：Multi Agent
• 114. 使用AutoGen 构建一个代码生成器
• 115. Spring AI Alibaba中的多智能体支持
• 116. 多智能体协议——A2A
• 117. 实战一：手搓ReactAgent（非流式）
• 118. 实战一：手搓ReactAgent（流式）
• 119. 实战一（后续）：ReactAgent流式输出有问题？
• 120. 实战二：手搓ReflectionAgent
• 121. 实战三：手搓PlanExecuteAgent
• 122. 实战四：手搓Human in the Loop
• 代码
• LLMentor代码