课程目录

• 第10章 BI报表问答Agent：SQL生成与报表生成引擎开发
• 10-1 问题点：Agent有什么安全隐患？
• 10-2 面试加分项：使用Prompt优化来增加安全性
• 10-3 引入jdbcTemplate作为SQL执行层
• 10-4 验证：如何使用jdbcTemplate进一步提升安全性
• 10-5 自动化报表生成引擎开发
• 10-6 引入邮件发送服务以及邮件发送接口开发
• 10-7 完善邮件发送接口业务开发
• 10-8 Agent测试以及问题点引出
• 10-9 优化：如何用“少样本”瞬间提升AI智商，生成精准中文标头
• -
• 第11章 BI报表问答Agent：SQL准确率方案落地与大模型调优实战
• 11-1 如何提高大模型生成的SQL的准确性？
• 11-2 增加评估节点提升SQL准确性
• 11-3 评估节点系统提示词编写
• 11-4 评估节点初级版本代码实现
• 11-5 测试：验证评估节点效果
• 11-6 智能BI报表问答系统Graph工作流进阶版设计
• 11-7 条件边实现
• 11-8 面试加分项：三件套：评估-循环-微调，准确率拉满！
• 11-9 BI报表问答Agent总结梳理
• -
• 第12章 企业大模型私有化部署方案
• 12-1 常见的私有化大模型部署方案介绍
• 12-2 常见的算力服务器介绍以及算力服务器购买
• 12-3 AutoDL 服务器操作 + Ollama 安装落地
• 12-4 原有项目改造，适配Ollama私有化部署大模型
• 12-5 vLLM运行环境安装
• 12-6 通过魔搭社区下载安装开源Qwen大模型
• 12-7 原有项目改造，适配私有化部署Qwen大模型
• -
• 第13章 高薪简历指导与项目深度包装
• 13-1 亮点提炼：从技术到业务的包装逻辑
• 13-2 智能库存挑拨优化系统面试攻略
• -
• 第14章 自研工作流Agent开发框架补充
• 14-1 什么是LiteFlow
• 14-10 AI Agent文生图组件实现3
• 14-11 AI Agent图片编辑组件编写1
• 14-12 AI Agent图片编辑组件编写2
• 14-13 AI Agent图片编辑组件编写3
• 14-2 LiteFlow组件讲解
• 14-3 LiteFlow上下文讲解
• 14-4 EL编排学习1
• 14-5 EL编排学习2
• 14-6 组件参数绑定与执行器
• 14-7 前端编排UI搭建
• 14-8 AI Agent文生图组件实现1
• 14-9 AI Agent文生图组件实现2
• -
• 第15章 课程回顾与展望
• 15-1 课程总结回顾与展望
• -
• 第1章 开课准备
• 1-1 课程导学
• -
• 第2章 技术选型与架构筑基：为什么是Spring AI Alibaba Graph？
• 2-1 AI工作流开发的“三条道路”
• 2-2 认识主流低代码平台Dify与Coze
• 2-3 低代码平台遍地，为何还要从零造轮子？
• 2-4 从“工具使用者”到“架构创造者”
• 2-5 为什么Spring AI Alibaba Graph是Java生态的“终极答案”？
• 2-6 自研工作流Agent开发框架
• -
• 第3章 Spring AI Alibaba Graph框架核心精讲
• 3-1 什么是Graph？为什么它是AI工作流的终极解决方案？
• 3-2 Graph核心三要素深度解析
• 3-3 代码环境搭建
• 3-4 配置大模型参数与定义节点、边
• 3-5 节点与边定义及实操演示
• -
• 第4章 库存调拨Agent_ 架构思路与工程环境搭建
• 4-1 从痛点出发的架构思维
• 4-2 企业级项目标准化搭建
• 4-3 基础框架封装：统一响应体、异常处理、日志规范的代码实现
• 4-4 数据建模：核心数据库实体设计
• 4-5 使用代码生成器进行通用业务组件开发
• 4-6 Agent全链路流程设计
• -
• 第5章 库存调拨Agent_ 核心节点开发与链路测试
• 5-1 全局状态机定义与声明
• 5-10 JSON数据返回与节点测试实操
• 5-11 邮件通知的依赖集成与服务配置
• 5-12 邮件推送接口代码实现
• 5-13 构建邮件推送节点并执行节点测试
• 5-14 库存调拨保存接口的业务逻辑实现
• 5-15 MapStruct实现POJO转换
• 5-16 状态机 JSON 数据解析与入库节点开发
• 5-2 构建商品实时数据流
• 5-3 接入状态机并执行节点测试
• 5-4 构建库存实时数据流，为AI决策引擎提供精准弹药
• 5-5 完善库存实时数据流并执行节点测试
• 5-6 预测引擎开发：接入AI大模型实现调拨建议生成
• 5-7 面试加分项：如何让大模型更好的理解你的意图
• 5-8 面试加分项：使用多种提示词优化技术实现LLM输出准确性提升
• 5-9 提取大模型内容转JSON,实现数据的结构化
• -
• 第6章 库存调拨Agent：风险控制方案落地实现
• 6-1 什么是人机协同？为什么要进行人机协同？
• 6-2 Graph 配置适配人机协同节点
• 6-3 对话隔离落地：RunableConfig 的 threadId 配置开发
• 6-4 人类审核→对话召回→工作流激活：全链路落地
• 6-5 人机协同流程总结与梳理
• 6-6 1个条件边=N种执行路径！使用条件边轻松搞定复杂业务决策逻辑
• -
• 第7章 库存调拨Agent：可靠性方案落地实现
• 7-1 什么是检查点？
• 7-2 集成Redis Stack+Graph 配置改造实现工作流状态 Redis 持久化
• 7-3 测试：Agent 工作流链路全测
• 7-4 如何更好的让用户或者领导看到你的流程设计？
• 7-5 集成PlantUML，一键生成专业架构图，让设计清晰可见
• -
• 第8章 库存调拨Agent：高并发方案落地实现
• 8-1 问题点：你是如何应对高并发场景的？
• 8-10 如何保证Kafka消息不积压2
• 8-11 消费端重复消费的幂等处理
• 8-12 成果验收：业务层开发与全流程联调测试
• 8-2 项目改造：单体项目改造为微服务项目
• 8-3 使用docker启动nacos服务
• 8-4 使用nacos作为配置中心以及新规范配置
• 8-5 消息中间件Kafka引入及接口改造
• 8-6 Agent触发接口改造
• 8-7 Kafka生产与消费全链路打通
• 8-8 如何保证Kafka消息不丢失_
• 8-9 如何保证Kafka消息不积压1
• -
• 第9章 BI报表问答Agent：RAG技术与向量库整合
• 9-1 架构设计：从痛点出发的架构思维
• 9-10 扩展：项目集成Milvus作为向量数据库
• 9-11 智能BI报表问答系统Graph工作流设计
• 9-12 数据准备：前置数据库脚本执行
• 9-13 明确目标：核心节点开发逻辑梳理
• 9-14 AI Agent 提示词：教你编写高效果优质 Prompt
• 9-15 RAG 召回 + 大模型内容生成落地
• 9-16 RAG检索过程源码解析
• 9-17 如何让AI更好的理解用户不准确的表述？
• 9-18 面试加分项：多种Prompt优化技术提高召回率
• 9-2 RAG技术深度解析
• 9-3 工程初始化与环境搭建
• 9-4 集成Tika文档读取器实现文档读取
• 9-5 文本向量大模型介绍以及整合智源向量大模型
• 9-6 使用Redis作为向量数据库以及问题引出
• 9-7 踩坑预警！默认文本分割方案的核心问题
• 9-8 面试加分项：使用自定义的定制化分割器来提高召回准确度
• 9-9 扩展：使用DockerFile启动Milvus+客户化UI界面
• -
• 课程资料
• Java开发者的AI高薪跳板：双项目打通生产级Agent开发
• Java开发者的AI高薪跳板：双项目打通生产级Agent开发.pptx
• ppt素材图片