先判断是否值得投入时间

对于已经从事 Java 开发多年的从业者来说，补充大模型相关技能是保持竞争力的必要动作，而非锦上添花。行业现状是，纯大模型框架（如 Python 生态）的学习曲线陡峭且与后端架构脱节，而 Java 生态目前存在明显的“工程化滞后”。这门课专门针对这一痛点，它不教空洞的 AI 原理，而是聚焦于如何将大模型能力无缝集成到现有的 Spring Boot 或微服务架构中。如果你只打算做一个简单的 Demo 就止步于此，那么这门课可能过于硬核；但如果你渴望解决“大模型应用落地难、状态管理乱、无法复用”等企业级难题，并具备扎实的 Java 基础，那么这门课就是目前 Java 开发者转型 AI 工程化最务实的切入点。

核心难点与学习路径规划

课程通过构建“智能失物招领”这一具体场景，强制学习者完成从需求分析到迭代优化的全闭环，这比单纯看代码更有价值。你需要重点攻克三个核心卡点：首先是状态管理，即如何利用 ChatMemory 组件在多轮对话中保持上下文连贯，避免每次对话都重复发送背景信息；其次是动态提示词工程，学习如何根据用户意图自动调整系统指令，而不是写死一段话；最后是工具链集成与 AiService 服务化，这是让大模型从“聊天机器人”变成“企业智能体”的关键。建议你先跳过复杂的数学原理，直接动手跑通案例中的基础对话功能，确保环境搭建无误后，再依次深入探究记忆组件和工具调用逻辑。只有当你能独立写出一个具备记忆和工具调用能力的 Java 应用时，才算真正掌握了 LangChain4j 的精髓。

资料包使用与实战落地建议

手中的资料包是理解工程架构的脚手架，而非简单的代码仓库。资料中通常会包含不同阶段的项目源码和架构设计文档，建议你先不要急于复制粘贴代码，而是先阅读架构设计部分，理清数据流是如何在 LLM、LangChain4j 和 Java 业务逻辑之间流转的。特别是资料中关于 Tool 工具集成的部分，要重点理解它是如何将 Java 方法包装成大模型可执行的工具的。在复现代码时，遇到报错是常态，不要直接看解决方案，而是尝试分析是提示词策略问题还是参数类型不匹配。学完这套课程后，你应能独立将大模型能力封装为标准 API，供其他 Java 系统调用，从而真正具备承接企业级 AI 项目的能力，实现从“写业务代码”到“设计智能体架构”的思维跃迁。

课程介绍

Java大模型工程能力必修课，LangChain4j 入门到实践，。Java 开发者转型 AI ，聚焦企业急缺的 LangChain4j+LLM 应用开发能力，通过从0到1构建智能失物招领应用，带你全流程打通从需求分析→架构设计→代码实现→迭代优化的企业级开发闭环；课程会深度解析LLM大模型应用开发核心技能，涵盖：ChatMemory 状态管理、动态提示词工程、Tool工具链集成及 AiService 服务化等核心组件，助力你轻松打通“Java 大模型应用开发最关键卡点”，倍增 AI 时代 Java 工程师全新竞争力。

课程目录

├── 第1章 大模型启蒙：AI世界观构建/
│ ├── [ 95M] 1-1学懂LangChain4j，构建你的Java大模型应用的核心能力
│ ├── [ 42M] 1-2【概念全览】全局视角解析：站在高角度审视AI技术大模型
│ ├── [ 19M] 1-3【生态图谱】大模型技术图谱：大模型应用开发场景流程
│ ├── [ 28M] 1-4【生态图谱】大模型技术图谱：大模型如何产生&大模型面临哪些问题
│ ├── [ 20M] 1-5【生态图谱】大模型技术图谱：大模型向量数据库应用场景流程
│ ├── [ 18M] 1-6【生态图谱】大模型技术图谱：大模型模型微调场景流程
│ ├── [ 32M] 1-7【架构解密】Langchain4j架构解密：Java生态的AI开发新范式
│ ├── [ 19M] 1-8【架构解密】Langchain4j架构解密：Langchain4j开发应用场景
│ ├── [ 25M] 1-9【生态对比】框架生态深度评测：SpringAI与Langchain4j的技术路线对比（1）
│ └── [ 50M] 1-10【生态对比】框架生态深度评测：SpringAI与Langchain4j的技术路线对比（2）
├── 第2章 接入模型：LangChain4j接入生态实战/
│ ├── [ 41M] 2-1【环境准备】Springboot应用程序搭建指南
│ ├── [ 80M] 2-2【上手体验】Langchain4接入第一个大模型HelloWorld
│ ├── [ 40M] 2-3【模型框架整合】Langchain4j整合生态SpringBoot
│ ├── [ 55M] 2-4【丰富模型】Langchain4j支持哪些大模型接入
│ ├── [ 63M] 2-5【丰富模型】Langchain4j整合DeepSeek大模型
│ ├── [ 97M] 2-6【模型介绍】阿里百炼大模型使用介绍
│ ├── [ 61M] 2-7【丰富模型】Langchain4j接入阿里百炼大模型
│ ├── [ 50M] 2-8【丰富模型】Langchain4j接入阿里千义万象大模型
│ ├── [ 47M] 2-9【丰富模型】Langchain4j接入阿里百炼DeepSeek大模型
│ └── [116M] 2-10【设计模式】使用工厂模式集成多模态大模型
├── 第3章 解放生产力：AiService智能代理/
│ ├── [8.1M] 3-1【核心原理】AiService特性与知识要点讲解
│ ├── [ 51M] 3-2【小牛试刀】上手体验AiService基本玩法有哪些
│ ├── [ 55M] 3-3【精益求精】AiService如何优雅的进行创建
│ └── [ 56M] 3-4【消息类型】AiServices封装的消息类型有哪些
├── 第4章 记忆宫殿：ChatMemory对话记忆/
│ ├── [110M] 4-1【上手体验】大模型聊天记忆简单实现
│ ├── [133M] 4-2【核心组件】使用AiSerivce整合ChatMemory实现聊天记忆
│ ├── [ 62M] 4-3【高阶特性】ChatMemory实现会话隔离机制
│ ├── [ 69M] 4-4【源码剖析】知其然之所以然：ChatMemory源码深度解析
│ ├── [ 14M] 4-5【存储选择】ChatMemory合理选择存储介质
│ ├── [ 40M] 4-6【高阶特性】ChatMemory如何平滑的切换存储介质
│ ├── [116M] 4-7【高阶特性】ChatMemory自定义整合MySql存储介质
│ └── [ 20M] 4-8【高阶特性】整合MySql存储介质数据格式
├── 第5章 咒语工程：提示词角色操纵术/
│ ├── [109M] 5-1【核心原理】@SystemMessage系统提示词角色约束
│ ├── [ 63M] 5-2【扩展应用】提示词日期应用与加载提示词方法
│ ├── [ 77M] 5-3【核心原理】@UserMessage用户提示词角色约束
│ ├── [ 43M] 5-4【核心应用】提示词多个参数使用方法
│ ├── [ 62M] 5-5【扩展应用】@SystemMessage和@V混合使用方法
│ ├── [ 95M] 5-6【扩展应用】自定义基础类型和自定义对象结构化输出
│ ├── [ 66M] 5-7【扩展应用】自定义枚举类型和boolean类型结构化输出实践
│ └── [172M] 5-8【落地实践】基于提示词构建专业的法律咨询助手
├── 第6章 超能扩展：Tools外部能力集成/
│ ├── [ 85M] 6-1【上手体验】函数调用介绍&通过AiSerivce整合Tool函数调用
│ ├── [ 65M] 6-2【流程分析】画图剖析大模型与本地函数调用流程
│ └── [ 49M] 6-3【知识扩展】@Tool注解&@P注解&@ToolMemoryId注解使用方法
├── 第7章 案例实战：AI招领助手开发V1/
│ ├── [ 87M] 7-1【项目介绍】失物招领智能助手功能介绍
│ ├── [112M] 7-2【架构设计】失物招领智能助手架构设计
│ ├── [146M] 7-3【基础搭建】失物招领基础环境工程搭建
│ ├── [ 59M] 7-4【基础测试】失物招领智能大模型基础环境测试
│ ├── [169M] 7-5【核心开发】开发失物招领大模型用户意图功能
│ ├── [ 36M] 7-6【阶段测试】失物招领用户意图阶段自测
│ ├── [118M] 7-7【核心开发】开发失物招领大模型失物登记功能
│ ├── [ 87M] 7-8【引出问题】多个系统提示词共用AiService带来的问题
│ ├── [ 30M] 7-9【阶段测试】大模型失物登记功能测试
│ ├── [ 92M] 7-10【持久化数据】开发失物登记数据持久化数据库
│ ├── @
│ ├── [ 59M] 7-11【阶段测试】失物登记持久化数据库测试
│ ├── [151M] 7-12【核心开发】开发失物招领会话记忆AOP切面功能
│ ├── [140M] 7-13【核心开发】开发自定义会话聊天记忆Tool工具类
│ ├── [105M] 7-14【阶段测试】测试自定义会话聊天记忆功能
│ ├── [119M] 7-15【核心开发】开发失物登记修改功能
│ ├── [ 72M] 7-16【阶段测试】测试失物登记修改功能
│ ├── [ 75M] 7-17【场景优化】解决修改失物登记场景大模型出现幻觉问题
│ ├── [ 38M] 7-18【完善功能】完善失物招领助手会话记录查询和删除记录功能
│ ├── [231M] 7-19【核心开发】开发找到失物登记大模型功能
│ ├── [ 95M] 7-20【核心开发】开发找到失物登记业务功能
│ ├── [192M] 7-21【阶段测试】测试与优化找到失物登记相关功能点
│ └── [ 65M] 7-22【阶段测试】找到失物补充信息功能测试
├── 第8章 开天眼：向量知识库智能增强/
│ ├── [ 63M] 8-1【应用场景】RAG和微调大模型应用场景介绍
│ ├── [ 56M] 8-2【核心知识】大模型向量搜索相关概念
│ ├── [ 89M] 8-3【RAG流程】画图理解RAG建立索引过程和检索过程
│ ├── [ 70M] 8-4【核心知识】RAG加载document数据源
│ ├── [ 51M] 8-5【核心知识】RAG常见文档加载API使用
│ ├── [ 77M] 8-6【核心知识】RAG文档解析器使用和常见功能
│ ├── [ 65M] 8-7【核心知识】文档分割器的常见功能
│ ├── [125M] 8-8【核心知识】RAG向量转换和向量存储
│ ├── [140M] 8-9【核心源码】RAG建立索引核心源码流程剖析
│ ├── [ 53M] 8-10【核心知识】RAG文档分割器使用
│ ├── [ 94M] 8-11【核心知识】大模型token相关概念
│ ├── [ 93M] 8-12【丰富模型】阿里百炼embedding向量模型接入
│ ├── [ 57M] 8-13【向量存储】Pinecone向量存储组件使用介绍
│ ├── [ 75M] 8-14【整合Pinecone】工程接入Pinecone向量存储
│ ├── [150M] 8-15【落地实践】构建仿京东外卖客服加载属于自己的知识库
│ ├── [101M] 8-16【落地实践】构建仿京东外卖客服知识库建立索引到Pinecone
│ ├── [ 95M] 8-17【落地实践】构建仿京东外卖客服知识库检索实现
│ ├── [178M] 8-18【落地实践】构建仿京东外卖客服RAG检索+大模型功能实现
│ └── [ 64M] 8-19【画图剖析】用一张图看看仿京东外卖客服底层到底做了那些事情？
└── 第9章 案例实战：AI招领助手开发V2/
├── [256M] 9-1【核心开发】开发失物招领索引建立和查询功能
├── [ 26M] 9-2【架构设计】失物招领助手查询失物功能设计
├── [111M] 9-3【阶段测试】测试索引建立和索引查询功能
├── [115M] 9-4【核心开发】开发失物查询RAG整合大模型定义AiService
├── [ 84M] 9-5【核心开发】开发失物查询RAG整合大模型定义Tools+提示词功能
├── [ 57M] 9-6【核心开发】开发失物查询业务代码层实现
└── [ 49M] 9-7【阶段测试】测试失物查询RAG+大模型功能实现
└── 代码/