深度探索SpringAI实战：AI家庭医生应用开发

解决什么场景，适合谁

这门课聚焦 Java 后端开发者如何将大模型能力封装为可上线的医疗辅助工具，而非泛泛讨论 AI 概念。核心场景是构建一个具备对话、病情分析记录与本地模型调用能力的“家庭医生” Web 应用。它不解决医院合规或临床诊断资质问题，而是解决开发侧的工程落地：如何把 DeepSeek 模型接入 Spring Boot 3 架构，如何设计医患沟通的数据持久化方案，以及如何完成容器化部署。适合已掌握 Java 8+ 基础、熟悉 Maven 与基本 REST 接口的工程师；对 Spring Boot 完全陌生的初学者建议先补充官方文档中关于自动配置与依赖管理的章节，再进入本课程第 5 章。课程不涵盖前端 UI 设计细节，重点在后端逻辑与服务架构。

学习路径与关键节点

建议严格按“本地环境搭建→模型接入→数据层构建→服务封装→部署上线”的顺序推进。首先完成第 4 章的开发环境配置，重点理解 JDK 21 与 Maven 的兼容性设置，以及 MySQL 8 的建库规范，这是后续所有操作的基础。第 3 章的 Ollama 本地部署 DeepSeek 环节需重点掌握模型量化参数选择，避免盲目追求大参数量导致本地推理卡顿；若电脑显存不足，可跳过此节直接研究 API 调用方式，但需理解本地与云端推理的性能差异。第 8 章的 MyBatis-Plus 集成是数据落地的关键，务必看清医患沟通记录表的设计逻辑，理解为何将 AI 分析结果与原始对话分开存储。第 9 章容器化部署部分，重点在于 Nginx 反向代理配置与生产环境参数解耦，不要只复制命令，需理解每个 Dockerfile 层的作用。

学完能独立做什么，资料如何配合

完成全部章节并配合练习后，你将能独立交付一个包含前后端联调、模型调用、数据持久化及云部署的完整 AI 助手应用。具体能力包括：从零初始化 Spring Boot 3 项目并配置多环境 Profile；编写 Controller 层封装模型调用逻辑，实现上下文记忆；设计数据库表结构存储 AI 交互日志；使用 Docker 打包 Java 应用并挂载外部数据库；配置 Nginx 实现 HTTPS 访问与静态资源分离。资料包中的视频章节应按上述顺序播放，重点标记第 8 章的数据流图解与第 9 章的部署架构图。练习时不要仅跟做视频步骤，建议在第 8 章完成后，尝试自行增加一个“历史记录查询”接口，验证 MyBatis-Plus 的分页查询实现；在第 9 章部署时，故意修改 Nginx 配置文件中的端口映射，排查服务不可用问题，以此强化对部署流程的理解。最终目标不是复现课程案例，而是掌握将任意大模型接入 Spring 生态的工程方法论。