尚硅谷 北京总部 Java AI 241125班 3月结束

这套资料的核心价值在于打通 Java 后端工程师接入大模型应用的“最后一公里”。对于熟悉 Spring Boot 但缺乏 AI 工程化经验的开发者，这里提供了一条完整的落地路径：从基础调用到构建具备记忆、检索和工具调用能力的智能体。你不需要从零搭建算法模型，重点在于掌握如何用现有的 Java 生态组件封装复杂 AI 逻辑，解决实际业务中“模型回答不专业、无法操作数据库、上下文丢失”等痛点。适合具备 1-2 年 Java 开发经验、熟悉 Spring 体系及基础数据库操作的上班族或转行者。若对后端框架陌生，需先补足 Spring Boot 基础，否则在配置依赖和调试服务时会卡壳。

建议学习路径：从调用到增强

建议按“基础接入-记忆与提示词-核心功能扩展”三阶段推进。第一阶段重点看 Spring Boot 如何对接 OpenAI、DeepSeek 及本地 Ollama 模型，理解 API 差异与鉴权机制，确保能跑通最小可行性聊天；第二阶段深入 AIService 组件，掌握聊天记忆持久化（结合 MongoDB）与系统/用户提示词工程，解决多轮对话状态丢失和回答泛化问题；第三阶段聚焦高阶能力，必须死磕 RAG（检索增强生成）与 Function Calling。先看 RAG 原理与 Pinecone 向量库接入，再实践如何让模型基于私有知识库回答；最后通过 Function Calling 实现模型自动调用预约、取消等业务方法。跳过向量库原理直接抄代码，后期调试索引命中率时会寸步难行。

独立能力与资料配合练习法

学完后，你应能独立开发一个垂直领域的 AI 助手：自定义领域提示词、挂载私有知识库实现精准问答、通过函数调用对接外部 API 执行具体业务操作，并支持流式输出优化前端体验。资料包中的 Markdown 文档（如神经内科、人工智能等）是 RAG 测试的专用语料，切勿仅当普通文本阅读。正确用法是：将这些文档切分并导入向量数据库，在“升级小智系统”环节验证检索召回率是否提升；同时利用 MySQL 安装包搭建测试环境，验证 MyBatis-Plus 与聊天记录的整合。不要只看视频，必须动手修改代码中的模型参数、替换向量库实现、调整提示词模板，通过对比不同配置下的回答差异，才能真正内化 AI 工程化的调优思路。最终目标不是记住每个 API 怎么写，而是建立起“业务场景-模型能力-工程组件”的映射思维。