课程介绍
这是一门面向 Java 开发者的大模型应用开发实战课。开篇讲大模型的工作原理与局限、Java 在大模型应用开发中的优势、百炼平台和 Ollama 本地部署，以及 Prompt 设计、高阶优化方法、结构化 Prompt 框架与评测；随后理解 OpenAI API，用 SSE 实现流式输出，并系统学习 Spring AI 与 Spring AI Alibaba 的核心概念、提示词模板、结构化输出、对话记忆与持久化、Advisor 和本地模型调用，再对比 LangChain4j 的低层与高层 API、@AiService 原理与持久化记忆。
工具与检索部分讲 Function Call 与 Tool Calling 的实现，并实战仿 PDD 自动帮买家申请退款；MCP 部分从技术原理讲到用 Spring AI 开发 MCP Server 与 Client、重连、HTTPS 改造、认证鉴权、工具过滤和调试；RAG 部分覆盖索引构建与检索生成、文档预处理与父子分片、向量模型与向量数据库选型，以及元数据过滤、问题改写、查询路由、HyDE、混合检索、重排序、Graph RAG、模块化 RAG 和多模态 RAG 智能问答系统。
Agent 部分讲 ReAct、Plan and Execute、Reflection、Human in the Loop 与 Multi Agent 等常用架构，Spring AI Alibaba 的 ReactAgent 与多智能体支持、A2A 协议和 AutoGen 代码生成器，并手写多种 Agent；随后讲上下文工程（含 Manus 实践）、Agent Skills 的渐进式披露与在 Claude Code、Spring AI 中的使用，最后以智能对话项目串起整体架构、流式控制与任务管理。
网盘说明：本课程为百度网盘资源。压缩包需要解压密码，购买后在下载区查看。
课程目录
第1部分 代码介绍与应用启动
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
第2部分 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
第3部分 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
第4部分 Spring AI
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）
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
第5部分 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
第6部分 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
第7部分 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
第8部分 RAG
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 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）
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）
第9部分 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
第10部分 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
第11部分 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）
第12部分 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
配套资料
LLMentor代码
