技术博客

记录我从 Java 后端到 AI 应用的转型实战：RAG、Agent、Prompt 工程，以及后端同学怎么把大模型真正落地。

别再问「Java 转 AI 要不要从头学数学」。真正有效的路径，是把你已有的工程能力平移到 AI 应用层。

Demo 里的 RAG 和生产的 RAG 是两回事。这 7 个坑，每一个都值得你在上线前踩一次——在测试环境。

谁说 Agent 只能用 Python？Spring AI 让 Java 工程师用熟悉的 Spring 风格快速接入大模型与工具调用。

Prompt 不是玄学。把它当成一个没有单测的函数，用版本、变量和评测集来管理，就变严谨了。

面试官不考你推导 Transformer。他们考的是：你知不知道 AI 能落地成什么、踩过哪些坑。

Next.js + 一个基于我简历的 AI 分身。招聘方打开网页，就能直接和我「对话」。

RAG 的上限不在 LLM，在检索。这篇把 embedding 选型、归一化、相似度度量和 ANN 索引的取舍一次讲清。

不堆显卡也能微调。QLoRA 用 4-bit 量化把 7B 模型塞进单卡，再叠加 LoRA 只训 1% 参数——这篇把每一步讲透。

Agent 不是「会调工具的大模型」这么简单。ReAct、Plan-and-Execute、Reflection、多智能体——这篇梳理它们的适用边界。

Function Calling 每换一个模型就要重新适配，MCP 想把工具变成「标准插头」。这篇讲清它是什么、值不值得跟。