资源站：xingkeit.top/17409/
Hollis 大模型应用开发实战课程全流程学习复盘
写在前面
Hollis 的课程在 Java 圈子里口碑一直很稳——不搞虚的，不追热点，擅长把复杂的东西拆成工程师能落地的步骤。这次的《大模型应用开发实战》延续了他一贯的风格：不讲模型怎么训，只讲怎么把大模型"接"进你现有的 Java 系统里，并且跑得稳、管得住、可迭代。
作为一个有几年 Spring 后端经验的开发者，这门课对我最大的价值不是"学了新技术"，而是帮我找到了一条"不用推翻重写、在既有技术栈上长出 AI 能力"的平滑路径。以下按课程主线做一次全流程复盘。
第一阶段：认知校准——大模型应用开发到底是什么？
课程开篇就在做减法。Hollis 明确划定了边界：应用开发工程师不需要懂反向传播，不需要会训模型，核心能力是"把大模型当作一个超强的文本处理 API 来编排和调度"。
这一阶段梳理了几个关键认知：
大模型不是数据库，是"概率引擎"——同样的输入可能得到不同的输出，应用层必须为这种不确定性设计兜底策略
Token 就是货币——每次调用都在花钱，Prompt 越长成本越高，上下文窗口既是能力也是负担
延迟是用户体验的第一杀手——一次 LLM 调用 2-3 秒是常态，应用设计必须考虑流式输出、异步处理、缓存策略
这些看起来是常识，但很多团队做 AI 项目时就是栽在这些"常识"上。课程的价值在于把这些隐性经验显性化，让你在动手之前就避开大部分坑。
第二阶段：Prompt 工程——从"试试看"到"可复现"
Hollis 把 Prompt 工程拆成了三层结构，这个框架对我帮助很大：
层级 | 作用 | 实操要点 |
|---|
System Prompt | 定义角色、行为准则、输出格式 | 写好后尽量不变，作为"底座" |
User Prompt | 承载具体任务和输入数据 | 结构化传入，避免自由文本拼接 |
Few-Shot 示例 | 给模型看"正确答案样本" | 选典型场景，3-5 个足够 |
关键技巧包括：
输出格式强制约束：要求模型返回 JSON，并在 Prompt 中给出精确的 Schema 示例，配合后置校验
思维链引导：在复杂推理任务中加入"请逐步思考"或给出中间步骤模板
角色扮演的稳定性：System Prompt 中给模型一个明确的身份（如"你是一个资深 Java 架构师"），输出质量明显更专业
复盘心得：以前我写 Prompt 像写聊天消息，想到哪说到哪。现在养成了"先写结构化模板 → 填变量 → 加示例 → 测试 → 固化"的标准流程。Prompt 也是代码，需要版本管理和回归测试。
第三阶段：Spring AI 框架实战——Java 开发者的"官方武器"
这是课程的核心部分。Hollis 选用 Spring AI 作为主力框架，原因很务实：它是 Spring 生态的一部分，跟你现有的 Spring Boot 项目零摩擦集成。
核心组件逐一拆解：
ChatClient：统一抽象层，屏蔽底层不同模型 API 的差异。切换 OpenAI / 通义千问 / Ollama 只需改配置
Advisor 链：类似 Servlet Filter 的责任链模式。请求发出前可以注入上下文、追加提示词；响应回来后可以拦截、改写、记录日志
ChatMemory：会话记忆的抽象接口，支持 InMemory、Redis、JDBC 等多种存储后端，轻松实现多轮对话
Tool/Function Calling：用 @Tool 注解把 Java 方法暴露给模型调用，参数自动映射，返回值自动序列化
踩坑记录：刚开始我用 InMemory 存储会话，本地测试一切正常，部署到多实例后用户对话串了。后来切换到 Redis 存储才解决。教训：任何有状态的组件，在分布式环境下都必须外置存储，这是微服务的基本功。
第四阶段：RAG 知识库——让大模型"懂你的业务"
课程用了一个非常接地气的案例贯穿 RAG 全流程：企业内部文档问答系统。
完整链路实操：
文档加载：PDF、Word、Markdown 用 Apache POI / PDFBox 解析为纯文本
文本分块：按段落 + 滑动窗口（overlap 200 字符），平衡上下文完整性和检索精度
向量化：调用 Embedding API 将文本转为向量
向量存储：用 Milvus 或 PGVector 存储向量和原文
检索增强：用户提问时先做相似度搜索，Top-K 结果拼入 Prompt 作为上下文
关键经验：
分块策略比选什么 Embedding 模型影响更大——太大会引入噪声，太小会丢失上下文
检索结果一定要带回原文片段，不能只返回"答案"。用户需要知道依据是什么
对于时效性强的数据（如库存、价格），RAG 不如直接调 API 实时查询——知识库不是万能的，工具调用才是实时数据的正确解法
第五阶段：Agent 与工作流——从"问答"到"执行"
课程最后把前面的能力全部串联，做了一个智能客服工单助手：
用户描述问题 → Agent 意图识别 → 路由到对应处理流程
简单问题：RAG 检索知识库直接回答
复杂问题：调用后端 API 查询订单状态、发起退款、创建工单
无法处理：转人工，同时把对话摘要传给人工客服
这个项目的架构设计非常值得借鉴：
Agent 只做编排，不做具体业务逻辑——所有业务操作都封装成 Tool，Agent 只负责"决定什么时候调什么工具"
每一步操作都有日志记录，方便事后审计和问题排查
敏感操作（退款、删除）必须人工确认，Agent 只生成"建议方案"，不自动执行
整体复盘：三个维度的成长
维度 | 学前 | 学后 |
|---|
对 AI 应用的认知 | "调 API 拼字符串" | 系统化架构设计：Prompt + Memory + Tool + RAG + Agent |
工程化能力 | 跑通 Demo 就交差 | 流式输出、会话持久化、多实例部署、评估迭代 |
技术选型判断 | 跟风追新框架 | 基于团队现状选最平滑的方案（Spring AI + 现有中间件） |
下一步计划
把手头的三个存量系统各加一个 AI 辅助模块（智能搜索、自动摘要、异常诊断），用课程方法论落地
深入研究 Spring AI 的源码，特别是 Advisor 链的执行机制和自定义扩展点
建立团队的 Prompt 版本管理和回归测试流程，把"调 Prompt"从玄学变成工程
最后一句真心话：Hollis 这门课给我的最大底气是——它证明了 Java 工程师不需要转行、不需要学 Python、不需要从头再来，就能在大模型时代找到自己的位置。 你已有的 Spring 生态经验不是包袱，而是加速器。用好它，在熟悉的土地上种出新庄稼，这条路比另起炉灶踏实得多。
本站不存储任何实质资源，该帖为网盘用户发布的网盘链接介绍帖,本文内所有链接指向的云盘网盘资源，其版权归版权方所有！其实际管理权为帖子发布者所有，本站无法操作相关资源。如您认为本站任何介绍帖侵犯了您的合法版权，请发送邮件
[email protected] 进行投诉，我们将在确认本文链接指向的资源存在侵权后，立即删除相关介绍帖子！
暂无评论