AI 实战教程
按系列组织的实战教程：先从最小可运行示例开始，再回到项目源码对照关键链路。 当前教程全部免费；会员项目精读持续更新。
LangChain 1.2 入门（一）：为什么需要 LangChain
单靠模型 API 缺工具、缺数据、缺记忆；LangChain 用中间层把三者接起来。本文从应用形态、模型局限、框架定位到六类场景与岗位地图，讲清它为什么存在。
LangChain 1.2 入门（二）：版本演进、包结构与 API 文档
从五个发展阶段、v0.3 与 v1.2 的 11 项差异，到 core/classic/community/langgraph 包结构与 API 文档入口，一篇看清 LangChain 1.2。
LangChain 1.2 入门（三）：四大支柱与生态分工
LangChain 提供能力、LangGraph 负责编排、Deep Agent 负责自主执行、LangSmith 负责观测评估——四层如何分工，何时该用哪一个。
LangChain 1.2 入门（四）：开发前的环境准备
conda、uv、venv 怎么选，Python 3.13.12 与 langchain 1.2.12 怎么装，PyCharm 解释器怎么配，附完整命令与验证步骤。
LangChain 1.2 入门（五）：RAG、Agent 与应用场景选型
RAG 的完整链路与 reranker 取舍、Agent 的五要素与记忆机制、Prompt/Function Calling/RAG/Fine-tuning 四种落地形态及选型顺序。
LangChain 1.2 入门（六）：模型调用的准备工作
模型名、api-key、base-url 三要素怎么放，六个线上平台怎么选，依赖如何用 requirements.txt 锁版本——模型调用前的准备一次讲清。
LangGraph 实战（零）：环境配置
从 Miniconda 安装、conda 环境到 LangGraph 依赖，先把运行环境配好。
LangGraph 实战（一）：LangGraph 总览
LangChain 与 LangGraph 的定位、版本变化，以及 Graph API 与 Functional API 怎么选。
LangGraph 实战（二）：图的基础构建与运行
用 State、Node、Edge 搭第一个图：编译、运行、看运行过程。
LangGraph 实战（三）：图的状态（State）管理
State 的定义、更新方式、Reducer、消息状态与多字段状态管理。
LangGraph 实战（四）：控制流
顺序、分支、循环与条件边，把 LangGraph 的控制流讲全。
LangGraph 实战（五）：节点执行与容错机制
节点执行顺序、并行、重试、超时与容错。
Spring AI Alibaba 01｜Agents 智能体 · 核心组件
Agents 将大语言模型与工具结合，创建具备任务推理、工具使用决策、工具调用的自动化系统，系统具备持续推理、工具调用的循环迭代能力，直至问题解决。 Spring AI Alibaba 提供了基于 ReactAgent 的生产级 Agent
Spring AI Alibaba 02｜Agents 智能体 · 高级特性：结构化输出
在某些情况下，你可能希望 Agent 以特定格式返回输出。ReactAgent 提供了两种策略。 使用 outputType 通过 Java 类定义输出结构，Agent 会自动生成对应的 JSON Schema： public class
Spring AI Alibaba 03｜Agents 智能体 · 高级特性：控制与流式输出
迭代控制 通过 Hooks 控制 Agent 的执行迭代，防止无限循环或过度成本。 import com.alibaba.cloud.ai.graph.agent.hook.modelcalllimit.ModelCallLimitHook
Spring AI Alibaba 04｜Models 模型 · Generic Model API
ChatModel API 为开发者提供了将 AI 驱动的聊天补全功能集成到应用程序中的能力。它利用预训练的语言模型（如 GPT），根据用户的自然语言输入生成类似人类的响应。 该 API 通常通过向 AI 模型发送提示或部分对话来工作，然后
Spring AI Alibaba 05｜Models 模型 · Chat Model API
Chat Model API 构建在 Generic Model API 之上，提供 Chat 特定的抽象和实现。本节提供 Spring AI ChatModel API 接口和相关类的指南。 ChatModel ChatModel 接口扩
Spring AI Alibaba 06｜Models 模型 · DashScopeChatModel
DashScope 是阿里云提供的大模型服务平台，提供通义千问等多个大语言模型。Spring AI Alibaba 提供了 DashScopeChatModel 的集成。 前置条件 在使用 DashScopeChatModel 之前，你需要
从零搭建 AI 知识库系统（一）：向量化链路与向量存储接入
这是「AI 知识库系统」系列的第一篇，从零把向量化链路搭起来：引入依赖、配置向量存储、把切片写进 Qdrant、跑补偿任务。文中每个类都能直接用。 一、依赖 在 kb-service 的 pom.xml 里引入两个 starter： <!–
从零搭建 AI 知识库系统（二）：RAG 检索链路与双路召回
这一篇实现从「切片入库」到「双路召回融合」的完整链路。核心是一个容易被忽略的设计：为什么必须保留关键词召回。 一、切片入库 @Override @Transactional(rollbackFor = Exception.class) pu
从零搭建 AI 知识库系统（三）：引用溯源与流式输出
这一篇实现两个「体验层」的东西：怎么让答案可核查，以及怎么让它一个字一个字地流出来。前者关乎信任，后者关乎体感，但实现起来都有不少细节。 一、系统提示词：五条规则 RAG 系统最大的信任危机是编造——模型把不存在的条款、数字、流程说得煞有介
从零搭建 AI 知识库系统（四）：多租户隔离与套餐配额
这个系统是对外多租户 SaaS，所以有两条不能破的红线：数据不能串租户，以及成本不能失控。前者是安全事故，后者是经营事故。 一、租户隔离靠拦截器，但有两处它管不到 先看配置： platform: tenant: data-isolation
从零搭建 AI 知识库系统（五）：Agent 装配与整仓升级踩坑
最后一篇，讲知识库 Agent 的设计，以及为了用上它而做的一次整仓升级——那次升级里踩到的两个坑，比 Agent 本身更值得记录。 一、依赖与装配 <!– Spring AI Alibaba Agent（ReactAgent 多跳推理）
从零搭建 AI 在线考试系统（一）：工程骨架与数据模型
这个系列会把「AI 在线考试系统」从零搭一遍：建表、配环境、写关键代码、跑起来验证。每一篇结束你都能有一个能运行的东西，而不是读完一堆设计原则。 这是第一篇，目标是把工程骨架和数据库搭起来，让服务能启动。 一、前置环境 组件版本说明 JDK