chnjinlei/ai-guide
1
0
Fork 0
Code Issues Pull Requests Actions 2 Packages Projects Releases Wiki Activity
Files
main
ai-guide/translations/zh-TW/Vibe Coding 零基础教程/40 编程学习/04 AI 编程技术.md
T

15 KiB
Raw Permalink Blame History

AI 程式設計技術入門指南

掌握 AI 開發框架，成為企業招聘的香餑餑

你好，我是程式設計師魚皮。

作為程式設計師，我們不光要會用 AI 工具、能利用 AI 開發專案，還要能夠自主開發 AI 專案，把 AI 的能力接入到自己的專案中。

有句話說得好：AI 時代，所有的傳統業務都值得利用 AI 重塑一遍。

所以現在很多公司都在招能夠開發 AI 專案的程式設計師，這也是我們的機會。那麼我們要學習哪些知識和技術，才能成為企業招聘的香餑餑呢？

⭐️ 推薦觀看影片版：https://www.bilibili.com/video/BV1i9Z8YhEja

一、AI 開發框架

首先從技術角度出發，我們要學習主流的 AI 開發框架。目前 Java 方向最火的就是 Spring AI 和 LangChain4j。

Spring AI

Spring AI 是 Spring 官方推出的 AI 開發框架，經過 2 年的沉澱，在 2025 年 5 月正式發布了 1.0 版本。

Spring AI 1.0 發布

Spring AI 的優勢在於 更容易和主流 Java 開發框架 Spring 整合，上手難度較低。它提供了很多現成的方法來幫我們提高開發 AI 應用的效率，比如快速對接大模型、保存會話上下文、對接向量資料庫實現 RAG 等等。

Spring AI 架構

Spring AI 的核心特性包括：

  • 大模型呼叫能力：統一介面支援多種主流大模型（OpenAI、Claude、通義千問等）
  • 提示工程：提供 Prompt 和 PromptTemplate 類，方便管理提示詞
  • 會話記憶：一行程式碼開啟對話記憶，自動處理上下文
  • RAG 檢索增強生成：完整的 RAG 流程支援，包括文件載入、向量儲存、檢索優化
  • 工具呼叫：通過註解快速定義工具，讓 AI 呼叫外部服務
  • MCP 支援：輕鬆接入和開發 MCP 服務

舉個例子，使用 Spring AI 呼叫大模型，只需要幾行程式碼：

// 使用 Spring AI 呼叫大模型
@Bean
public ChatClient chatClient(ChatModel chatModel) {
    return ChatClient.builder(chatModel).build();
}

public String doChat(String message) {
    return chatClient.prompt(message).call().content();
}

如果不使用 Spring AI，你就需要自己編寫 HTTP 請求、解析響應，麻煩很多。

Spring AI Alibaba

Spring AI Alibaba 是阿里巴巴基於 Spring AI 推出的國內版本，專門針對國內的 AI 生態做了優化。

它的優勢在於：

  • 更好地支援國內的大模型（通義千問、百度文心一言等）
  • 提供了中文文件和技術支援
  • 針對國內網路環境做了優化
  • 有阿里雲的生態支援

如果你主要使用國內的 AI 服務，Spring AI Alibaba 會是更好的選擇。

LangChain4j

LangChain4j 是另一個主流的 Java AI 開發框架，它的特點是 更靈活，更適合開發複雜的智慧體。

比如在開發一個智慧文件分析系統時，利用 LangChain4j，智慧體能夠自動讀取文件內容，呼叫搜尋引擎獲取相關背景知識，然後根據任務需求，將文件資訊與外部知識結合，生成分析報告。

LangChain4j 的核心特性包括：

  • AI Service：宣告式開發，通過註解快速構建 AI 服務
  • 會話記憶：支援多種會話記憶策略和持久化
  • 結構化輸出：自動將 AI 輸出轉換為 Java 物件
  • RAG 支援：完整的 RAG 流程，支援多種向量資料庫
  • 工具呼叫：靈活的工具定義和呼叫機制
  • 護軌機制：輸入輸出攔截器，增強安全性

舉個例子，使用 LangChain4j 的 AI Service：

@AiService
public interface AiCodeHelperService {
    @SystemMessage(fromResource = "system-prompt.txt")
    String chat(String userMessage);
}

只需要定義介面和註解，框架會自動生成實現類，非常方便。

如何選擇框架？

場景 推薦框架 優勢
Java 企業應用 Spring AI 無縫整合 Spring 生態
國內 AI 服務 Spring AI Alibaba 更好支援國內大模型
智慧體開發 LangChain4j 完整 Agent 工具鏈
複雜工作流 LangGraph（進階） 視覺化編排

我的建議是，兩個都要學，先從 Spring AI 學起，再學 LangChain4j 會更簡單。很多概念和用法是相通的，學會一個，另一個也能快速上手。

二、AI 整合

開發 AI 應用的前提是要有大模型，但是大模型要消耗算力才能運行，算力就是金錢。從哪兒搞來大模型呢？

有 2 種方法：使用 AI 雲服務、或者本地部署大模型。

AI 雲服務

AI 雲服務就是其他企業為我們部署了 AI 大模型，通過 API 介面的方式提供給我們使用，按量計費。

比如阿里雲百煉、火山引擎、矽基流動、OpenAI 等等。

AI 雲服務

我們程式設計師需要重點掌握的是：

  1. 如何通過 API 接入雲服務？
  2. 如何使用 AI 雲服務來建立智慧體和配置參數？
  3. 如何選擇合適的雲服務？這就需要關注各家雲服務的計費模式和服務質量
  4. 如何更低成本、更穩定地使用雲服務？這就需要我們學習 Prompt 工程和高可用技術

本地部署大模型

本地部署大模型對於很多企業來說也是剛需，資料無需上傳至雲端，能夠有效保障資料的安全性和隱私性，尤其適用於醫療、金融等對資料安全極為敏感的行業。

本地部署大模型其實並不難，只需要使用 Ollama 工具 就可以一鍵部署各種主流的開源模型。

Ollama

唉，但部署大模型的難度不在於技術啊，主要是沒算力啊！不然我也給我們團隊的 程式設計導航 和 面試鴨 都來一套魚皮大模型了。

三、AI 領域業務

企業中的 AI 業務開發，可不僅僅是來個 AI 對話就夠了，我們還要掌握幾種更複雜的業務開發，比如 RAG 知識庫、多模態、MCP 服務、ReAct 智慧體。

RAG 知識庫

很多公司都有屬於自己的業務知識和文件，會構建自己的問答系統或客服，這就要用到 RAG 檢索增強生成技術。

先通過文字嵌入模型，將企業各種文件轉化為向量，存入向量資料庫；當用戶提問時，系統在向量資料庫檢索相關向量資料，找到最相似文件片段，和問題一起輸入大模型處理。這樣一來，大模型能夠基於企業真實資料作答，更準確貼合實際。

RAG 流程

關於 RAG 能學的知識可太多了，比如主流的向量資料庫 Milvus 和 PGVector、文件的抽取 / 轉換 / 載入、索引的構建、查詢策略的優化等等。這也是 AI 企業面試的重點！

多模態

多模態也是主流的 AI 業務場景，即融合文字、圖像、音頻、影片等多種不同類型的資料模態，從而提高產品使用的易用性，做出更多有創意的功能。

比如做個智慧導購系統，顧客既可以輸入文字描述想要的商品，系統也能識別顧客上傳的商品圖片，甚至可以理解顧客通過語音提出的購物需求。

多模態

想開發多模態應用，我們要學習模態轉換技術，比如文字轉語音（TTS）、語音轉文字（STT）、光學字元識別（OCR）等。不過這些都有現成的工具庫或者雲服務，掌握呼叫方法就行。

MCP 服務

MCP（Model Context Protocol，模型上下文協議）可以理解為提供給 AI 的各種服務，AI 利用這些服務能夠實現更強大的功能。

MCP

如何在專案中接入別人的 MCP 服務，來增強自己的專案能力；以及如何開發自己的 MCP 服務，讓別人的專案使用，都是必須要學習的。

現在使用 Spring AI 等開發框架就可以開發 MCP 服務，而且甚至有高手做了個 網站，能夠一句話建立自己的 MCP 服務，這真的是泰褲辣。

MCP 生成

ReAct 智慧體

ReAct 是一種構建智慧體的開發範式，目的是打造能夠依據推理結果自主採取行動的智慧體。

它的開發過程會涉及到任務規劃、工具呼叫、互動 I/O、異常處理等知識。尤其是工具呼叫，可以通過 Function Call 或 MCP 實現像天氣查詢、文件讀寫、網頁運行、資訊檢索、終端命令執行等功能。

ReAct 智慧體

就拿開發影片網站為例，用戶說了 “幫我開發一個 Dilidili 影片網站並部署上線” 的指令時，智慧體首先會深入理解任務內容，通過推理梳理出一系列執行步驟，包括明確需求、設計方案、搭建框架、生成程式碼、部署上線等。接下來，智慧體就會呼叫相應的工具來執行這些行動。

智慧體工作流

四、AI 工具鏈

最後就是我們開發 AI 專案時可能會用到的一些平台、工具和類庫了。

低程式碼平台

比如主流的低程式碼 AI 開發平台 Dify，可以讓我們通過拖拉拽的方式構建自己的 AI 智慧體，建立知識庫並匯入自己的文件，搭建複雜的工作流等等。就哪怕你不會寫程式碼，都能用它搞出複雜的 AI 應用。

Dify

工具庫

還有一些開發 AI 智慧體時會用到的工具庫，比如：

  • Apache Tika：功能強大的文件解析器工具庫，支援解析 PDF、Word、Excel、PowerPoint 等各種文件
  • Playwright：用於模擬瀏覽器行為的工具庫，AI 需要運行網頁、抓取網頁資料、自動化測試時都能派上用場
  • JSON 格式解析庫：GSON 和 Kryo
  • HTML 文件解析庫：jsoup

這些類庫基本沒什麼學習成本，要用的時候看文件就好了。

部署工具

專案最終是要部署上線的嘛，所以我們還要掌握高效的部署工具。如果是個人學習使用、想快速上線自己的 AI 小應用，可以試試下面這些平台：

  • Vercel：適合前端應用的部署平台，支援自動構建、線上瀏覽、CDN 分發，而且還免費提供可訪問的域名
  • Sealos：雲原生應用管理平台，支援 Kubernetes 集群管理
  • Railway：能讓開發人員輕鬆部署 Docker 容器，無需操心伺服器配置與維運

當然，想快速部署服務，Docker 容器化技術也是必須要學習的，就像 APP 的安裝包一樣，能夠輕鬆分發和部署你的應用程式。

Docker

五、學習資源推薦

怎麼樣，要學的東西還是挺多的吧。別擔心，我也在持續學習這些內容並且會持續分享給大家。

1、AI 學習路線

完整的 AI 大模型應用開發學習路線可以在 程式設計導航獲取：

網址：https://www.codefather.cn/learn

AI 學習路線

2、AI 專案實戰

在 程式設計導航 上，我帶大家做了多套 AI 專案教程，涵蓋了上面提到的幾乎所有技術：

  • AI 程式設計助手：LangChain4j 框架入門，實戰對話記憶、結構化輸出、RAG、工具呼叫、MCP、SSE 等
  • AI 超級智慧體：Spring AI 框架入門，實戰 AI 戀愛大師應用 + 自主規劃能力的超級智慧體
  • AI 零程式碼應用生成平台：LangChain4j AI 智慧體、LangGraph4j 工作流、微服務架構
  • AI 答題應用平台：React 跨端小程序、Vue3 AI 應用、分庫分表、SSE 即時推送

這些專案都是企業級的真實專案，做完後可以直接寫進履歷。

3、開源專案

我也開源了不少 AI 應用開發專案，分享給大家：

4、AI 知識庫

在我免費開源的 AI 知識庫 中，匯總收集了最新最全的 AI 知識，幫助大家更好地適應 AI 時代的到來。

網址：https://ai.codefather.cn

裡面除了各種教程資料外，也重點給大家分享了很多 AI 工具的具體應用場景，比如接入辦公軟體提升效率、幫你做自媒體、AI 批量製作影片等，希望幫助大家舉一反三，找到新的思路。

寫在最後

AI 技術發展日新月異，對程式設計師的要求也在不斷提高。AI 相關知識不再只是演算法工程師需要了解，而是每個程式設計師都必須掌握的基本技能。

無論你是前端、後端還是全棧開發者，都需要了解 AI 應用開發的基本概念和實踐方法。

因為未來的軟體開發，AI 將無處不在。

如果你問我 AI 會淘汰程式設計師麼？

我的答案仍然是 “會”。因為程式設計師本身就是需要持續學習和實踐來保持競爭力的，只要大家能夠學會我提到的這些知識，多關注 AI 的前沿資訊，相信 AI 不會搶走我們程式設計師的飯碗，而是成為我們改造世界的槓桿。

推薦資源

1）魚皮 AI 導航網站：AI 資源大全、最新 AI 資訊、免費 AI 教程

2）程式設計導航學習圈：學習路線、程式設計教程、實戰專案、求職寶典、交流答疑

3）程式設計師面試八股文：實習/校招/社招高頻考點、企業真題解析

4）程式設計師寫履歷神器：專業模板、豐富例句、直通面試

5）1 對 1 模擬面試：實習/校招/社招面試拿 Offer 必備

Reference in New Issue View Git Blame Copy Permalink