AI应用开发

有了 AI 之后，我们在查询数据库的时候就不需要使用数据库客户端或程序（如 Java、Python）来查询了，我们可以直接使用 AI 来查询数据库，并且查询语句都不用你来写了，AI 会自动帮你生成。

在一些复杂的业务中，我们可能需要使用 Dify 调用外部程序（如 Java 程序），因为这样才能满足业务的特殊需求。 例如，当我们使用 Dify 实现“AI 简历自动筛选器”的时候，我们首先会使用 A

Dify 可以通过插件实现 MCP 服务调用，而被调用的 MCP 服务基本可以分为以下两类： 通用 MCP 服务（非本地 MCP 服务）。 本地 MCP 服务。 当你会用 Dify 调用本地 MCP

使用 Dify 搭建 AI 图片生成助手并不是什么难事，而且不需要你会编程知识，也能轻松实现。 但是，Dify 在搭建 AI 图片生成助手的过程中会遇到很多坑，例如以下这些： 有些组件随着时间的推移，

Dify 内置了两种 Agent 策略：Function Calling 和 ReAct，但二者有什么区别呢？在使用时又该如何选择呢？接下来我们一起来看。 1.Function Calling Fun

在 Dify 工作流（Workflow 和 Chatflow）的实现中，“变量”做为最基础、最核心的组件发挥着不可或缺的作用，因为它承载了不同节点间数据传递的作用。 也就是说，我们在实现 Workfl

Dify 中的工具是指其平台内置或支持集成的功能插件，用于扩展 AI 应用的能力。 1.工具作用 扩展 LLM 的能力：工具可以赋予 LLM 连接外部世界的能力，例如联网搜索、科学计算、绘制图片等。例

我们在运营某个圈子的时候，可能每天都要将这个圈子的“热门新闻”发送到朋友圈或聊天群里，但依靠传统的实现手段非常耗时耗力，我们通常要先收集热门新闻，再组装要新闻内容，再根据内容设计海报等。 那怎么才能简

在经历了八个里程碑式的版本之后（M1~M8），Spring AI 1.0 正式版本，终于在 2025 年 5 月 20 日正式发布了，这是另一个新高度的里程碑式的版本，标志着 Spring 生态系统正

大模型应用课又更新了，除了之前已经完结的两门课（视频+图文）： 《Spring AI 从入门到精通》 《LangChain4j 从入门到精通》 还有目前正在更新的 《Dify 从入门到实战》 本周也迎

续 Spring AI M8 版本之后（5.1 发布），前几日 Spring AI 悄悄的发布了最新版 Spring AI 1.0.0 RC1（5.13 发布），此版本也将是 GA（Generally

AI 技术发展很快，同样 AI 配套的相关技术发展也很快。这不今天刚打开 Spring AI 的官网就发现它又又又又更新了，而这次更新距离上次更新 M7 版本才不过半个月的时间，那这次 Spring

LangChain4j 提供了 3 种 RAG（Retrieval-Augmented Generation，检索增强生成）实现，我们通常在原生或高级的 RAG 实现中，要对数据进行清洗，也就是将外接

LangChain4j 1.0.0-beta4 上周刚刚发布，并且计划这个月中旬发布 RC1，我觉得这次升级还是非常实用的，除了修复了一些关键的 BUG 之外，还有一个被我经常吐槽的功能也被更正了，具

LangChain4j 和 Spring AI 是 Java 生态中实现大模型应用开发的两个最重要的框架，但二者的区别是啥？生产级别又该使用哪种框架？令很多人犯了难，所以本文就来浅聊一下，希望给大家在

今日凌晨，通义千问团队正式开源了 Qwen3 大模型，并且一口气发布了 8 个型号，其中包括 0.6B、1.7B、4B、8B、14B、32B 以及 30B-A3B 和 235B-A22B，使用者可以根

向量数据库是大模型应用开发必备组件之一，因为它在知识库、语义搜索、检索增强生成（RAG）等人工智能应用中发挥着举足轻重的作用。但向量数据有很多，为什么要使用 Milvus 呢？ 常见向量数据 常见的向

简单来说，“向量”Vector 是大模型（LLM）在搜索时使用的一种“技术手段”，通过向量比对，大模型能找出问题的相关答案，并且进行智能回答。 向量简介 Vector 是向量或矢量的意思，向量是数学里

在 Spring AI 中，流式输出（Streaming Output）是一种逐步返回 AI 模型生成结果的技术，允许服务器将响应内容分批次实时传输给客户端，而不是等待全部内容生成完毕后再一次性返回。

不知道大家有没有发现？对于添加到 MCP 服务市场的成千上万个 MCP 服务（而且这个数字每天还在增加），我们可以不写一行代码，轻松实现调用，但背后的原因究竟是啥呢？ MCP 虽然用起来很方便，但搞不