宋哥转AI

两个协议，一张图说清楚 很多人被MCP和A2A搞晕。先上结论： 协议 职责 类比 MCP Agent → Tools Feign调用微服务API A2A Agent ↔ Agent 微服务间HTTP通

模块2上：RAG原理与向量数据库选型——Java人的AI知识库指南 1. 为什么RAG是大模型应用的第二条腿 Prompt Engineering是大模型的第一条腿，让模型"听话"。 但光靠Promp

LangChain 1.0发布：企业级Agent开发时代到了，Java程序员的机会在哪？ 前言 2025年10月22日，LangChain官方发布了1.0版本，同步发布的还有LangGraph 1.0

模块1（下）：用Spring AI从0到1搭一个代码审查助手 上篇讲了4个核心技巧——角色约束、格式控制、Few-shot、思维链。今天用完整实战把它们串起来，再聊聊温度参数怎么选、以及我踩过的4个坑

用了7版Prompt才明白：AI替你想，你就真的不想了 这周被AI坑惨了。 不是AI回答不好，是我自己变蠢了。 事情是这样的：用Cursor写自媒体Agent代码，写了一周，出了bug。 什么bug？

模块1（上）：Prompt Engineering——4个技巧让大模型听你的话 上一篇文章预告了模块1：Prompt Engineering实战，手把手教你写出能让模型稳定返回JSON的prompt。

Java转AI，我整理了8个模块的学习路线图 上个月，我花了整整两天，把LangChain文档翻了个遍，照着教程配好了Spring Boot项目，准备大干一场。 结果一跑——RAG问答返回的内容跟用户

上周有个做了8年Java的朋友问我：你转AI了，还用Java吗？ 我说，用。不仅用，Java在我整个Agent系统里是编排核心。但LLM调用层，我交给了Python。 他愣了一下：那你不嫌麻烦？两套语

背景 RAG问答demo谁都能跑通，5分钟教程满天飞。向量数据库一搭，Embedding模型一调，Prompt一塞，出来个能跑的对话界面，成就感拉满。 但我真正上线后发现，demo和生产的差距不是调参