宋哥转AI

上篇聊了Java做RAG为什么选PgVector而不是Milvus，这篇直接上手——我用Spring AI把入库侧全跑通了。 整个链路是个ETL流水线：文档 → 读取 → 分块 → 向量化入库。对应S

先看数据 表格 指标 数据 来源 企业已尝试AI Agent 79% McKinsey 2025 实际跑在生产环境 11% (1/9) Gartner/Joget 2026 计划2年内部署 74% D

01 选向量数据库，我先踩了自己 做 RAG 第一步就是选向量数据库。我翻了 Spring AI Alibaba 的官方文档，Milvus 排在第一个，社区文章也都在用。没多想，直接上 Milvus。

大家好，我是一名 6 年 Java 后端开发，目前正在积极探索 AI 工程化转型路径。今天想和大家聊聊我在团队中推广 mattpocock/skills 标准化技能集的一些实践心得。 mattpoco

前言 我是宋哥，6年Java后端，正在转型AI Agent开发。 Week1我从零搭了一个AI代码审查助手code-review-agent，5个版本迭代：Day1调通ChatAPI，Day2接入代码

5种方式让AI审查代码 实测数据对比 Day 方案 issues数 score 有severity 有category 有metrics Day1 纯Prompt 不固定 无 ❌ ❌ ❌ Day3 B

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