AI

什么是AI

AI（Artificial Intelligence，人工智能）是指让机器（尤其是计算机系统）模拟人类智能过程的技术。

核心能力：

学习：从数据中获取知识和规律
推理：运用规则推导出结论
感知：理解图像、声音、文字等输入
决策：基于分析做出判断或预测

AI的三个层次：

层次	定义	示例
弱人工智能（ANI）	专注于特定任务的AI	人脸识别、语音助手、推荐系统
强人工智能（AGI）	具备人类通用智能	尚未实现，ChatGPT等大模型是雏形
超人工智能（ASI）	超越人类智能	理论阶段

底层怎么实现的

1. 机器学习（ML）核心流程

原始数据 → 数据预处理 → 特征工程 → 模型训练 → 模型评估 → 部署推理

2. 神经网络的数学原理

最简单的神经元（感知机）：

输出 = 激活函数( Σ(权重ᵢ × 输入ᵢ) + 偏置 )

其中：
- 权重(weight)：决定输入的重要性
- 偏置(bias)：调整激活阈值
- 激活函数：引入非线性，如ReLU、Sigmoid、Tanh

3. 训练过程（反向传播）

前向传播：输入 → 隐藏层 → 输出 → 计算损失
反向传播：损失 → 梯度计算 → 更新权重
迭代优化：重复以上步骤，直到损失最小化

4. 大语言模型（LLM）的特殊架构

Transformer 核心机制：自注意力（Self-Attention）

输入序列 → 位置编码 → 多头注意力 → 前馈网络 → 输出

关键突破：通过注意力机制捕捉长距离依赖关系

技术栈分层：

层次	技术	说明
硬件层	GPU、TPU、NPU	并行计算加速
框架层	PyTorch、TensorFlow、JAX	深度学习开发框架
模型层	Hugging Face、vLLM	模型库和推理引擎
应用层	LangChain、LlamaIndex	Agent和RAG应用开发

业务使用场景

各领域应用对照表

领域	应用场景	典型案例
电商	个性化推荐、智能客服、销量预测	亚马逊推荐、阿里小蜜
金融	风控反欺诈、量化交易、智能投顾	蚂蚁集团CTU、彭博终端
医疗	医学影像诊断、药物研发、病历分析	腾讯觅影、AlphaFold
制造业	缺陷检测、预测性维护、智能排产	特斯拉工厂、西门子MindSphere
内容行业	AIGC文案、视频生成、智能翻译	ChatGPT、Midjourney、DeepL
安全领域	人脸识别、异常检测、舆情监控	海康威视、天眼系统

开发中的常见场景

java

// 1. 文本分类（垃圾邮件识别）
// 2. 实体抽取（合同关键信息提取）
// 3. 代码生成（GitHub Copilot类应用）
// 4. NL2SQL（自然语言转SQL查询）
// 5. 智能文档问答（企业内部知识库RAG）

常用的组件及说明

AI应用开发框架

名称	类型	说明
LangChain	Agent/RAG框架	最流行的LLM应用开发框架，支持链式调用和工具集成
LlamaIndex	RAG框架	专注于文档索引和检索增强生成
Semantic Kernel	Agent框架	微软出品，与LangChain类似，支持多语言（C#/Python/Java）
Dify	低代码平台	可视化AI工作流编排，开箱即用的RAG能力
FastAPI	API框架	Python后端框架，AI模型部署首选
Gradio	演示框架	快速构建AI模型Web演示界面

大语言模型（LLM）

模型	厂商	特点
GPT-4/GPT-5	OpenAI	综合能力最强，闭源
Claude 3.5/4	Anthropic	长上下文、安全性高
Gemini	谷歌	多模态原生
DeepSeek-V3/R1	深度求索	开源、推理能力强、性价比高
Qwen 2.5	阿里	中文优化，支持长上下文
Llama 3	Meta	开源生态最完善

部署推理框架

名称	说明
vLLM	高性能LLM推理引擎，PagedAttention技术
TensorRT-LLM	NVIDIA官方推理优化框架
Ollama	本地一键运行开源模型
SGLang	高效结构化生成框架

用Java实现

1. Spring AI 集成OpenAI

xml

<!-- pom.xml -->
<dependency>
    <groupId>org.springframework.ai</groupId>
    <artifactId>spring-ai-openai-spring-boot-starter</artifactId>
    <version>1.0.0-M4</version>
</dependency>

yaml

# application.yml
spring:
  ai:
    openai:
      api-key: ${OPENAI_API_KEY}
      base-url: ${OPENAI_BASE_URL}
      chat:
        options:
          model: gpt-4
          temperature: 0.7

java

@Service
public class AIService {
    
    @Autowired
    private OpenAiChatModel chatModel;
    
    // 基础对话
    public String chat(String message) {
        ChatResponse response = chatModel.call(
            new Prompt(message)
        );
        return response.getResult().getOutput().getContent();
    }
    
    // 带系统提示词
    public String chatWithSystem(String userMessage) {
        List<Message> messages = List.of(
            new SystemMessage("你是一个Java技术专家，用中文回答"),
            new UserMessage(userMessage)
        );
        return chatModel.call(new Prompt(messages))
            .getResult().getOutput().getContent();
    }
}

2. Java调用Ollama本地模型

xml

<dependency>
    <groupId>io.ollama</groupId>
    <artifactId>ollama4j</artifactId>
    <version>1.0.75</version>
</dependency>

java

public class OllamaExample {
    public static void main(String[] args) throws Exception {
        OllamaConnection connection = 
            new OllamaConnection(new OllamaHttpClient("http://localhost:11434"));
        
        OllamaClient client = new OllamaClient(connection);
        
        // 设置模型（需先下载：ollama pull deepseek-coder）
        client.setModel("deepseek-coder");
        
        // 生成回复
        String response = client.generate("用Java写一个单例模式");
        System.out.println(response);
    }
}

3. Java + LangChain4j

xml

<dependency>
    <groupId>dev.langchain4j</groupId>
    <artifactId>langchain4j-open-ai</artifactId>
    <version>1.0.0-beta1</version>
</dependency>

java

public class RAGExample {
    public static void main(String[] args) {
        // 创建嵌入模型
        EmbeddingModel embeddingModel = 
            new OpenAiEmbeddingModel(OpenAiEmbeddingModelConfig.builder()
                .apiKey(System.getenv("OPENAI_API_KEY"))
                .build());
        
        // 创建向量存储（内存版）
        EmbeddingStore<TextSegment> store = 
            new InMemoryEmbeddingStore<>();
        
        // 构建RAG链
        ChatLanguageModel model = OpenAiChatModel.withApiKey(
            System.getenv("OPENAI_API_KEY")
        );
        
        String answer = model.chat(
            "根据文档回答：Spring AI是什么？"
        );
    }
}

4. NL2SQL 实现（阿里Spring AI Alibaba）

xml

<dependency>
    <groupId>com.alibaba.cloud.ai</groupId>
    <artifactId>spring-ai-alibaba-nl2sql</artifactId>
    <version>1.0.0</version>
</dependency>

java

@RestController
public class NL2SQLController {
    
    @Autowired
    private NL2SQLService nl2sqlService;
    
    @PostMapping("/chat2sql")
    public String chat2sql(@RequestParam String question) {
        // 自然语言转SQL
        String sql = nl2sqlService.generateSQL(question);
        // 执行SQL并生成自然语言回复
        return nl2sqlService.executeAndExplain(sql);
    }
}

用Python实现

1. 基础LLM调用（OpenAI）

python

from openai import OpenAI

client = OpenAI(
    api_key="your-api-key",
    base_url="https://api.openai.com/v1"
)

response = client.chat.completions.create(
    model="gpt-4",
    messages=[
        {"role": "system", "content": "你是一个Java面试官"},
        {"role": "user", "content": "说说Spring Boot和Spring的区别"}
    ],
    temperature=0.7
)

print(response.choices[0].message.content)

2. LangChain 快速上手

python

from langchain_openai import ChatOpenAI
from langchain.memory import ConversationBufferMemory
from langchain.chains import ConversationChain

# 初始化模型
llm = ChatOpenAI(model="gpt-4", temperature=0.7)

# 添加记忆
memory = ConversationBufferMemory()

# 创建对话链
conversation = ConversationChain(
    llm=llm,
    memory=memory
)

# 多轮对话
print(conversation.predict(input="你好，我是张三"))
print(conversation.predict(input="我叫什么名字？"))  # 会记住

3. RAG（检索增强生成）实现

python

from langchain_community.document_loaders import TextLoader
from langchain.text_splitter import CharacterTextSplitter
from langchain_openai import OpenAIEmbeddings
from langchain_community.vectorstores import Chroma
from langchain.chains import RetrievalQA

# 1. 加载文档
loader = TextLoader("./knowledge.txt")
documents = loader.load()

# 2. 切分文档
text_splitter = CharacterTextSplitter(chunk_size=500, chunk_overlap=50)
docs = text_splitter.split_documents(documents)

# 3. 向量化并存储
embeddings = OpenAIEmbeddings()
vectorstore = Chroma.from_documents(docs, embeddings)

# 4. 构建RAG问答链
qa_chain = RetrievalQA.from_chain_type(
    llm=ChatOpenAI(),
    retriever=vectorstore.as_retriever()
)

# 5. 问答
answer = qa_chain.invoke("根据文档，Spring AI支持哪些功能？")

4. 本地模型（Ollama + LangChain）

python

from langchain_community.llms import Ollama

# 确保已运行：ollama run deepseek-coder:6.7b
llm = Ollama(model="deepseek-coder:6.7b")

response = llm.invoke("用Python实现快速排序")
print(response)

5. FastAPI部署模型

python

from fastapi import FastAPI, HTTPException
from pydantic import BaseModel
from openai import OpenAI

app = FastAPI(title="AI服务API")

class ChatRequest(BaseModel):
    message: str
    model: str = "gpt-4"

class ChatResponse(BaseModel):
    reply: str
    tokens_used: int

client = OpenAI()

@app.post("/chat", response_model=ChatResponse)
async def chat(request: ChatRequest):
    try:
        response = client.chat.completions.create(
            model=request.model,
            messages=[{"role": "user", "content": request.message}]
        )
        return ChatResponse(
            reply=response.choices[0].message.content,
            tokens_used=response.usage.total_tokens
        )
    except Exception as e:
        raise HTTPException(status_code=500, detail=str(e))

# 启动：uvicorn main:app --reload

6. 图像识别（Hugging Face）

python

from transformers import pipeline

# 加载预训练模型
classifier = pipeline("image-classification", 
                      model="google/vit-base-patch16-224")

# 识别图片
result = classifier("cat.jpg")
print(result)  # [{'label': 'tabby cat', 'score': 0.89}]

Java vs Python AI开发生态对比

维度	Python	Java
模型训练	✅ 绝对主流（PyTorch/TF）	❌ 极少使用
模型推理	✅ 成熟（vLLM/TGI）	⚠️ 可用（DeepSpeed Java/ONNX）
RAG应用	✅ LangChain/LlamaIndex	⚠️ LangChain4j（生态较新）
企业集成	⚠️ 需要适配层	✅ Spring AI原生支持
微服务部署	⚠️ FastAPI可以	✅ Spring Cloud全家桶
学习曲线	平缓	陡峭

选型建议：

研究/训练/快速原型 → Python
企业级Java微服务集成AI能力 → Spring AI + Java
高性能推理服务 → Python（vLLM）或 C++/Rust

快速学习资源

类型	名称	地址
课程	李沐《动手学深度学习》	https://zh.d2l.ai
课程	Fast.ai	https://www.fast.ai
博客	Lilian Weng的博客	https://lilianweng.github.io
文档	LangChain官方文档	https://python.langchain.com
文档	Spring AI官方文档	https://spring.io/projects/spring-ai
社区	Hugging Face	https://huggingface.co


这份文档涵盖了：
1. **AI概念**：定义和三个层次
2. **底层原理**：神经网络数学原理 + Transformer架构
3. **业务场景**：各行业应用 + 开发场景
4. **组件清单**：框架、模型、部署工具
5. **Java实现**：Spring AI + Ollama4j + LangChain4j + NL2SQL
6. **Python实现**：OpenAI API + LangChain + RAG + FastAPI + HF

可以直接复制到你的.md文件中使用。需要我补充某个具体模块吗？

AI ​

什么是AI ​

底层怎么实现的 ​

1. 机器学习（ML）核心流程 ​

2. 神经网络的数学原理 ​

3. 训练过程（反向传播） ​

4. 大语言模型（LLM）的特殊架构 ​

业务使用场景 ​

各领域应用对照表 ​

开发中的常见场景 ​

常用的组件及说明 ​

AI应用开发框架 ​

大语言模型（LLM） ​

部署推理框架 ​

用Java实现 ​

1. Spring AI 集成OpenAI ​

2. Java调用Ollama本地模型 ​

3. Java + LangChain4j ​

4. NL2SQL 实现（阿里Spring AI Alibaba） ​

用Python实现 ​

1. 基础LLM调用（OpenAI） ​

2. LangChain 快速上手 ​

3. RAG（检索增强生成）实现 ​

4. 本地模型（Ollama + LangChain） ​

5. FastAPI部署模型 ​

6. 图像识别（Hugging Face） ​

Java vs Python AI开发生态对比 ​

快速学习资源 ​

AI

什么是AI

底层怎么实现的

1. 机器学习（ML）核心流程

2. 神经网络的数学原理

3. 训练过程（反向传播）

4. 大语言模型（LLM）的特殊架构

业务使用场景

各领域应用对照表

开发中的常见场景

常用的组件及说明

AI应用开发框架

大语言模型（LLM）

部署推理框架

用Java实现

1. Spring AI 集成OpenAI

2. Java调用Ollama本地模型

3. Java + LangChain4j

4. NL2SQL 实现（阿里Spring AI Alibaba）

用Python实现

1. 基础LLM调用（OpenAI）

2. LangChain 快速上手

3. RAG（检索增强生成）实现

4. 本地模型（Ollama + LangChain）

5. FastAPI部署模型

6. 图像识别（Hugging Face）

Java vs Python AI开发生态对比

快速学习资源