楼兰 - AI 大模型 RAG 系统实战课程 - Java 版

这门课的主题很明确：用 Java 技术栈把 RAG（检索增强生成）系统从概念做到能跑起来的工程。它不绕弯子去讲 Transformer 的数学推导，而是围绕几个真实落地的目标展开——自然语言搜索、企业智能问答、SQL 智能助手，以及大模型工具调用。对已经写过 Spring Boot、但又不想只停留在调 API 层面的开发者来说，这种切入方式比纯理论课更有参照价值。

技术栈选型：为什么是 Java 而不是 Python

课程的技术底座是 LangChain4j 和 Spring AI。这两个库目前是 Java 生态里做 LLM 应用最主流的两条路线，前者偏编排与链式调用，后者更贴近 Spring 的编程习惯，能和现有的 Spring Boot 工程无缝拼接。课程没有把两者对立起来，而是分别给了落地场景：用 LangChain4j 搭第一个大模型应用，用 Spring AI 做 SQL 智能助手。

对 Java 团队来说，这个选型的意义在于复用。你不需要为了接一个大模型再维护一套 Python 服务，向量检索、会话管理、工具调用都可以留在原有的工程结构里。课程里对 Embedding、Tool 调用、提示词组织这些环节的处理方式，基本可以照着迁移到自己的项目。

RAG 这条主线是怎么串起来的

整个课程可以看成一条从检索到生成的链路。前半段解决「找得到」：用 Embedding 把文本转成向量，实现自然语言搜索，这是 RAG 的检索层。后半段解决「答得准」：在检索结果之上构建企业智能问答系统，让模型基于召回的上下文组织回答，而不是凭空生成。

• Embedding 与自然语言搜索：理解向量化、相似度召回的基本工程实现。
• RAG 问答系统：文档切分、向量存储、上下文拼装、回答生成的完整链路。
• 模型接入：通过 Huggingface 了解不同开源模型的差异与选择依据。
• 能力扩展：用 Tool 调用让模型能操作外部系统，用 Spring AI 做 SQL 智能助手。

这个顺序的好处是每一环都能单独验证。你可以先只做搜索，确认召回质量，再往上叠问答，出问题时定位范围清晰，不用在整条链路上盲调。

可复用的模块与工程结构

课程资料里的几份笔记实际对应的是几个相对独立的能力单元：向量检索模块、问答编排模块、工具调用模块、模型接入模块。这种拆分方式本身就是一种参考——RAG 系统不需要写成一个大泥球，把检索、编排、模型访问分层，后续换向量库或换模型时改动面会小很多。

建议在跟做时留意这几处：Embedding 的批处理与缓存策略、向量库的选型与索引结构、提示词模板的抽取方式、Tool 调用的参数校验与异常兜底。这些细节在笔记里不一定展开成完整代码，但它们决定了 demo 和能上线的系统之间的差距。

适合怎么用这份资料

它更适合拿来对照实践，而不是当视频刷完。合理的用法是：先跑通一条最小链路——文档入库、向量检索、拼上下文、调模型出答案，然后再逐段替换成课程里的实现。遇到具体环节比如 Embedding 维度、召回条数、上下文长度限制，再回到对应章节看思路。

前置要求不算高：熟悉 Java 和 Spring Boot、了解基本的 HTTP 调用即可。如果对向量检索完全没有概念，先花点时间补一下余弦相似度和近似最近邻搜索，后面看 Embedding 部分会顺很多。它的价值在于把 RAG 从论文概念翻译成 Java 工程里的一套可维护结构，而不是给你一个只能跑的演示。