楼兰 AI大模型RAG系统实战课程 Java版

这套资料的主题很明确：用 Java 技术栈把 RAG（检索增强生成）系统从零跑通，落到可以调试、可以替换组件的工程代码上。它不适合当作纯理论课来看，更适合一边读代码一边改配置，把每个环节单独拆出来验证。

技术栈的构成与取舍

整套内容围绕两条 Java 侧的 LLM 接入路线展开：LangChain4j 与 Spring AI。前者是第一个可运行 Demo 的入口，用来理解链式调用、模型抽象、消息组装这些基础概念；后者承担了后续多数实战场景，包括 SQL 智能助手、RAG 智能问答。选择 Java 而不是 Python，意味着你拿到的是面向 Spring 生态的工程化写法——依赖注入、配置外置、分层结构，这对已经在做后端服务的人更顺手，也更容易把大模型能力接进现有系统。

模型接入层面，资料覆盖了云端 API 与本地部署两种模式：Ollama 负责本地大模型运行，One-API 做统一网关，FastGPT 承担本地知识库的搭建。这组组合的意义在于，你可以先用云端模型验证链路，再把模型换成本地部署，观察同一套业务代码在推理质量、响应延迟、成本上的差异。

RAG 链路拆解与可复用模块

RAG 不是单一功能，而是一条链路：文档加载、文本切分、向量化、向量存储、相似度检索、上下文拼接、提示词组装、模型生成。这门课的价值在于它把这条链路的每一段都放在了具体场景里跑，而不是抽象地讲概念。SQL 智能助手那部分对应的是「结构化数据 + 自然语言转查询」，RAG 智能问答对应的是「非结构化文档 + 语义检索」。

从复用角度看，几个模块值得单独拎出来：

• 提示词模板设计——如何把检索结果、系统指令、用户问题拼成稳定可控的 prompt，这部分直接决定输出质量。
• 向量检索与知识库网关——One-API 和 FastGPT 的接入方式，决定了你后续换向量库或换模型时改动量有多大。
• 模型调用抽象层——LangChain4j 与 Spring AI 各自如何封装模型调用，对比之后能看出哪套抽象更适合你的项目结构。
• 本地大模型部署——Ollama 的配置与调用，适合在内网或数据敏感场景下替换云端方案。

面向自学的使用方式

如果按顺序看，容易陷入「视频看完但代码没跑」的状态。更有效的做法是：先跑通第一个 LangChain4j Demo，确认模型能调通；然后跳到 Ollama 或 One-API 部分，把模型接入方式换成自己能用的；再回到 RAG 问答实战，逐段替换检索、切分、提示词参数，观察输出变化。SQL 智能助手适合作为对照实验，理解结构化与非结构化场景在 prompt 和检索策略上的差别。

这套资料对读者的前置要求是：能读懂 Spring Boot 项目结构，会用 Maven 或 Gradle 管理依赖，对 REST 调用和配置项有基本概念。不需要事先懂 RAG，但需要愿意自己动手改配置、看日志、调参数。

适合的实践场景

它指向的落地场景比较清晰：企业内部知识库问答、数据库自然语言查询、私有化部署的模型接入。这些场景的共同点是数据不能随便出内网，或者需要把模型能力嵌进已有 Java 服务。资料里给出的本地知识库网关和本地模型部署方案，正好对应这类需求。

把它当作一份对照实践的参考，而不是一次性看完的视频合集。每个模块单独跑通、单独改一版，比从头看到尾更能积累可迁移的工程经验。