楼兰 - AI大型模型RAG系统实战课程 - Java版

如果你用 Spring Boot 写过接口、接过数据库，但一提到「大模型应用」就只在聊天框里试过 prompt，这门课的定位就很清楚：它补的是「把模型接进 Java 业务系统」这一段。不是教你怎么训练模型，也不要求你会 Python，重点落在 RAG 这一条链路上——检索、拼接、生成，以及用 Java 生态里现成的框架把它跑通。

它假设你已经会什么

课程从 LangChain4j 的第一个应用起步，说明默认你有 Java 基础、能读懂 Maven 依赖和 Spring 配置，知道什么是 REST 接口和 JSON。大模型部分基本从零讲，但不会花篇幅解释「什么是 token」这种概念。真正需要提前准备的，是耐心：RAG 的坑大多不在代码，而在数据怎么切、检索结果怎么拼、拼完的上下文长度怎么控。

核心是这条链路，不是框架 API 清单

内容主线围绕 RAG 展开：先用 Embedding 把文本变成向量，做自然语言搜索，理解「相似度」到底在比什么；再往上是构建企业智能问答系统，也就是把检索到的片段塞进提示词交给模型回答。中间穿插 Huggingface 上各类模型的挑选，以及 SpringAI 的接入体验（比如 SQL 智能助手这类场景）。这些标题看着零散，串起来其实是一条：向量化 → 检索 → 增强生成 → 业务封装。

值得留意的是「使用 Embedding 实现自然语言搜索」和「构建 RAG 企业智能问答系统」这两块，前者决定你检索准不准，后者决定你答得对不对。很多 RAG 效果差，问题就出在这两段的衔接上，而不是模型选得不够大。

配套练习该怎么用

• 先跑通第一个 LangChain4j 应用，确认依赖、密钥、调用链没有环境问题，再谈效果。
• 拿自己手上的一份文档（产品手册、接口文档、内部规范都行）做切分和向量化，对比不同切分粒度下检索结果的差异。
• 把检索到的片段手动拼进提示词，观察「不检索直接问」和「检索后问」的答案差别，这一步最能建立对 RAG 的直觉。
• 尝试用 SpringAI 把问答能力包成一个接口，而不是留在测试类里跑，这更接近真实项目形态。

看完应该能回答的问题

• Embedding 检索出来的「相似」是按什么算的，为什么有时候明明相关却排不到前面？
• RAG 里检索结果的条数和长度怎么定，塞太多上下文会不会让回答更差？
• LangChain4j 和 SpringAI 各自适合什么场景，能不能在同一个项目里混用？
• Huggingface 上模型那么多，做中文问答该按哪些维度筛？
• 一个企业问答系统从能跑到能用，中间还差哪些工程环节？

这门课不承诺你学完就能做出产品，它更像一份可以跟着敲的实战笔记。缺 Java 侧大模型接入经验的人，从头走一遍能省掉不少试错；已经用过 Python 版本 RAG 的人，可以重点看框架差异和工程封装的部分，跳过概念段落。