很多人学大模型应用开发，卡住的地方其实很具体：调通一个聊天接口不难，难的是让模型在真实业务里可靠地干活。单轮问答能跑，一旦要它查数据库、调工具、记住上下文、连续完成多步任务，问题就全冒出来了。这门课解决的正是这段落差——从"会调 API"到"能交付一个能用的智能应用"之间的能力缺口。它围绕 Agent、MCP、RAG、Skill 和 Spring AI 这几块展开，主线是让一个 Java 后端工程师能把大模型能力嵌进自己熟悉的技术栈里，而不是丢开现有工程经验去从零学一套陌生生态。下面按能力缺口拆开讲，你可以对照自己的情况判断该重点看哪几块。
这门课要解决的问题：单次调用撑不起真实业务
把大模型接进系统，最开始的写法通常是拼一段 Prompt，把结果解析出来就完事。这种做法在演示阶段没问题，进了生产就暴露三个毛病。第一是不知道模型下一步要干什么，只能靠死板的流程去猜；第二是模型记不住之前发生的事，每次对话都像第一次见面；第三是外部数据进不来，模型只能靠训练时的旧知识硬答。Agent 这一块就是为了让模型自己决定"要不要调工具、调哪个、调完怎么接着走"，而不是由你写死每一步。多智能体、持久化记忆、Human in the Loop 这些内容，处理的都是流程变复杂之后的可控性问题。
另一类麻烦出在知识和能力上。RAG 解决的是外部知识进不来的问题，让模型回答时有真实资料可依据；Skill 解决的是"某类任务的固定套路"怎么沉淀下来复用，而不是每次都重新写一遍提示词。这两块和 Agent 不是并列关系，而是互相配合：Agent 负责调度，RAG 负责供给事实，Skill 负责把成熟的做法固化。课程里把它们放在一起讲，正是因为单独看每一块都懂，合到一起就容易乱。你要带着一个具体问题去看——我手上这个场景，到底该用检索补齐知识，还是该用工具去执行动作，还是两者都要。
适合什么基础：能写 Java、懂 HTTP、被 Prompt 坑过
这门课对 Spring 生态是有要求的。会写 Spring Boot 的 Controller、Service，知道依赖注入和配置怎么读，看 Spring AI 相关的部分才不会卡在框架层面。如果你连 Spring 的基本用法都不熟，建议先补这一块再回来。同时你得真的调过一次大模型的接口，理解 API Key、请求结构、流式返回这些概念，否则提示词工程那部分会显得很虚。课程从代码介绍和应用启动讲起，说明它默认你已经具备跑通一个 Java 工程的能力。
但反过来说，你不需要先成为提示词专家。提示词工程那几节从什么是 Prompt 讲起，一路到结构化框架、优化方法、评测手段，走的是把经验变成可复用方法的路线。真正需要的是你被 Prompt 坑过：明明写得挺清楚，模型就是不稳定；换个说法结果又变了。带着这种困惑去看评测方法和结构化框架，才看得出为什么值得花时间。如果你只是想把接口调通，那提示词和 Agent 这些内容对你偏重，可以先挑项目实战部分找找感觉，再回头补基础块。
建议先看哪几块：按缺口而非按顺序
如果你完全不熟悉这门课的组织方式，先看代码结构和应用如何启动，把工程跑起来，再回到自己缺的那一块。想搞清楚"Agent 到底怎么自己做事"的，直接进 Agent 部分，从什么是 AI Agent 开始，然后跟手搓 ReActAgent 那几节，自己写一遍比看十遍讲解有用。手搓完再去看持久化记忆和 Human in the Loop，你会明白为什么需要这些机制。想用框架少写代码的，可以对照 Spring AI Alibaba 的多智能体支持，看它帮你封装了哪些东西。
关心怎么把模型接进现有 Java 服务的，Skill 和 Spring AI 的关系那几节是重点，它讲的是 Skill 在 Spring AI 里怎么落地，分 Agent 和 ChatClient 两种用法。要往业务场景走的，提示词工程里的评测方法和结构化框架先过一遍，再进项目实战。项目实战从需求分析讲到整体架构、流式控制和任务管理，是检验你前面几块是否真懂的地方。顺序不是死的，关键是每看一块都对着自己的缺口：我是在补知识、补工具调用能力，还是补工程落地能力。
学完能独立做什么：交付而非演示
学扎实之后，你应该能独立设计一个带工具的智能体流程，让它自己决定调用什么、怎么处理返回结果，而不是你写一串 if-else 把每步都固定死。遇到需要多角色协作或长时间运行的任务，你知道该用多智能体还是单智能体加记忆，知道什么时候该把控制权交回给人，也就是 Human in the Loop 该加在哪。这些判断不是背出来的，是前面手搓和调试积累出来的手感。同时你能给 Agent 加上持久化记忆，让它跨会话记住该记的信息，而不是每次都从空白开始。
在知识和能力复用上，你应该能判断一个需求该用 RAG 还是该做成 Skill：需要实时事实的走检索，需要固定处理流程的沉淀成 Skill。用 Spring AI 落地时，你能把大模型能力接进现有的服务和接口，处理好流式输出和任务状态的衔接。项目实战里的架构思路，可以迁移到你自己手上的场景，哪怕业务不同，拆解方式也是相通的。检验标准很直接：给你一个模糊的需求，你能不能拆出该由模型负责哪部分、该由代码负责哪部分，然后把它跑起来。
资料怎么配合练习：代码跑起来才算数
这门课的讲解和代码是绑在一起的，光看视频不动手，Agent 那部分基本学不进去。建议每看完一个手搓类型的章节，就把代码关掉自己重写一遍，写不出来再回看，而不是照着敲。提示词工程的部分更适合拿你自己的真实任务去练：把课里的结构化框架套到你在做的场景上，再用评测方法量一量效果有没有变好。没有量化对比，你分不清是提示词改进了还是运气好。RAG 和 Skill 相关的练习，最好准备一份你自己的业务文档或一个重复出现过的任务，用真实数据跑，比用示例数据更有体感。
学完之后可以拿几个问题自查：让你设计一个能自动处理工单的助手，你怎么划 Agent、RAG 和 Skill 的边界？模型答错时，你从哪里判断是检索没召回、工具调错了，还是提示词没约束住？要把它接进现有的 Spring 服务并且支持流式返回，你会怎么改？如果这几个问题你都能说清楚思路并落成代码，这门课该给你的东西基本就到手了。答不上来，就回到对应那块再练一遍——缺什么补什么，别假装什么都会。
课程目录
📁 11.Skill 更多资源分享.txt [64.0 B] 132. 简历评估Skills讲解.mp4 [19.3 MB] 129. 一些好用的Skills推荐.mp4 [18.4 MB] 131. 实战：开发一个简历评估的Skill.mp4 [60.7 MB] 127. 什么是Agent Skills，为什么需要他？.mp4 [37.4 MB] 133. SpringAI中如何使用Skill？（Agent）.mp4 [102.6 MB] 130. Claude Code中如何使用Skills.mp4 [63.7 MB] 128. Skill的渐进式披露.mp4 [10.0 MB] 134. SpringAI中如何使用Skill？（ChatClient）.mp4 [83.7 MB] 📁 3.提示词工程 更多资源分享.txt [64.0 B] 18. 结构化Prompt框架.mp4 [30.8 MB] 19. Prompt评测方法.mp4 [23.4 MB] 17. 高阶Prompt优化方法.mp4 [29.6 MB] 21. 理解 OpenAI API.mp4 [82.8 MB] 16. 如何设计Prompt？.mp4 [78.9 MB] 20. nof1提示词工程案例.mp4 [32.7 MB] 15. 什么是Prompt.mp4 [11.7 MB] 📁 1.代码介绍&应用启动 更多资源分享.txt [64.0 B] 01.课程介绍+如何答疑.mp4 [33.4 MB] 04.代码目录结构&应用如何启动.mp4 [20.8 MB] 02.【重要】课程设计说明.mp4 [29.7 MB] 03.重要说明+如何下载代码.mp4 [17.8 MB] 📁 12.项目实战 更多资源分享.txt [64.0 B] 137. 智能对话：从需求分析到技术落地.mp4 [90.6 MB] 136. 项目运行说明.mp4 [20.3 MB] 138. 流式控制与任务管理.mp4 [33.5 MB] 135. 整体架构与功能点介绍.mp4 [59.3 MB] 📁 9.Agent 更多资源分享.txt [64.0 B] 115. Spring AI Alibaba中的多智能体支持.mp4 [41.5 MB] 108. 如何给Agent增加持久化记忆.mp4 [114.2 MB] 102. 什么是AI Agent？.mp4 [18.7 MB] 122. 实战四：手搓Human in the Loop.mp4 [43.8 MB] 120. 实战二：手搓ReflectionAgent.mp4 [38.8 MB] 117. 实战一：手搓ReactAgent（非流式）.mp4 [45.6 MB] 113. Agent常用架构：Multi Agent.mp4 [45.6 MB] 114. 使用AutoGen 构建一个代码生成器.mp4 [46.3 MB] 106. Alibaba-React Agent 初探.mp4 [89.0 MB] 111. Agent常用架构：Reflection Agent.mp4 [15.7 MB] 116. 多智能体协议——A2A.mp4 [22.2 MB] 104.Agent常用架构：ReAct Agent.mp4 [54.9 MB] 109. 深入理解 Alibaba-React Agent 原理.mp4 [77.5 MB] 105.React Agent的实现方式？.mp4 [79.9 MB] 121. 实战三：手搓PlanExecuteAgent.mp4 [71.0 MB] 119. 实战一（后续）：ReactAgent流式输出有问题？.mp4 [23.8 MB] 112. Agent常用架构：Human in the Loop.mp4 [84.9 MB] 118. 实战一：手搓ReactAgent（流式）.mp4 [50.3 MB] 107. Alibaba-React Agent 核心组件.mp4 [40.7 MB] 110. Agent常用架构：Plan and Execute Agent.mp4 [15.3 MB] 103. 常用的Agent开发框架.mp4 [10.9 MB] 📁 代码 更多资源分享.txt [64.0 B] LLMentor代码.zip [781.7 KB] 📁 4.SpringAl 29. Spring AI 核心特性：流式输出.mp4 [28.8 MB] 23. 基于SSE实现大模型流式输出.mp4 [71.2 MB] 31. Spring AI 核心特性：结构化输出（上）.mp4 [107.8 MB] 27. 开发必备的Spring AI核心概念(下）.mp4 [56.2 MB] 34. Spring AI 核心特性：对话记忆.mp4 [145.6 MB] 35. Spring AI 记忆管理技术：持久化记忆.mp4 [71.5 MB] 33.Spring AI 核心特性：结构化输出（下） 2026-02-11 1168 次学习.mp4 [14.6 MB] 36. Spring AI 核心特性：Advisor.mp4 [60.0 MB] 28. Spring AI 核心特性：提示词工程.mp4 [50.7 MB] 30. Spring AI 核心特性：提示词模板管理.mp4 [52.8 MB] 32.Spring AI 核心特性：结构化输出（中）.mp4 [55.8 MB] 26. 开发必备的Spring AI核心概念(上）.mp4 [79.5 MB] 24. LLM应用开发框架：LangChain.mp4 [25.8 MB] 22. Java中大模型调用的多种方式.mp4 [59.4 MB] 37. Spring AI 核心特性：调用本地模型.mp4 [58.7 MB] 25. 接入Spring AI 与Spring AI Alibaba.mp4 [25.8 MB] 📁 10.上下文工程 125. 什么是上下文工程？.mp4 [22.3 MB] 124. 上下文太长会带来什么问题？.mp4 [26.2 MB] 123. 什么是Context，和Memory、Prompt、Token之间的区别？.mp4 [12.1 MB] 126. 实战：Manus的上下文工程实践.mp4 [47.5 MB] 📁 2.大模型应用开发概述 08. 大模型的工作原理.mp4 [34.1 MB] 13.大模型的局限性以及常见解决方案.mp4 [28.3 MB] 11.百炼介绍与基本使用.mp4 [24.7 MB] 06.行业趋势与岗位需求分析.mp4 [41.5 MB] 14. LLM HelloWorld.mp4 [17.7 MB] 09.Java 在大模型应用开发中的优势.mp4 [8.5 MB] 10.大模型应用开发常用的平台.mp4 [27.8 MB] 12.基于Ollama部署本地模型.mp4 [30.8 MB] 05. Prompt是什么.mp4 [27.4 MB] 07. 什么是大模型.mp4 [17.4 MB] 📁 5.LangChain4J 38. 初识LangChain4j.mp4 [12.9 MB] 43. Spring AI & Spring AI Alibaba & Langchain4j.mp4 [22.8 MB] 41. @AiService实现原理.mp4 [45.6 MB] 39. LangChain4J低层次API使用.mp4 [45.0 MB] 40. LangChain4j高层次API使用.mp4 [33.2 MB] 42. LangChain4j中实现持久化记忆.mp4 [23.7 MB] 📁 6.Function Call 46. 使用Spring AI做Function Call.mp4 [10.2 MB] 45. 如何定义一个好的Function.mp4 [7.2 MB] 47. Spring AI中的Tool Calling怎么实现的.mp4 [25.1 MB] 48. 实战：仿PDD自动帮买家申请退款.mp4 [85.7 MB] 44. 什么是Function Call.mp4 [15.3 MB] 📁 8.RAG 81. RAG优化技术：元数据过滤.mp4 [70.7 MB] 73. 自定义支持父子分片的基于标题的分片器.mp4 [154.1 MB] 75. （选学）PostgresMlEmbeddingModel.mp4 [18.6 MB] 94. LangChain4J中的Modular RAG支持.mp4 [174.6 MB] 78. 索引构建流程（ETL）总结与查缺补漏.mp4 [19.6 MB] 71. 常见文档分片方式.mp4 [48.9 MB] 72.Java中如何实现文档分片.mp4 [164.9 MB] 101. 实战：多模态RAG智能问答系统（下）.mp4 [57.5 MB] 97. 多模态RAG.mp4 [29.5 MB] 89. RAG优化技术：混合检索(下）.mp4 [96.1 MB] 91. RAG优化技术：Graph RAG（上）.mp4 [10.7 MB] 90. RAG优化技术：重排序.mp4 [113.8 MB] 67. RAG的范式演进.mp4 [16.4 MB] 83. RAG优化技术：查询路由.mp4 [34.3 MB] 100. 实战：多模态RAG智能问答系统（中）.mp4 [171.3 MB] 99.实战：多模态RAG智能问答系统（上）.mp4 [82.0 MB] 82. RAG优化技术：问题改写.mp4 [81.6 MB] 86. RAG优化技术：HyDE.mp4 [8.5 MB] 76. 向量数据库如何选型？.mp4 [23.9 MB] 68. 文档预处理（上）.mp4 [36.3 MB] 98. 多模态RAG——对接多模态模型做图像识别.mp4 [71.2 MB] 80. Spring AI 和 LangChain4J中文档处理功能对比.mp4 [18.7 MB] 74. 向量模型&向量数据库&向量存储.mp4 [139.2 MB] 93. Spring AI中的Modular RAG支持.mp4 [121.5 MB] 85. RAG优化技术：问题澄清.mp4 [10.7 MB] 96. Spring AI 和 LangChain4J的模块化RAG功能对比.mp4 [18.0 MB] 65.深入理解RAG技术原理——检索生成.mp4 [20.3 MB] 66. 使用 LlamaIndex 构建一个简单的RAG系统.mp4 [41.2 MB] 79. 检索增强生成.mp4 [212.4 MB] 87. RAG优化技术：混合检索(上）.mp4 [48.3 MB] 64. 深入理解RAG技术原理——索引构建.mp4 [39.9 MB] 69. 文档预处理（中）.mp4 [91.2 MB] 92.RAG优化技术：Graph 92.RAG（下）.mp4 [62.7 MB] 63. 什么是RAG？.mp4 [18.3 MB] 88. RAG优化技术：混合检索(中）.mp4 [63.4 MB] 84. RAG优化技术：查询构造.mp4 [23.9 MB] 95. 基于LangChain4J实现简单的RAG检索.mp4 [84.9 MB] 70. 文档预处理（下）.mp4 [73.8 MB] 77. （选学）如何使用离线向量模型.mp4 [8.2 MB] 📁 7.MCP 60. 如何跳过MCP的模型总结.mp4 [62.2 MB] 59. MCP调试工具.mp4 [16.7 MB] 51. 如何接入MCP Server.mp4 [30.2 MB] 58. 神奇的context-path.mp4 [45.4 MB] 52. 使用Spring AI开发MCP Server.mp4 [44.4 MB] 62. MCP与其他协议的区别.mp4 [8.3 MB] 56. 将MCP改造为HTTPS.mp4 [12.4 MB] 57. MCP如何实现认证鉴权.mp4 [12.5 MB] 49. 什么是MCP.mp4 [42.4 MB] 55. SSE MCP Server如何实现重连.mp4 [45.1 MB] 54. Spring AI MCP调用实现原理.mp4 [27.7 MB] 50. 深入理解MCP技术原理.mp4 [27.4 MB] 61. 如何实现MCP工具过滤.mp4 [37.4 MB] 53. 使用Spring AI开发MCP Client.mp4 [23.4 MB]
