把 ChatGPT 从玩具变成生产力的关键一步

很多开发者都有一个误区：觉得会搜问题就是会用 AI。但这门课要解决的问题很明确——你停留在“对话”层面，却没真正把它嵌入到代码库里。你会发现，ChatGPT 能给你生成片段，但难以直接支撑一个稳定运行的模块；你能问出答案，却经常因为 Prompt 写得不准确而收到一堆废话。这门课专门填补这个能力缺口：从纯粹的聊天应用，转向通过 API 将 AI 能力集成进 Java 项目的实战路径。

适合基础是：你有 Java 开发背景，熟悉基本的 HTTP 请求概念，对 Spring 或常见的 REST 调用有了解，但不需要对大模型原理有深厚研究。如果你已经能熟练写出一个调用第三方接口的工具类，那这里就是最适合你的切入点。

建议先看前几节建立场景感，再直接切入核心。前几节讲的是思维转变，告诉你为什么需要把 AI 当作工具人，以及怎么找身边能提效的场景。这部分虽然不长，但能帮你快速对齐思路，避免后面写代码时方向跑偏。接着进入提示词工程章节，掌握结构化提问模板，这一步是后续集成 API 的基础——如果不会引导 AI 回答，API 调用只会得到一堆不可控的垃圾数据。

从 Prompt 到 Java 集成的完整闭环

课程的核心价值在于后半段的 API 实战。这里不再是泛泛而谈，而是直接带你用 Java 代码去调用 ChatGPT 接口。你需要学会如何处理 Token 计费，如何用 jtokkit 拆分文本，如何构建一个流式响应的客户端，甚至是如何实现 Function Calling 这样的进阶功能。这些内容在通用教程里往往一笔带过，但这门课给出了完整的代码结构和可运行的 Demo。

学完后，你应该能独立做到：在 Java 项目中封装一套 ChatGPT 调用工具类，支持文本生成、流式输出和函数调用；能够设计合理的 Prompt 模板来保证输出格式稳定；并且知道如何对输出结果做基础审核与风险控制。这才是真正的“集成”，而不是仅在浏览器里聊天。

资料包里会提供配套的 Java 工程代码和依赖说明。练习时不要只看视频，务必亲手搭建一次 HTTP 客户端，体验 Token 切割的实际效果，以及流式输出在控制台的表现。特别是 Function Call 那节，建议自己模拟一个查询天气或执行命令的场景，把 AI 的输出转化为真实的方法调用。只有跑通这些实战环节，你才算真正掌握了让 AI 成为开发者效率杠杆的核心技能。

课程目录

第1章 GPT来了，找个场景集成AI的能力 试看 3 节 | 26分钟
1-1 让AI成为你的工具人，为你的项目开发提效赋能 (09:32)
1-2 每个人都需要学会使用AI (08:51)
1-3 寻找身边ChatGPT的应用场景 (07:30)
第2章 使用AI，掌握“提问”的秘诀 13 节 | 111分钟
2-1 初识ChatGPT (06:47)
2-2 ChatGPT能力介绍 (10:10)
2-3 让我们用上ChatGPT (10:43)
2-4 用上ChatGPT
2-5 向ChatGPT提问的秘诀 (10:26)
2-6 提示技巧工程完全指南
2-7 初探Prompt工程 (10:59)
2-8 抽象一个Prompt模板 (12:18)
2-9 必须要知道的Prompt小技巧 (11:36)
2-10 ChatGPT，不止是文本输出 (11:07)
2-11 Prompt模板优化 (14:31)
2-12 ChatGPT也不是万能的 (08:21)
2-13 本章小结 (03:13)
第3章 进阶AI，集成API激发潜能 13 节 | 101分钟
3-1 ChatGPT API，让集成AI成为可能 (09:42)
3-2 API使用之从认识模型开始 (07:55)
3-3 ChatGPT Plus & API充值
3-4 API使用之学习接口调用 (14:29)
3-5 实战：jtokkit拆分Tokens (08:23)
3-6 实战：Java GPT API Client (08:52)
3-7 实战：Java GPT Stream Client (04:22)
3-8 实战：GPT新能力之Function Call (10:27)
3-9 实战：快速实现一个聊天机器人 (07:46)
3-10 扩展：对GPT输出文本进行审核 (09:56)
3-11 扩展：利用GPT进行语句的情感分析 (07:02)
3-12 扩展：利用GPT实现音频转文本 (06:51)
3-13 本章小结 (04:43)
第4章 容器化，实现用户开发环境隔离 18 节 | 134分钟
4-1 给GPT的落地找个场景 (09:55)
4-2 企业级数据开发平台介绍 (06:14)
4-3 容器化技术：Docker (08:30)
4-4 Docker安装
4-5 Docker镜像管理 (09:08)
4-6 Docker镜像分层 (06:23)
4-7 Docker应用建议 (08:46)
4-8 K8s：Docker编排工具 (08:34)
4-9 Rancher安装 (09:01)
4-10 K8S集群部署
4-11 Rancher部署K8s集群 (05:27)
4-12 通过Rancher启动容器 (09:38)
4-13 镜像仓库介绍 (06:55)
4-14 私有镜像仓库Harbor (04:47)
4-15 Harbor部署 (10:55)
4-16 Harbor API实战 (10:37)
4-17 K8S API实战 (13:32)
4-18 本章小结 (05:07)
第5章 项目开发，企业级数据开发平台 16 节 | 160分钟
5-1 企业级数据开发平台架构设计 (08:05)
5-2 JGIT实现用户脚本管理 (07:38)
5-3 开发平台任务执行服务设计 (17:28)
5-4 Shell执行引擎模块开发 (12:45)
5-5 技术储备：Py4j介绍 (10:26)
5-6 Python执行引擎模块开发 (12:57)
5-7 Presto执行引擎模块开发 (11:58)
5-8 任务分发服务开发 (12:42)
5-9 任务执行流程测试 (12:03)
5-10 图表可视化模块 (10:18)
5-11 前端页面开发 (11:25)
5-12 大数据扩展：Hive执行引擎模块开发 (05:18)
5-13 大数据扩展：Python引擎执行Spark任务 (04:17)
5-14 执行服务Dockerfile打包镜像 (08:36)
5-15 任务执行镜像管理模块开发 (09:14)
5-16 本章小结 (04:03)
第6章 AI集成，智能开发平台能力演练 13 节 | 121分钟
6-1 集成ChatGPT之基础会话服务 (14:55)
6-2 自定义Prompt构建AI助手 (04:54)
6-3 让ChatGPT为运行报错提供解决方案 (06:25)
6-4 让ChatGPT为你编写SQL (14:30)
6-5 代码生成及测试 (09:15)
6-6 图表生成及测试 (12:05)
6-7 快速开发之Shell操作HDFS (06:35)
6-8 快速开发之Python监听Hadoop JMX信息 (05:32)
6-9 快速开发之Spark数据导入 (14:25)
6-10 快速开发之数据分析维度推荐 (05:44)
6-11 数据分析概念介绍 (09:33)
6-12 快速开发之自然语言配置图表 (10:39)
6-13 本章小结 (06:22)
第7章 扩展：更多的AI应用和私有大模型 9 节 | 74分钟
7-1 AI现象级应用之ChatPDF (06:24)
7-2 AI现象级应用之Midjourney (10:01)
7-3 常用工具的AI插件介绍 (04:49)
7-4 将ChatGPT集成到你的微信 (06:11)
7-5 AI模型社区HuggingFace (06:06)
7-6 通过ChatGLM6B部署私有大模型 (10:29)
7-7 企业知识库方案介绍 (12:04)
7-8 AI应用之企业知识库 (10:34)
7-9 课程小结 (07:02)