FightingITPanda的博客

本文介绍了RAG（检索增强生成）技术如何解决AI大模型的三大痛点：幻觉率高、数据延迟和缺乏内部数据。RAG通过外挂向量库知识库，先检索相关文档再生成回答，提高准确性。实战部分演示了使用SpringAI配置向量模型和创建简易向量库的步骤，包括初始化知识库、整合到ChatClient和实际应用。文章最后指出RAG技术的核心在于向量化存储和检索机制，为后续深入学习向量数据库原理奠定了基础。（149字）

摘要： Spring AI 提供了一种将大模型与本地项目结合的方案，通过定义工具类（Tool）并利用 Function Calling 机制实现。开发者只需继承 FunctionTool，使用 @Tool 和 @ToolParam 注解标记方法与参数，并通过 ChatClient 将会话请求传递给大模型。示例展示了如何调用本地工具（如查询食物、音乐等），并整合大模型的推理能力优化输出。注意：阿里云百炼大模型暂不支持流式输出，需适配返回字符串格式。

摘要：本文介绍了如何通过Spring AI快速接入阿里百炼大模型平台。相比本地部署模型响应慢的问题，使用阿里云大模型服务能获得更流畅的体验。主要内容包括：1）申请API Key；2）添加OpenAI规范的Spring Boot Starter依赖；3）配置YAML文件（需替换API Key并指定模型为qwen-max-latest）；4）创建ChatClient调用模型。通过简单的配置修改即可实现从本地模型到云服务的切换，且无需改动Controller代码即可获得更优质的对话体验。文中还预告了后续将介绍如何

摘要 本文介绍了使用Spring AI与本地部署的DeepSeek R1模型构建AI对话系统的实践方法。通过三步实现：1) 引入Spring AI相关依赖；2) 配置Ollama连接参数；3) 开发应用接口。文章详细说明了Java 17环境配置、模型参数设置、流式输出接口开发，并提供了模仿DeepSeek界面的HTML聊天窗口源码。最终实现了本地运行的AI对话功能，模型响应效果截图展示了实际运行效果。

摘要： 本地部署DeepSeek-R1大模型只需3步： 安装Ollama：从官网下载工具，支持自定义安装路径（需通过命令行参数指定）。 下载DeepSeek-R1模型：在Ollama的Models页面选择1.5b版本，通过命令行ollama run deepseek-r1:1.5b下载。 配置ChatBox：安装图形界面工具，关联Ollama后即可调用模型对话。 贴士：通过环境变量OLLAMA_MODELS可修改模型存储路径，避免占用C盘空间。整个过程简单高效，适合本地体验大模型。（字数：149）