专注低代码平台、工作流引擎、AI智能体研发

摘要： 我们在上一遍文章中介绍了如何通过 LangChain实现开发自定义MCP Server，并langgraph.prebuilt 提供的预定义代理（Agent）模板+DeepSeek实现了MCP Client的调用。 本文在上一篇文章基础上继续深化，介绍基于 LangChain +DeepSeek如何实现实现多个MCP调用。首先自定义了两个MCP Server，其中：一个是算术计算器MCP Server，并通过sdtio传输协议发布，另一个是天气预报MCP Server，通过sse传输协议发布。然后实现一个MCP Client，使用langgraph.prebuilt的create_react_agent代理模板，并调用DeepSeek大模型完成整个 MCP 调用流程，同时给出来整个示例的 Python 代码。 阅读全文

摘要： 本文介绍了如何通过 LangChain 实现 MCP 调用。通过模拟一个简单的算术计算器，基于 MCP Server 运行，并使用 MCP Client 进行调用。最终，通过集成 DeepSeek 大模型完成整个 MCP 调用流程，同时提供了 Python 示例代码以供参考。 阅读全文

摘要： 本文介绍如何使用AI开源框架 LangGraph，集成调用DeepSeek大模型，实现AI对话功能，并给出Python示例代码。 阅读全文

摘要： 本文介绍如何使用AI开源框架 LangChain，集成调用DeepSeek大模型，实现AI对话功能，并给出Python示例代码。一、LangChain是什么LangChain：LangChain 是一个用于开发由大型语言模型 （LLM） 提供支持的应用程序的框架。LangChain 为大型语言模型和 阅读全文

摘要： 本文将详细介绍如何基于Java语言，使用Langchain4j开源框架、Milvus向量数据、阿里Qwen大模型，开发一个RAG入门级简单示例。本示例虽然简单，但涉及到多个知识点，包括：Milvus初始化、Embedding模型、文档切片、Springboot集成Langchain4j、Langchain4j调用Qwen大模型等。 阅读全文

摘要： LangChain4j 是一款专为 Java 开发者设计的框架，旨在简化与 LLM 的集成过程，使开发者能够更加专注于业务逻辑而非底层的技术细节。LangChain4j 是 LangChain 的一个 Java 封装器，它将 LangChain 应用于 Java 环境中，利用 Java 强大的功能和丰富的库来处理数据，并提供了与多种流行的大语言模型无缝对接的能力。通过 LangChain4j，Java 开发者可以轻松地将最先进的 AI 技术融入到他们的应用程序中。 关于如何集成 AI 大模型到现有的 Java 应用程序中，LangChain4j 提供了两种主要的方法：一种是直接调用每种大模型提供的 API 接口，这种方式需要开发者熟悉不同模型的具体接口规范，并根据需求编写相应的代码来实现交互；另一种则是通过 Spring Boot 的自动装配机制，利用 LangChain4j 提供的 starter 依赖，自动化配置所需的组件和服务，极大地减少了手动设置的工作量 。在这篇文章中，我们将重点介绍 LangChain4j对接AI大模型的两种方式。 阅读全文

摘要： Milvus 是一款开源向量数据库，专为支持大规模向量检索而设计，特别适用于大模型领域中的应用。本文详细介绍如何利用 Spring Boot 框架集成 Milvus 向量数据库，并通过调用阿里云百炼大模型服务平台所提供的 Embedding服务，实现数据的向量化存储与高效检索。此过程不仅验证了 Milvus 向量数据库的基本能力，还展示了其与先进 AI 服务无缝对接的灵活性。 阅读全文

摘要： Milvus是一款开源向量数据库，主要用于在大模型领域做向量查询的相关操作。milvus支持的语言比较多，支持python, Java, Go,node等开发语言。本文主要介绍如何使用Java语言，采用springboot框架集成和调用Milvus数据库。 本文使用Java sdk操作Milvus实现数据的增删改查，需要先对milvus的基本概念有个初步的了解，便于对后面代码的更好理解。 阅读全文

摘要： Milvus 是一个高性能、高度可扩展的矢量数据库，可在从笔记本电脑到大规模分布式系统的各种环境中高效运行。Milvus 提供强大的数据建模功能，使您能够将非结构化或多模态数据组织成结构化集合。Milvus是Apache 2.0许可分发的开源项目。 Milvus Standalone 是单机服务器部署，所有组件都捆绑到一个 Docker 镜像中，部署方便。本文介绍如何在苹果笔记本电脑上安装Milvus向量数据库。 阅读全文

摘要： Spring AI 是一个强大的框架，它使得开发者能够轻松地将 AI 功能集成到 Spring Boot 应用程序中。本文将通过一个简单的示例，展示如何使用 Spring AI 集成Ollama 并调用本地私有化部署的DeepSeek大模型，实现跟deepseek简单的聊天对话功能。 阅读全文

摘要： 在数字化转型的浪潮下，传统业务流程（如通知公告管理、文档处理等）仍依赖人工操作，面临效率低、成本高、易出错等问题。以企业通知公告为例，从内容撰写、摘要提炼到信息分发，需耗费大量人力与时间，且存在格式不规范、信息遗漏等风险。随着市场竞争加剧和业务规模扩大，传统模式已难以满足企业对高效、精准、灵活的业务需求。 通过引入AI大模型，企业可实现以下核心价值： 自动化内容生成：基于模板与自然语言处理（NLP）技术，快速生成标准化通知公告，减少人工干预（如示例中的“劳动节放假通知”）。 智能摘要提取：利用大模型自动提炼文本核心信息，提升信息处理效率与准确性。 多模态交互：集成语音阅读（TTS）功能，增强信息可访问性，适配移动办公场景。 标准化与合规性：通过预设规则确保输出内容符合企业规范，降低人为错误风险。 资源优化：释放人力投入高附加值工作，推动业务创新与组织效能提升。 下面以通知公告应用为例，介绍如何使用AI大模型赋能传统业务，提升业务效率。 阅读全文

摘要： 如今，随着 AI 大模型技术的发展，结合 RAG（检索增强生成） 和 MCP（模型上下文协议），企业知识查询变得前所未有的高效与便捷。员工只需像询问“公司的请假流程是什么样的？”、“我这个月迟到了几次？”这样的问题，大模型即可直接返回准确、结构化的答案。 本文将介绍如何基于 RAG + MCP 技术架构，快速构建一个面向企业的智能问答助手——“企文小智”。其中包括主要功能为： （1）RAG 负责从本地知识库中增强检索，如各类制度文件、政策文档等非结构化数据。 （2）MCP 实现业务系统中的动态数据查询，例如考勤记录、资产状态等结构化信息。 阅读全文

摘要： 本文介绍了如何使用低代码开发平台+AI智能体，快速开发一个考试管理系统，考试系统包括题库管理、试卷管理、考试管理等核心模块，主要实现功能是：调用AI大模型自动生成题库，基于题库生成考试试券，以及通过AI大模型快速阅卷判分。 本示例突出两个方面的重点，一是如何使用低代码平台快速开发一个考试系统；二是如何使用AI大模型能力解决传统考试系统人工出题难度大、人工阅卷费时的问题。通过低代码技术实现可视化开发快速搭建系统，通过AI人工智能实现秒级出题和判券，真正实现利用AI大模型提升生产效率。 阅读全文

摘要： 本文介绍基于Spring AI如何实现MCP开发和调用。首先自定义了两个MCP Server，其中：一个是算术计算器MCP Server，并通过sdtio传输协议发布，另一个是天气预报MCP Server，通过sse传输协议发布。然后实现一个MCP Client，并调用阿里云qwen大模型完成整个 MCP 调用流程，并给出来整个示例的Java代码。 阅读全文

摘要： 在 AI 智能体开发的过程中，RAG（Retrieval-Augmented Generation） 和 功能调用（Function Calling） 已经成为两种至关重要的模式。RAG 通过结合检索技术和生成模型的强大能力，使智能体能够实时从外部数据源获取信息，并在生成过程中增强其知识深度和推理能力。Function Calling模式为智能体提供了调用外部工具的能力，极大地扩展了其应用范围。智能体可以通过调用外部工具（如数据库操作、业务规则执行、算法工具调用等），完成更为复杂的任务和操作。这种灵活性使得智能体在各种实际场景中都能表现得更为高效和精确。本文将介绍使用Spring AI 开源框架，验证AI大模型如何调用外部函数。 阅读全文

摘要： 通过本文的详细讲解和实践示例，我们成功展示了如何使用Spring AI、Milvus 和 Spring AI Alibaba 开源框架，搭建并验证一个基于AI大模型的本地知识库系统，并实现了完整的检索增强生成（RAG）流程。 阅读全文

摘要： 本文介绍了低代码开发平台/零代码平台的定义、区别、发展趋势和选型要求，并列举了5个好用的国产化信创低代码开发平台，包括：云程低代码平台、得帆低代码平台、奥哲云枢低代码平台、泛微低代码平台、简道云零代码平台等。用户如何选择适合自己的开源低代码平台，需要根据具体项目需求和场景进行评估和比较。 阅读全文

摘要： 在Spring AI框架中，提供了文本语音转换Text-To-Speech（TTS）的API接口，并为OpenAI的Speech API提供了支持。当实现其他语音提供程序时，将提取一个通用的SpeechModel和StreamingSpeechModel接口。 本文使用国内阿里巴巴百炼人工智能平台的文本转换语音（Text-To-Speech）服务，并基于Spring AI Alibaba开源AI框架，开发一个文本转语音的验证程序。 阅读全文

摘要： 本文通过一个hello world简单示例演示，如何基于Spring Boot集成Spring AI开源框架，快速集成调用阿里云的百炼大模型AI服务，验证AI大模型“文生图”的功能。在Spring AI框架中，文生图（Text-to-Image）功能允许开发者通过文本描述自动生成图像。这一特性依赖于预训练的生成模型，这些模型能够根据给定的文本提示创建视觉内容。为了实现这一目标，Spring AI提供了相应的接口和类来简化与这些模型的交互过程。 阅读全文

摘要： 本文重点介绍Prompt提示词和PromptTemplate提示词模板，在Spring AI框架里，Prompt类的设计旨在简化与LLM之间的交互过程，同时提供了足够的灵活性来满足不同类型的对话需求。通过合理利用Prompt及其内部的消息结构，开发者可以有效地引导LLM生成高质量的回答，提升用户体验。 阅读全文