Spring AI
Spring AI致力于通过简洁且统一的API接口，帮助开发者快速接入主流AI服务（如OpenAI、Azure OpenAI等），实现聊天对话、文本嵌入等基础AI功能。其设计理念是降低集成门槛，提升开发效率。
LangChain4j
LangChain4j是Java生态中专注于智能Agent、多步骤推理和自定义AI工作流 的开源框架。它提供链式调用、Agent管理、记忆存储、工具集成等高级功能，适合构建复杂智能应用。
目前大模型应用开发最常见的框架就是 LangChain，然而 LangChain 是基于 Python 语言，虽然有 LangChain4j，但是对于大量使用 Spring 生态的应用来说，适配性就稍微差了些。
而 Spring 公司推出的 SpringAI 框架，充分利用了 Spring 框架中 AOP、IOC 的能力，可以与现有的 Java 项目无缝融合，非常方便。
当然，SpringAI 要求的 JDK 版本至少是 JDK17，SpringBoot 也必须是 3.x 的版本才可以，所以如果想要使用 SpringAI，必须先升级 JDK 和 SpringAI 版本才行。
View DetailsJava: 21
SpringBoot: 3.4.5
LangChain4j: 1.0.1
LLM: (使用在线的百炼(阿里)平台)
embedding模型: text-embedding-v3
chat模型: qwen-plus
PGVector(postgresql版本的向量数据库, 文章最后有相关的docker-compose): 0.8.0-pg17
MCP（Model Context Protocol）是Anthropic推出的一个开放协议，旨在让AI模型能够安全地与外部数据源和工具进行交互。
简单理解：MCP就是AI领域的"USB-C接口"——统一了AI与外部世界连接的 标准。
View Details随着大数据时代的到来，文本分类成为了自然语言处理领域中最重要的任务之一。文本分类可以帮助我们自动将大量文本分为不同的类别，从而加快信息的处理和理解。FastText是Facebook AI Research团队开发的一个高效的文本分类工具，它能够在处理大规模文本数据时快速训练模型。在本篇博客中，我们将介绍FastText模型的原理、优缺点以及如何使用FastText模型来进行文本分类任务。
View DetailsTextCNN是什么
我们之前提到CNN时，通常会认为属于CV领域，是用于解决计算机视觉方向问题的模型，但是在2014年，Yoon Kim针对CNN的输入层做了一些变形，提出了文本分类模型TextCNN。与传统图像的CNN网络相比，TextCNN 在网络结构上没有任何变化(甚至更加简单了)，从图1可以看出TextCNN 其实只有一层卷积，一层max-pooling，最后将输出外接softmax来n分类。
#基础篇 LLM01-作为普通程序员，我们该如何学习大模型（LLM），学习路线和知识体系 LLM02-一文讲清楚，AI、AGI、AIGC与AIGC、NLP、LLM，ChatGPT等概念 LLM03-大模型提示工程（Prompt）（上篇），掌握Prompt原理与技巧，提高AI生成内容质量 LLM04-大模型提示工程（Prompt）（下篇），思维链和思维树的进阶 LLM05-大模型提示工程（Prompt），让LLM自己优化提示词 LLM07-OpenAI的API调用之初探，python调用GPT-API（交互式，支持多轮对话） 大模型08-大模型提示工程（Prompt）,Prompt 攻击和防范、内容审核、用prompt调优prompt #进阶篇 LLM06-大模型之带你了解plugins、GPTs的前生今世，GPT-4 turbo何以让众多创业者一夜无眠，及主要应用：RAG、Agent LLM09-大模型应用开发之业务架构和技术架构（从AI Embedded 到 Copilot,再到Agent） LLM10-用Function Calling 连接大模型和业务，用自然语言连接系统的认知 #高阶应用 LLM13-1 大模型应用RAG系列（一）之初识RAG，了解其核心知识及未来发展趋势 LLM13-2 大模型应用RAG系列（二）之RAG与Fine-Tune的区别，应用场景 LLM13-3 # 大模型应用RAG系列3-1从0搭建一个RAG：做好文档切分
View Details用的Apache PDFBox库 读：
|
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 |
import java.io.File; import java.io.IOException; import org.apache.pdfbox.pdmodel.PDDocument; import org.apache.pdfbox.text.PDFTextStripper; public class PDFReader { public static void main(String[] args) { try { // 加载PDF文件 File file = new File("example.pdf"); PDDocument document = PDDocument.load(file); // 创建PDFTextStripper对象 PDFTextStripper pdfStripper = new PDFTextStripper(); // 从第一页到最后一页提取文本内容 for (int i = 1; i <= document.getNumberOfPages(); i++) { pdfStripper.setStartPage(i); pdfStripper.setEndPage(i); String text = pdfStripper.getText(document); System.out.println("Page " + i + ":"); System.out.println(text); } // 关闭PDF文档 document.close(); } catch (IOException e) { e.printStackTrace(); } } } |
写：
|
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 |
import java.io.IOException; import org.apache.pdfbox.pdmodel.PDDocument; import org.apache.pdfbox.pdmodel.PDPage; import org.apache.pdfbox.pdmodel.PDPageContentStream; import org.apache.pdfbox.pdmodel.font.PDType1Font; public class PDFGenerator { public static void main(String[] args) { try { // 创建文档对象 PDDocument document = new PDDocument(); // 创建页面 PDPage page = new PDPage(); // 将页面添加到文档 document.addPage(page); // 创建内容流以便向页面添加内容 PDPageContentStream contentStream = new PDPageContentStream(document, page); // 设置字体和字体大小 contentStream.setFont(PDType1Font.HELVETICA, 12); // 在页面上写入文本 contentStream.beginText(); contentStream.newLineAtOffset(100, 700); contentStream.showText("Hello, World!"); contentStream.endText(); // 关闭内容流 contentStream.close(); // 保存文档 document.save("GeneratedPDF.pdf"); // 关闭文档 document.close(); System.out.println("PDF文件已生成成功！"); } catch (IOException e) { e.printStackTrace(); } } } |
View Details
摘要： 不知道自己应该选用那个AI框架和库？看看本文就行了，本文为AI开发的工程师们梳理了现在最流行的框架，并简单的分析了它们的优缺点。 人工智能已经存在很长时间，然而，由于这一领域的巨大发展，近年来它已成为一个流行语。人工智能曾经被称为一个书呆子和天才领域，但由于各种库和框架的发展，它已成为一个友好的IT领域，更多的人开始了他们的人工智能之旅。 在这篇文章中，我们将研究人工智能的高质量库的优点和缺点，以及它们的一些特点。 1. TensorFlow “使用数据流图计算进行机器学习” 语言：C ++或Python。 当你进入AI时，你会听到的第一个框架之一就是Google的TensorFlow。TensorFlow是一个使用数据流图进行数值计算的开源框架。这个框架被称为具有允许在任何CPU或GPU上进行计算的架构，无论是台式机，服务器还是移动设备，另外这个框架在Python编程语言中是可用的，这也是Python大火的原因。 TensorFlow是通过称为节点的数据层进行排序，并根据获得的信息做出决定。 优点： 使用易于学习的语言（Python）。 使用计算图抽象。 可以使用可视化的TensorBoard。 缺点： 它很慢，因为Python不是编程语言中最快的。 缺乏许多预先训练的模型。 不完全开源。 2.CNTK “开源深度学习工具包”。 语言：C ++。 我们可以称之为它是微软对Google的TensorFlow的回应。 微软的CNTK是一个增强分离计算网络模块化和维护的库，它提供了学习算法和模型描述。在需要大量服务器进行操作的情况下，CNTK可以同时利用多台服务器。 据说它的功能与Google的TensorFlow相近，但是，它更快，在这里了解更多。 优点： 非常灵活。 允许分布式培训。 支持C ++，C＃，Java和Python。 缺点： 它以一种新的语言——Network Description Language（NDL）来实现。 缺乏可视化。 3. Theano “数值计算库” 语言：Python。 Theano是TensorFlow的强有力竞争者，它是一个功能强大的Python库，允许以高效率的方式进行多维数组的数值操作。 该库透明地使用GPU来执行数据密集型计算而不是CPU，因此操作效率很高。出于这个原因，Theano已经被用于为大规模的计算密集型操作长达十年的时间。然而，于二零一七年九月， Theano的1.0版本停止。 但这并不意味着它不再是一个强大的图书馆，你仍然可以随时进行深入的学习研究。 优点： 优化CPU和GPU。 有效的计算任务。 缺点： 与其他库相比，原生Theano有点低级。 需要与其他库一起使用以获得高度的抽象。 AWS使用它上有点bug。 4. Caffe “快速，开放的深度学习框架” 语言：C ++。 Caffe是一个强大的深度学习框架，像这个清单上的其他框架一样，深度学习的研究速度非常快。 借助Caffe，你可以非常轻松地构建用于图像分类的卷积神经网络（CNN）。Caffe在GPU上运行的也很不错，这有助于在运行期间提高速度。 Caffe主类： 优点： Python和MATLAB都可用。 表现的很好。 无需编写代码即可进行模型的训练。 缺点： 对于RNN网络不太友好。 对于新体系结构不太友好。 5. Keras “为人类普及深度学习” 语言：Python。 Keras是一个用Python编写的开源的神经网络库。与TensorFlow，CNTK和Theano不同，Keras并不意味着是一个端到端的机器学习框架。 相反，它作为一个接口，提供了一个高层次的抽象，这使得神经网络的配置变得简单，无论它坐在哪个框架上。 谷歌的TensorFlow目前支持Keras作为后端，而微软的CNTK也会在很短的时间内做到这一点。 优点： 它对用户非常友好。 它很容易扩展。 在CPU和GPU上无缝运行。 与Theano和TensorFlow无缝工作。 缺点： 不能有效地用作独立的框架。 6.Torch “一个开源的机器学习库” 语言：C. Torch是一个用于科学和数字操作的开源机器学习库。 这是一个基于Lua编程语言的库而不是Python。 它通过提供大量的算法，使得深度学习研究更容易，并且提高了效率和速度。它有一个强大的N维数组，这有助于切片和索引等操作。它还提供了线性代数程序和神经网络模型。 优点： 非常灵活。 高水平的速度和效率。 大量的预训练模型可用。 […]
View Details