鱼皮的 AI 指南 - 4、AI 编程技术

⭐️ 推荐观看视频版：https://www.bilibili.com/video/BV1i9Z8YhEja

最后这部分最重要，作为程序员，咱们不光要会用 AI 工具、能利用 AI 开发项目，还要能够自主开发 AI 项目，把 AI 的能力接入到自己的项目中。

有句话说得好：AI 时代，所有的传统业务都值得利用 AI 重塑一遍。

所以现在很多公司都在招能够开发 AI 项目的程序员，这也是我们的机会。那么我们要学习哪些知识和技术，才能成为企业招聘的香饽饽呢？

1、AI 开发框架

首先从技术角度出发，我们要学习主流的 AI 开发框架，比如 Spring AI、LangChain4j 和 LangGraph。

Spring AI 和 LangChain4j 的作用是类似的，都提供了很多现成的方法来帮我们提高开发 AI 应用的效率。比如快速对接大模型、保存会话上下文、对接向量数据库实现 RAG 等等。

区别是 Spring AI 更容易和主流 Java 开发框架 Spring 集成，上手难度较低；而 LangChain4j 更灵活，更适合开发复杂的智能体。比如在开发一个智能文档分析系统时，利用 LangChain4j，智能体能够自动读取文档内容，调用搜索引擎获取相关背景知识，然后根据任务需求，将文档信息与外部知识结合，生成分析报告。

不过我的建议是，二个都要学，先从 Spring AI 学起，再学 LangChain4j 会更简单。

LangGraph 框架会更复杂一些，它用图的结构来组织和管理 AI 相关的工作流，适合构建有状态、多代理的企业级 AI 大项目。打个比方，我们有多个 AI 智能体，分别负责生成文字、生成图片、组合文字和图片，那么 LangGraph 像是负责人，可以安排这些智能体的工作顺序，一起搞大事。

用一个表格来总结这几种技术：

场景	推荐框架	优势
Java 企业应用	Spring AI	无缝集成 Spring 生态
智能体开发	LangChain4j	完整 Agent 工具链
复杂工作流	LangGraph	可视化编排

2、AI 集成

开发 AI 应用的前提是要有大模型，但是大模型要消耗算力才能运行，算力就是金钱，从哪儿搞来大模型呢？

2 种方法，使用 AI 云服务、或者本地部署大模型。

AI 云服务

AI 云服务就是其他企业为我们部署了 AI 大模型，通过 API 接口的方式提供给我们使用，按量计费。

比如阿里云百炼、火山引擎、硅基流动、Open AI 等等。

咱们程序员需要重点掌握的是：

如何通过 API 接入云服务？
如何使用 AI 云服务来创建智能体和配置参数？
如何选择合适的云服务？这就需要关注各家云服务的计费模式和服务质量
如何更低成本、更稳定地使用云服务？这就需要我们学习 Prompt 工程和高可用技术

本地部署大模型

本地部署大模型对于很多企业来说也是刚需，数据无需上传至云端，能够有效保障数据的安全性和隐私性，尤其适用于医疗、金融等对数据安全极为敏感的行业。

本地部署大模型其实并不难，只需要使用 Ollama 工具就可以一键部署各种主流的开源模型。

唉，但部署大模型的难度不在于技术啊，主要是没算力啊！不然我也给我们团队的编程导航和面试鸭都来一套鱼皮大模型了。

3、AI 领域业务

企业中的 AI 业务开发，可不仅仅是来个 AI 对话就够了，咱们还要掌握几种更复杂的业务开发，比如 RAG 知识库、多模态、MCP 服务、ReAct 智能体。

RAG 知识库

很多公司都有属于自己的业务知识和文档，会构建自己的问答系统或客服，这就要用到 RAG 检索增强生成技术。先通过文本嵌入模型，将企业各种文档转化为向量，存入向量数据库；当用户提问时，系统在向量数据库检索相关向量数据，找到最相似文档片段，和问题一起输入大模型处理。这样一来，大模型能够基于企业真实数据作答，更准确贴合实际。

关于 RAG 能学的知识可太多了，比如主流的向量数据库 Milvus 和 PGVector、文档的抽取 / 转换 / 加载、索引的构建、查询策略的优化等等。这也是 AI 企业面试的重点！

多模态

多模态也是主流的 AI 业务场景，即融合文本、图像、音频、视频等多种不同类型的数据模态，从而提高产品使用的易用性，做出更多有创意的功能。

比如做个智能导购系统，顾客既可以输入文字描述想要的商品，系统也能识别顾客上传的商品图片，甚至可以理解顾客通过语音提出的购物需求。系统会将这些来自不同模态的数据进行整合处理，在商品数据库中精准匹配符合要求的商品，并将结果反馈给顾客。

想开发多模态应用，咱们要学习模态转换技术，比如文本转语音（TTS）、语音转文本（STT）、光学字符识别（OCR）等，不过这些都有现成的工具库或者云服务，掌握调用方法就行。还可以通过 Spring AI、LangChain 等 AI 开发框架调用不同模态的大模型，降低开发难度。

MCP 服务

MCP（Model Context Protocol，模型上下文协议）可以理解为提供给 AI 的各种服务，AI 利用这些服务能够实现更强大的功能。

如何在项目中接入别人的 MCP 服务，来增强自己的项目能力；以及如何开发自己的 MCP 服务，让别人的项目使用，都是必须要学习的。现在使用 Spring AI 等开发框架就可以开发 MCP 服务，而且甚至有高手做了个网站，能够一句话创建自己的 MCP 服务，这真的是泰裤辣。

ReAct 智能体

ReAct 是一种构建智能体的开发范式，目的是打造能够依据推理结果自主采取行动的智能体。

它的开发过程会涉及到任务规划、工具调用、交互 I/O、异常处理等知识。尤其是工具调用，可以通过 Function Call 或 MCP 实现像天气查询、文件读写、网页运行、信息检索、终端命令执行等功能。

就拿开发视频网站为例，用户说了 “帮我开发一个 Dilidili 视频网站并部署上线” 的指令时，智能体首先会深入理解任务内容，通过推理梳理出一系列执行步骤，包括明确需求、设计方案、搭建框架、生成代码、部署上线等。接下来，智能体就会调用相应的工具来执行这些行动。如果执行过程中遇到问题，还会询问我们的意见，重新推理并及时调整行动方案。

4、AI 工具链

最后就是我们开发 AI 项目时可能会用到的一些平台、工具和类库了。

低代码平台

比如主流的低代码 AI 开发平台 Dify，可以让我们通过拖拉拽的方式构建自己的 AI 智能体，创建知识库并导入自己的文档，搭建复杂的工作流等等。就哪怕你不会写代码，都能用它搞出复杂的 AI 应用。

工具库

还有一些开发 AI 智能体时会用到的工具库，比如：

Apache Tika，功能强大的文件解析器工具库，支持解析 PDF、Word、Excel、PowerPoint 等各种文档，然后提供给 AI 作为知识。
Playwright，用于模拟浏览器行为的工具库，AI 需要运行网页、抓取网页数据、自动化测试时，它都能派上用场。
JSON 格式解析库 GSON 和 Kryo
HTML 文档解析库 jsoup

这些类库基本没什么学习成本，要用的时候看文档就好了。

部署工具

项目最终是要部署上线的嘛，所以我们还要掌握高效的部署工具，让 AI 应用从开发环境顺利过渡到生产环境，为用户提供稳定服务。

如果不在意价格、追求稳定的话，还是优先选择大厂提供的云服务来部署项目。但如果是个人学习使用、想快速上线自己的 AI 小应用，可以试试下面这些平台：

Vercel：适合前端应用的部署平台，支持自动构建、在线浏览、CDN 分发，而且还免费提供可访问的域名
Sealos：云原生应用管理平台，支持 Kubernetes 集群管理，为 AI 应用提供容器化部署环境，适合需要弹性伸缩的 AI 服务
Railway：能让开发人员轻松部署 Docker 容器，无需操心服务器配置与运维，且自带自动化构建工具、环境管理能力等

当然，想快速部署服务，上面提到的 Docker 容器化技术也是必须要学习的，就像 APP 的安装包一样，能够轻松分发和部署你的应用程序。

其实我有一种假设，如果 AI 足够稳定、并且一句提示词就能生成完整应用的话，是不是可以直接根据 Prompt 来部署项目啊。扯远了扯远了，当我没说吧~

------

怎么样，要学的东西还是挺多的吧，有没有感觉信息量爆炸。别担心，上面这些都是实践，咱还得学一些理论呀，比如某个框架的底层原理、调优技巧、算法实现等等。不过真的别担心，我也在持续学习这些内容并且会持续分享给大家，以上我提到的东西，在我后续的项目教程中，都会讲到，期待的话可以关注一下。

尾声

OK，以上就是鱼皮 AI 指南的内容，我觉得能有 1% 的同学看完就不错了。

如果你问我 AI 会淘汰程序员么？我的答案仍然是 “会”。因为程序员本身就是需要持续学习和实践来保持竞争力的，只要大家能够学会我提到的这些知识，多关注 AI 的前沿资讯，相信 AI 不会抢走咱们程序员的饭碗，而是成为咱们改造世界的杠杆。

在这里也推荐一下我们免费公开的 AI 知识库，汇总收集了最新最全的 DeepSeek 知识，帮助大家更好地适应 AI 时代的到来。

鱼皮的 AI 知识库：https://ai.codefather.cn

里面除了各种教程资料外，也重点给大家分享了很多 AI 工具的具体应用场景，比如接入办公软件提升效率，帮你做自媒体，AI 批量制作视频等。希望帮助大家举一反三，找到新的思路。