学习计划

# 学习计划（Java 后端转 Java + AI）

本计划面向有 Java 后端经验、但未接触过 Java + AI 联合开发的读者，按依赖顺序拆分阶段，每阶段都依赖前一阶段。建议总学习时长 4-6 周。

# 总体原则

按顺序学，别跳：每层都依赖前一层，跳着看会懵
先跑通再优化：不要一开始就追求 Advisor 链、分批评估等复杂设计
理解"为什么"比"怎么做"重要：每条简历描述都对应一个真实问题，理解问题比理解代码更重要
AI 部分可以 Mock：API 收费贵，开发时可以 mock LLM 返回，先把工程链路跑通
优先看官方文档：Spring AI 2.0 API 变化大，二手博客容易过时

# 阶段零：环境准备（1-2 天）

# 目标

把项目跑起来，能访问 Swagger 页面，能用一个最简单的接口。

# 任务

[ ] 安装 JDK 25、Gradle 8.14、Node.js、pnpm
[ ] 安装 PostgreSQL + pgvector 扩展、Redis
[ ] 配置 .env 文件（DashScope API Key、数据库密码等）
[ ] 启动 docker compose -f docker-compose.dev.yml up -d
[ ] 后端 ./gradlew :app:bootRun，前端 pnpm run dev
[ ] 访问 Swagger 页面，调用一个最简单的健康检查接口

# 验收标准

后端启动无报错，前端页面能打开
Swagger 页面能看到所有接口
数据库表自动建好

# 阶段一：Spring AI Hello World（2-3 天）

# 目标

理解 Spring AI 最基础的 ChatClient 调用，跑通"用户问一句、模型答一句"。

# 学习内容

Spring AI 的核心概念：ChatClient、ChatModel、ChatResponse
同步调用 vs 流式调用
DashScope 接入配置
System Prompt 与 User Prompt

# 实践任务

[ ] 阅读 LlmProviderRegistry.java，理解 Provider 注册中心
[ ] 自己写一个最简单的 Controller，调用 ChatClient 返回一段文本
[ ] 改 System Prompt，观察模型行为变化
[ ] 改 Temperature 参数，观察输出随机性变化

# 验收标准

能解释 ChatClient 和 ChatModel 的关系
能独立写一个调用 LLM 的接口
能说清 Temperature 对输出的影响

# 阶段二：结构化输出（2-3 天）

# 目标

理解 LLM 返回 JSON 的不稳定性，掌握项目的 StructuredOutputInvoker 设计。

# 学习内容

BeanOutputConverter / MapOutputConverter
LLM 返回 JSON 的常见问题（多余文字、字段缺失、不闭合）
修复型重试的设计思路
Micrometer 指标埋点

# 实践任务

[ ] 不用封装类，直接让 LLM 返回一个 Java record，观察失败率
[ ] 阅读 StructuredOutputInvoker.java，理解解析 → 校验 → 重试流程
[ ] 故意给一个诱导 LLM 输出错误 JSON 的 prompt，观察修复型重试是否生效
[ ] 查看 Micrometer 指标，理解重试成功率统计

# 验收标准

能说出 LLM 输出 JSON 至少 3 种常见失败模式
能解释"修复型重试"为什么比"简单重试"更有效
能说清 StructuredOutputInvoker 解决了什么问题

# 阶段三：流式输出 SSE（2-3 天）

# 目标

理解流式输出的原理与工程坑点。

# 学习内容

SSE 协议与 EventSource
Spring AI 的 stream() 方法
Reactor 的 Flux/Mono 基础（流式输出返回 Flux）
SSE 长连接的生命周期

# 实践任务

[ ] 改造阶段一的接口，用 stream() 实现流式输出
[ ] 用 curl 或 Postman 观察 SSE 事件流格式
[ ] 阅读"预创建占位 + 流完成落库"相关代码，理解断线保存策略
[ ] 阅读"探测窗口算法"代码，理解无结果模板拦截

# 验收标准

能解释为什么 LLM 场景必须用流式输出
能说清 SSE 与 WebSocket 的取舍（SSE 单向、更轻量）
能解释断线丢失问题与项目解法

# 阶段四：Advisor 链（2-3 天）

# 目标

理解 Spring AI 的 Advisor 机制，掌握配置化组合设计。

# 学习内容

Advisor 接口与 AdvisorChain
Spring AI 内置 Advisor（如 QuestionAnswerAdvisor、PromptChatMemoryAdvisor）
自定义 Advisor 实现
通过 yml 配置化组合 Advisor

# 实践任务

[ ] 阅读项目的 4 种 Advisor 实现
[ ] 理解不同业务场景的 Advisor 组合配置
[ ] 自己写一个简单的日志 Advisor，记录每次 LLM 调用的耗时
[ ] 通过 yml 开关切换 Advisor 组合，观察行为变化

# 验收标准

能解释 Advisor 与 Servlet Filter 的相似之处
能说出项目 4 种 Advisor 各自的职责
能说清"配置化组合"相比"硬编码"的优势

# 阶段五：Embedding 与 pgvector（3-4 天）

# 目标

理解向量化与向量检索的原理，掌握 pgvector 的使用。

# 学习内容

Embedding 模型与向量维度
pgvector 安装与扩展启用
vector 类型与相似度查询（<=> 操作符）
HNSW 索引 vs IVFFlat 索引
向量维度选择（项目用 1024 维）

# 实践任务

[ ] 在 PG 中手动建一张带 vector 列的表，插入几条向量，用 <=> 查询最相似的
[ ] 阅读知识库入库代码，理解文档分块 → 向量化的完整流程
[ ] 理解 DashScope batch_size 限制（单次 10 条）与项目的分批处理
[ ] 查看 HNSW 索引的建索引参数，理解查询快与建索引慢的权衡

# 验收标准

能解释 Embedding 与全文检索的区别
能写出一条 pgvector 的相似度查询 SQL
能说清 HNSW 与 IVFFlat 的取舍
能解释为什么向量化要分批

# 阶段六：RAG 完整流程（3-4 天）

# 目标

理解 RAG 的完整链路，掌握幻觉防御手段。

# 学习内容

RAG 流程：检索 → 拼接 prompt → 生成
Query Rewrite（查询改写）
动态 Top-K 与 minScore 阈值
文档分块策略（token-aware）
知识库 ID 前置过滤

# 实践任务

[ ] 阅读知识库问答模块代码，梳理完整 RAG 链路
[ ] 上传一份文档到知识库，问一个问题，观察检索 + 生成全流程
[ ] 故意问一个知识库没有的问题，观察是否被阈值拦截
[ ] 阅读短/中/长 Query 的差异化 Top-K 配置，理解设计意图
[ ] 阅读 Query Rewrite 代码，理解查询改写的时机与作用

# 验收标准

能画出 RAG 完整流程图
能解释 Query Rewrite 解决什么问题
能说清动态 Top-K 与 minScore 的设计意图
能解释 RAG 幻觉的成因与项目防御手段

# 阶段七：异步化 Redis Stream（2-3 天）

# 目标

理解 LLM 调用为什么必须异步化，掌握 Redis Stream 消费模型。

# 学习内容

LLM 调用耗时问题（10-15s）
Redis Stream 基础（XADD、XREADGROUP、XACK）
Consumer Group 与 Pending Entries List
死信处理与任务恢复
状态流转（PENDING → PROCESSING → COMPLETED）

# 实践任务

[ ] 阅读 AbstractStreamProducer.java 与 AbstractStreamConsumer.java
[ ] 理解简历分析的异步链路：用户上传 → 立即返回任务 ID → 异步分析 → 落库
[ ] 用 redis-cli 手动执行 XADD、XREADGROUP，理解消费模型
[ ] 模拟 Consumer 中途宕机，观察 PEL 与任务恢复机制
[ ] 理解为什么 LLM 调用不能放在数据库事务内

# 验收标准

能解释 Redis Stream 与 Kafka 的取舍
能说清 XACK 的作用与未 ACK 的后果
能解释 LLM 调用为什么不能放事务内
能画出异步任务的完整时序图

# 阶段八：工程化与基础设施（4-5 天）

# 目标

掌握项目中的工程化设计，这部分与 AI 无关但面试必问。

# 学习内容分组

# 8.1 虚拟线程

Java 21 虚拟线程 vs 平台线程
虚拟线程的 pinning 问题（synchronized 块内会 pin）
为什么 SSE + LLM 场景适合虚拟线程
虚拟线程的适用与不适用场景

# 8.2 分布式限流

@RateLimit 注解 + AOP 切面
Redis + Lua 滑动窗口限流
GLOBAL / IP / USER 多维度限流
Hash Tag 兼容 Redis Cluster（{user:1} 让相关 key 落同一槽）

# 8.3 存储抽象层

S3 协议与 RustFS 对象存储
配置化切换后端，业务代码无感知
为什么要做抽象层（云迁移）

# 8.4 文件处理

Apache Tika 多格式解析（PDF/DOCX/TXT）
PDF 禁用图片提取、DOCX 禁用嵌入资源加载（性能优化）
文本清洗（正则清除控制字符与噪声）
MIME 类型 + 扩展名双重验证 + 路径穿越防护

# 8.5 安全防护

Prompt 注入的 4 种模式
三层纵深防御（输入净化 → 系统提示词加固 → 输出护栏）
UUID 动态分隔符的作用
顺从短语检测

# 8.6 配置管理

@ConfigurationProperties vs @Value
项目从 30+ 个散落 @Value 收拢到 11 个 @ConfigurationProperties 类
类型安全校验与 IDE 自动补全

# 8.7 PDF 导出

iText 8 基础
中文字体内嵌（跨平台渲染一致性）
分数配色与多维度排版

# 实践任务

[ ] 阅读限流切面代码，理解 Lua 脚本实现滑动窗口
[ ] 阅读 Prompt 注入防御代码，列出 4 种注入模式
[ ] 阅读存储抽象层代码，理解 S3 协议封装
[ ] 阅读文件解析代码，理解 Tika 性能优化点
[ ] 查看 @ConfigurationProperties 类，对比散落 @Value 的劣势
[ ] 阅读 PDF 导出代码，理解中文字体处理

# 验收标准

能解释虚拟线程相比线程池的优势与劣势
能说清 Lua 滑动窗口限流的实现思路
能列出 Prompt 注入的 4 种模式与防御手段
能解释 @ConfigurationProperties 相比 @Value 的优势

# 阶段九：面试复盘（贯穿全程）

# 目标

把每条简历描述还原成"它解决了什么问题"，准备好面试追问。

# 每条简历描述的自我拷问模板

针对简历中每一条，问自己：

问题是什么：不这么做会怎样？
方案是什么：核心设计思路？
取舍是什么：为什么不用其他方案？
细节是什么：关键参数、阈值、边界情况？
量化指标：性能提升、成本降低的数据？

# 高频追问点准备

简历描述	可能的追问
虚拟线程支撑千级并发	虚拟线程什么场景反而更差？pinning 问题？
Redis Stream 异步	对比 Kafka 的取舍？死信处理？
StructuredOutputInvoker	重试几次？重试失败怎么办？
分批评估（8题/批）	为什么是 8 题？批次之间怎么归并？
RAG 知识库	为什么不直接全文检索？HNSW vs IVFFlat？
动态 Top-K	短查询阈值为什么是 0.25？怎么调出来的？
Query Rewrite	改写本身也是 LLM 调用，成本怎么控制？
Lua 限流	为什么用 Lua 而不是直接 INCR？
Hash Tag 兼容 Cluster	Hash Tag 怎么写？为什么能保证同槽？
Prompt 注入 4 种模式	具体哪 4 种？怎么净化？
三层防御	为什么要三层？单层不够吗？
Skill 驱动出题	三阶段分配算法细节？为什么这么设计？
S3 存储抽象层	抽象层接口怎么设计？如何保证不漏特性？
文件哈希去重	为什么用 SHA-256？哈希冲突怎么办？

# 学习节奏建议

周次	阶段	产出
第 1 周	阶段 0 + 1 + 2	项目跑通 + Spring AI Hello World + 结构化输出
第 2 周	阶段 3 + 4	流式输出 + Advisor 链
第 3 周	阶段 5 + 6	Embedding + RAG 完整流程
第 4 周	阶段 7 + 8	异步化 + 工程化基础设施
第 5-6 周	阶段 9 + 查漏补缺	面试复盘 + 重看不懂的部分

# 学习心法

不要试图一次看懂所有代码：先抓主线，细节后补
每个模块都问"解决什么问题"：理解问题比理解代码更重要
自己动手改一改：改参数、改 prompt、改逻辑，观察行为变化
记笔记：每个阶段的"我之前不懂、现在懂了"的点记下来
找一个人讲一遍：能讲清楚才是真懂了

# 一句话总结

这个项目的难点不在 AI 本身，而在"如何让不稳定的 LLM 在生产环境稳定提供服务"。把每条简历描述都还原成"它解决了什么问题"，你就算学透了。

上次更新: 2026/11/4 11:30:46

← AI基础概念若依框架学习笔记→