前言
很多Java开发者面对AI浪潮时有两个极端判断：
- 必须放弃Java，从头学习Python和模型训练；
- 只要会调用大模型API，就已经完成转型。
这两种判断都不准确。
大多数企业级AI项目不是从零训练基础模型，而是把模型能力接入ERP、CRM、仓储、客服、知识库、营销和数据分析平台。
这些系统仍然需要Java开发者熟悉的：
- 服务治理；
- 权限；
- 数据库；
- 消息队列；
- 缓存；
- 并发；
- 日志；
- 监控；
- 部署；
- 业务建模。
Java开发者真正需要补齐的是：
大模型应用层、知识检索层、Agent执行层和AI质量治理能力。
第一阶段：理解大模型应用基础
至少理解：
- Token；
- Context Window；
- System/User/Assistant消息；
- Temperature与Top-P；
- Streaming；
- Structured Output；
- Function Calling；
- Embedding；
- Vector Store；
- RAG；
- Agent；
- MCP。
不要求一开始学习Transformer数学推导，但要理解模型边界：
- 模型可能幻觉；
- 模型输出不稳定；
- 模型不知道企业私有数据；
- 模型不能真正执行工具；
- 长上下文会增加成本；
- 更大模型不一定适合所有任务。
先使用Java HTTP客户端完成：
普通调用 流式调用 异常处理 超时 重试 Token统计目的是理解底层协议，而不是长期手写所有能力。
第二阶段：掌握Spring AI
推荐学习顺序：
ChatModel → ChatClient → Prompt Template →
