Java转 AI高薪领域必备-从0到1打通生产级AI Agent开发(15章) 完整版

金龙

├─第10章 BI报表问答Agent：SQL生成与报表生成引擎开发
│      10-1 问题点：Agent有什么安全隐患？_ev.mp4
│      10-2 面试加分项：使用Prompt优化来增加安全性_ev.mp4
│      10-3 引入jdbcTemplate作为SQL执行层_ev.mp4
│      10-4 验证：如何使用jdbcTemplate进一步提升安全性_ev.mp4
│      10-5 自动化报表生成引擎开发_ev.mp4
│      10-6 引入邮件发送服务以及邮件发送接口开发_ev.mp4
│      10-7 完善邮件发送接口业务开发_ev.mp4
│      10-8 Agent测试以及问题点引出_ev.mp4
│      10-9 优化：如何用“少样本”瞬间提升AI智商，生成精准中文标头_ev.mp4
│      
├─第11章 BI报表问答Agent：SQL准确率方案落地与大模型调优实战
│      11-1 如何提高大模型生成的SQL的准确性？_ev.mp4
│      11-2 增加评估节点提升SQL准确性_ev.mp4
│      11-3 评估节点系统提示词编写_ev.mp4
│      11-4 评估节点初级版本代码实现_ev.mp4
│      11-5 测试：验证评估节点效果_ev.mp4
│      11-6 智能BI报表问答系统Graph工作流进阶版设计_ev.mp4
│      11-7 条件边实现_ev.mp4
│      11-8 面试加分项：三件套：评估-循环-微调，准确率拉满！_ev.mp4
│      11-9 BI报表问答Agent总结梳理_ev.mp4
│      
├─第12章 企业大模型私有化部署方案
│      12-1 常见的私有化大模型部署方案介绍_ev.mp4
│      12-2 常见的算力服务器介绍以及算力服务器购买_ev.mp4
│      12-3 AutoDL 服务器操作 + Ollama 安装落地_ev.mp4
│      12-4 原有项目改造，适配Ollama私有化部署大模型_ev.mp4
│      12-5 vLLM运行环境安装_ev.mp4
│      12-6 通过魔搭社区下载安装开源Qwen大模型_ev.mp4
│      12-7 原有项目改造，适配私有化部署Qwen大模型_ev.mp4
│      
├─第13章 高薪简历指导与项目深度包装
│      13-1 亮点提炼：从技术到业务的包装逻辑_ev.mp4
│      13-2 智能库存挑拨优化系统面试攻略_ev.mp4
│      
├─第14章 自研工作流Agent开发框架补充
│      14-1 什么是LiteFlow_ev.mp4
│      14-10 AI Agent文生图组件实现3_ev.mp4
│      14-11 AI Agent图片编辑组件编写1_ev.mp4
│      14-12 AI Agent图片编辑组件编写2_ev.mp4
│      14-13 AI Agent图片编辑组件编写3_ev.mp4
│      14-2 LiteFlow组件讲解_ev.mp4
│      14-3 LiteFlow上下文讲解_ev.mp4
│      14-4 EL编排学习1_ev.mp4
│      14-5 EL编排学习2_ev.mp4
│      14-6 组件参数绑定与执行器_ev.mp4
│      14-7 前端编排UI搭建_ev.mp4
│      14-8 AI Agent文生图组件实现1_ev.mp4
│      14-9 AI Agent文生图组件实现2_ev.mp4
│      
├─第15章 课程回顾与展望
│      15-1 课程总结回顾与展望_ev.mp4
│      
├─第1章 开课准备
│      1-1 课程导学_ev.mp4
│      
├─第2章 技术选型与架构筑基：为什么是Spring AI Alibaba Graph？
│      2-1 AI工作流开发的“三条道路”_ev.mp4
│      2-2 认识主流低代码平台Dify与Coze_ev.mp4
│      2-3 低代码平台遍地，为何还要从零造轮子？_ev.mp4
│      2-4 从“工具使用者”到“架构创造者”_ev.mp4
│      2-5 为什么Spring AI Alibaba Graph是Java生态的“终极答案”？_ev.mp4
│      2-6 自研工作流Agent开发框架_ev.mp4
│      
├─第3章 Spring AI Alibaba Graph框架核心精讲
│      3-1 什么是Graph？为什么它是AI工作流的终极解决方案？_ev.mp4
│      3-2 Graph核心三要素深度解析_ev.mp4
│      3-3 代码环境搭建_ev.mp4
│      3-4 配置大模型参数与定义节点、边_ev.mp4
│      3-5 节点与边定义及实操演示_ev.mp4
│      
├─第4章 库存调拨Agent_ 架构思路与工程环境搭建
│      4-1 从痛点出发的架构思维_ev.mp4
│      4-2 企业级项目标准化搭建_ev.mp4
│      4-3 基础框架封装：统一响应体、异常处理、日志规范的代码实现_ev.mp4
│      4-4 数据建模：核心数据库实体设计_ev.mp4
│      4-5 使用代码生成器进行通用业务组件开发_ev.mp4
│      4-6 Agent全链路流程设计_ev.mp4
│      
├─第5章 库存调拨Agent_ 核心节点开发与链路测试
│      5-1 全局状态机定义与声明_ev.mp4
│      5-10 JSON数据返回与节点测试实操_ev.mp4
│      5-11 邮件通知的依赖集成与服务配置_ev.mp4
│      5-12 邮件推送接口代码实现_ev.mp4
│      5-13 构建邮件推送节点并执行节点测试_ev.mp4
│      5-14 库存调拨保存接口的业务逻辑实现_ev.mp4
│      5-15 MapStruct实现POJO转换_ev.mp4
│      5-16 状态机 JSON 数据解析与入库节点开发_ev.mp4
│      5-2 构建商品实时数据流_ev.mp4
│      5-3 接入状态机并执行节点测试_ev.mp4
│      5-4 构建库存实时数据流，为AI决策引擎提供精准弹药_ev.mp4
│      5-5 完善库存实时数据流并执行节点测试_ev.mp4
│      5-6 预测引擎开发：接入AI大模型实现调拨建议生成_ev.mp4
│      5-7 面试加分项：如何让大模型更好的理解你的意图_ev.mp4
│      5-8 面试加分项：使用多种提示词优化技术实现LLM输出准确性提升_ev.mp4
│      5-9 提取大模型内容转JSON,实现数据的结构化_ev.mp4
│      
├─第6章 库存调拨Agent：风险控制方案落地实现
│      6-1 什么是人机协同？为什么要进行人机协同？_ev.mp4
│      6-2 Graph 配置适配人机协同节点_ev.mp4
│      6-3 对话隔离落地：RunableConfig 的 threadId 配置开发_ev.mp4
│      6-4 人类审核→对话召回→工作流激活：全链路落地_ev.mp4
│      6-5 人机协同流程总结与梳理_ev.mp4
│      6-6 1个条件边=N种执行路径！使用条件边轻松搞定复杂业务决策逻辑_ev.mp4
│      
├─第7章 库存调拨Agent：可靠性方案落地实现
│      7-1 什么是检查点？_ev.mp4
│      7-2 集成Redis Stack+Graph 配置改造实现工作流状态 Redis 持久化_ev.mp4
│      7-3 测试：Agent 工作流链路全测_ev.mp4
│      7-4 如何更好的让用户或者领导看到你的流程设计？_ev.mp4
│      7-5 集成PlantUML，一键生成专业架构图，让设计清晰可见_ev.mp4
│      
├─第8章 库存调拨Agent：高并发方案落地实现
│      8-1 问题点：你是如何应对高并发场景的？_ev.mp4
│      8-10 如何保证Kafka消息不积压2_ev.mp4
│      8-11 消费端重复消费的幂等处理_ev.mp4
│      8-12 成果验收：业务层开发与全流程联调测试_ev.mp4
│      8-2 项目改造：单体项目改造为微服务项目_ev.mp4
│      8-3 使用docker启动nacos服务_ev.mp4
│      8-4 使用nacos作为配置中心以及新规范配置_ev.mp4
│      8-5 消息中间件Kafka引入及接口改造_ev.mp4
│      8-6 Agent触发接口改造_ev.mp4
│      8-7 Kafka生产与消费全链路打通_ev.mp4
│      8-8 如何保证Kafka消息不丢失__ev.mp4
│      8-9 如何保证Kafka消息不积压1_ev.mp4
│      
└─第9章 BI报表问答Agent：RAG技术与向量库整合
        9-1 架构设计：从痛点出发的架构思维_ev.mp4
        9-10 扩展：项目集成Milvus作为向量数据库_ev.mp4
        9-11 智能BI报表问答系统Graph工作流设计_ev.mp4
        9-12 数据准备：前置数据库脚本执行_ev.mp4
        9-13 明确目标：核心节点开发逻辑梳理_ev.mp4
        9-14 AI Agent 提示词：教你编写高效果优质 Prompt_ev.mp4
        9-15 RAG 召回 + 大模型内容生成落地_ev.mp4
        9-16 RAG检索过程源码解析_ev.mp4
        9-17 如何让AI更好的理解用户不准确的表述？_ev.mp4
        9-18 面试加分项：多种Prompt优化技术提高召回率_ev.mp4
        9-2 RAG技术深度解析_ev.mp4
        9-3 工程初始化与环境搭建_ev.mp4
        9-4 集成Tika文档读取器实现文档读取_ev.mp4
        9-5 文本向量大模型介绍以及整合智源向量大模型_ev.mp4
        9-6 使用Redis作为向量数据库以及问题引出_ev.mp4
        9-7 踩坑预警！默认文本分割方案的核心问题_ev.mp4
        9-8 面试加分项：使用自定义的定制化分割器来提高召回准确度_ev.mp4
        9-9 扩展：使用DockerFile启动Milvus+客户化UI界面_ev.mp4

游客,本付费内容需要支付 20Z币 才能浏览支付

本帖隐藏的内容需要登入才可浏览，如需注册账号请点击这里

wm378802548

啥也不说了，感谢楼主分享哇！

ymgaoski

啥也不说了，感谢楼主分享哇！

YumaiCode

我只是路过打酱油的

jmgm502

啥也不说了，感谢楼主分享哇！

ComputerMen

啥也不说了，感谢楼主分享哇！

lyl815616

啥也不说了，感谢楼主分享哇！

superzj21

资料全吗？

yugongcheng

啥也不说了，感谢楼主分享哇！