一、今天学习内容简要分析
今天的学习重点依然围绕AI 应用开发展开。
我现在的基础是Java，因此学习 AI 时不能只停留在“会用工具”这个层面，而是要逐步理解：
AI 模型如何被调用、如何接入业务系统、如何和工具/数据库/知识库结合，最终形成一个可以完成任务的 Agent。
今天的学习可以分成三个方向：
| 学习方向 | 主要内容 |
|---|---|
| AI 基础理解 | 模型、Prompt、上下文、推理能力 |
| AI 应用开发 | 如何调用大模型 API，如何组织输入输出 |
| Agent 思维 | 让 AI 不只是回答问题，而是能拆解任务、调用工具、完成流程 |
二、今天对 AI 的进一步理解
以前我理解 AI，更多是把它看成一个“聊天工具”。
但随着学习深入，我发现真正的 AI 应用开发并不是简单地问一句、答一句，而是要围绕一个完整流程来设计。
比如一个 AI Agent 通常需要具备以下能力：
- 理解用户意图
- 拆解任务步骤
- 选择合适的工具
- 调用外部能力，比如数据库、API、搜索、文件系统
- 汇总结果并给出最终答案
- 在多轮对话中保持上下文
这让我意识到，Agent 工程师其实不是单纯写 Prompt，而是把 AI 能力工程化、产品化、系统化。
三、Prompt 不只是“提问”，而是任务设计
今天我对 Prompt 的理解也更深了一点。
以前写 Prompt 可能只是这样：
帮我总结一下这段内容。但更好的 Prompt 应该包含：
你是一名 AI 学习助手。 请帮我用适合初学者理解的方式总结下面内容。 要求： 1. 先列出核心概念 2. 再用通俗语言解释 3. 最后给出一个实际开发场景这说明 Prompt 本质上是一种“任务描述语言”。
好的 Prompt 通常要说明：
- 角色：让模型知道它应该以什么身份回答
- 目标：明确最终要完成什么任务
- 约束：规定格式、长度、语气、边界
- 输入：提供必要的上下文
- 输出：规定结果结构
这对于以后做 Agent 非常重要，因为 Agent 的每一步行为，其实都离不开清晰的任务指令。
四、从 Java 开发视角理解 AI 应用
因为我之前主要学习 Java，所以今天我也尝试从 Java 后端开发的角度理解 AI 应用。
传统 Java 后端开发中，我们经常关注：
Controller -> Service -> Mapper -> Database而 AI 应用开发中，可能会变成：
User Input -> Prompt 构造 -> LLM 调用 -> 工具调用 / 知识库检索 -> 结果整理 -> 返回用户两者并不是完全割裂的。
Java 依然可以负责：
- 用户接口
- 权限系统
- 业务流程
- 数据存储
- API 编排
- 日志与监控
- 系统部署
AI 模型则负责：
- 自然语言理解
- 内容生成
- 任务规划
- 信息总结
- 智能问答
- 决策辅助
所以我认为，对 Java 开发者来说，转向 AI 方向并不是放弃原来的技术栈，而是把 AI 能力接入原来的工程体系中。
五、Agent 的核心不是“聊天”，而是“执行任务”
今天最重要的一个收获是：
普通 AI 应用更像是问答系统，而 Agent 更像是能完成任务的智能执行单元。
例如：
普通 AI 问答：
用户：帮我解释一下 RAG 是什么。 AI：RAG 是检索增强生成……Agent 场景：
用户：帮我整理我最近学习 AI 的内容，并生成一篇 CSDN 博客。 Agent： 1. 查询学习记录 2. 提取关键知识点 3. 整理文章结构 4. 生成标题 5. 输出可发布内容这两者的差别很明显。
Agent 不只是回答问题，而是会围绕目标去完成一系列步骤。
这也是我未来想成为 Agent 工程师的原因：它更接近真实的软件系统，也更符合工程化方向。
六、学习过程中的一个小插曲：Docker 源问题
今天学习过程中还有一个比较头疼的小插曲，就是处理Docker 镜像源的问题。
在学习 Agent 的过程中，我们需要用到向量数据库。传统数据库，比如 MySQL、Oracle、PostgreSQL 等，虽然在结构化数据处理方面很成熟，但在高维向量的存储、索引和检索方面并不擅长，所以更适合选择专业的向量数据库。
我这次先采用的是Milvus。Milvus 是一个开源向量数据库，专门用于存储、索引和检索高维向量，非常适合语义搜索、推荐系统、RAG 等场景。
一开始，我想在虚拟机里通过 Docker 安装 Milvus，但在配置 Docker 源的时候遇到了很多问题。前前后后尝试了十几个镜像源，结果都不太顺利。最后只能换一种思路，在 Windows 系统上安装 Docker。这样做的好处是，可以直接利用代理访问 Docker 官网，不需要再反复配置各种镜像源，下载也顺畅了很多。
整个过程可以说是几经波折。虽然当时感觉花了不少时间，甚至有点浪费时间，但回过头来看，这其实也是学习过程中很真实的一部分。很多时候，技术学习并不是一路顺风，环境配置、依赖安装、网络问题，都是必须经历的坑。踩过这些坑之后，对 Docker、Milvus 以及开发环境的理解也会更深入一些。
七、今天学习后的思考
今天学习之后，我感觉 AI 学习不能只关注“模型有多强”，还要关注它如何落地。
一个真正可用的 AI 系统，至少要考虑：
- 用户输入是否清晰
- 模型输出是否稳定
- 数据来源是否可靠
- 是否需要接入知识库
- 是否需要调用工具
- 是否能处理异常情况
- 是否能和已有业务系统结合
这和传统软件开发非常像。
区别在于，传统程序的逻辑大多是确定性的，而 AI 的输出带有一定不确定性。
所以做 AI 应用开发时，不仅要会写代码，还要学会设计：
Prompt、上下文、约束、工具、流程、评估机制八、我目前的学习路线
结合今天的学习，我后续准备按照下面的路线继续推进：
Java 基础能力 ↓ Spring Boot 项目开发 ↓ 大模型 API 调用 ↓ Prompt Engineering ↓ RAG 知识库问答 ↓ Function Calling / Tool Calling ↓ AI Agent 框架 ↓ 独立完成 AI Agent 项目我觉得这条路线比较适合我，因为它没有完全脱离 Java 后端基础，而是在原有能力上叠加 AI 应用开发能力。
九、今日总结
今天对 AI 的理解更加清晰了。
学习 AI 不能只停留在“会问 ChatGPT”或者“知道一些概念”上，而是要逐步走向工程化。
尤其是对于我这种 Java 学习背景的人来说，未来的重点应该是：
用 Java 后端能力承载业务系统，用 AI 能力增强系统智能化，用 Agent 思维设计自动化任务流程。
AI Agent 不是一个单独的概念，而是多种能力的组合：
大模型 + Prompt + 工具调用 + 知识库 + 任务规划 + 工程系统。
