程序人生-炸裂！Spring AI 1.0 正式发布，让 Java 再次伟大！

缠丝猫 发表于 5 天前

炸裂！Spring AI 1.0 正式发布，让 Java 再次伟大！

炸裂，炸裂，炸裂！从第一次提交代码到如今，颠末 2 年的沉淀，Spring AI 框架的第一个正式版本 1.0 终于发布了。
https://pic.yupi.icu/1/1747881171718-91ac3eb5-049b-4510-8012-6736c40c9c95.png
有了这玩意，开辟 AI 应用就是洒洒水的事，Java 开辟者们是不是又爽了，反正我是很兴奋啊，让 Java 再次伟大！
https://pic.yupi.icu/1/1747881641460-856dbbed-0d9d-480c-ad16-8e8dfcccbeb5.png
但大概许多同砚还不知道 Spring AI 能干什么，凭什么这玩意就让 Java 伟大了？
恰好我最近刚带编程导航的同砚做完一套 AI 超级智能体实战项目，绝不夸张地说，我已经把 Spring AI 玩得 “手拿把掐” 了。
https://pic.yupi.icu/1/1747881819511-84f8a2c7-994a-4c1f-b785-584cf3572732.png
下面我来给大家快速分享一下 Spring AI 的焦点本领和魔法。看完之后，我相信你会点赞收藏三连，并且说一句：“伟的太大了”。

Spring AI 焦点特性

1、大模型调用本领

大模型调用本领是 AI 应用开辟的基础，答应应用步伐与各种 AI 大模型进行交互，发送提示词并获取模型的响应。Spring AI 提供了统一的接口来支持各种主流大模型，包括 OpenAI GPT 系列、Claude、通义千问等。
https://pic.yupi.icu/1/1747881987603-4021fe3f-ee20-4330-8586-32e46beba8c8.png
Spring AI 通过配置 + 抽象接口简化了大模型的调用过程，我可以直接在配置中声明多个大模型：
spring: ai: # 阿里大模型 dashscope: chat: options: model: qwen-max # 本地大模型 ollama: base-url: http://localhost:11434 chat: model: gemma3:1b # 谷歌大模型 vertex: ai: gemini: chat: options: model: gemini-1.5-pro-001然后使用支持链式调用的 ChatClient 机动地调用各种差别的大模型：
// 使用 Spring AI 调用大模型 @Bean public ChatClient chatClient(ChatModel chatModel) { return ChatClient.builder(chatModel).build(); } public String doChat(String message) { ChatResponse response = chatClient .prompt(message) .call() .chatResponse(); return response.getResult().getOutput().getText(); }只用一行代码，就能支持 Stream 流式响应，实现打字机效果：
chatClient .prompt(message) .stream()如果不使用 Spring AI，则需要为每个模型分别实现 API 调用，要本身编写请求、解析响应，很麻烦！
// 不使用 Spring AI 调用大模型 public String chatWithOpenAI(String message) { // 配置 OpenAI API OkHttpClient client = new OkHttpClient(); MediaType JSON = MediaType.get("application/json; charset=utf-8"); // 构建请求体 JSONObject requestBody = new JSONObject(); requestBody.put("model", "gpt-3.5-turbo"); JSONArray messages = new JSONArray(); JSONObject userMessage = new JSONObject(); userMessage.put("role", "user"); userMessage.put("content", message); messages.put(userMessage); requestBody.put("messages", messages); // 发送请求 RequestBody body = RequestBody.create(requestBody.toString(), JSON); Request request = new Request.Builder() .url("https://api.openai.com/v1/chat/completions") .header("Authorization", "Bearer " + OPENAI_API_KEY) .post(body) .build(); try (Response response = client.newCall(request).execute()) { String responseBody = response.body().string(); JSONObject jsonResponse = new JSONObject(responseBody); return jsonResponse.getJSONArray("choices") .getJSONObject(0) .getJSONObject("message") .getString("content"); } catch (Exception e) { return "Error: " + e.getMessage(); } }Spring AI 不仅提供了统一接口支持多种大模型，让我们可以轻松切换模型而无需修改业务代码。它还支持多模态大模型调用，使 AI 能够同时处理文本、图像、音频等多种输入类型。
我们只需要将图片等资源添加到消息对象中，一起发送给 AI 就可以了，使用 Spring AI 几行代码就能实现：
// 调用多模态模型 String response = ChatClient.create(chatModel).prompt() .user(u -> u.text("描述这张图片中的内容") .media(MimeTypeUtils.IMAGE_PNG, new ClassPathResource("/yupi.png"))) .call() .content();如果不使用 Spring AI，多模态处理将变得复杂得多：
// 不使用 Spring AI 的多模态实现 public String analyzeImage(String textPrompt, File imageFile) { // 读取图像文件并编码为 Base64 String base64Image = ""; try { byte[] fileContent = Files.readAllBytes(imageFile.toPath()); base64Image = Base64.getEncoder().encodeToString(fileContent); } catch (IOException e) { return "Error reading image file: " + e.getMessage(); } // 构建请求体，不同模型的格式差异很大 JSONObject requestBody = new JSONObject(); requestBody.put("model", "gpt-4-vision-preview"); JSONArray messages = new JSONArray(); JSONObject userMessage = new JSONObject(); userMessage.put("role", "user"); // 构建复杂的内容数组 JSONArray contentArray = new JSONArray(); // 添加文本部分 JSONObject textContent = new JSONObject(); textContent.put("type", "text"); textContent.put("text", textPrompt); contentArray.put(textContent); // 添加图像部分 JSONObject imageContent = new JSONObject(); imageContent.put("type", "image_url"); JSONObject imageUrl = new JSONObject(); imageUrl.put("url", "data:image/png;base64," + base64Image); imageContent.put("image_url", imageUrl); contentArray.put(imageContent); userMessage.put("content", contentArray); messages.put(userMessage); requestBody.put("messages", messages); // 发送请求并解析响应... // 代码略 }此外，Spring AI 提供了强大的 Advisors 机制，有点类似面向切面编程，可以在模型调用前后添加额外的逻辑，加强 AI 的本领。
举个例子，使用 Spring AI 内置的日记 Advisor，一行代码就能在调用 AI 前后记录日记：
// 使用 Advisors 增强 ChatClient public String doChatWithAdvisors(String message, String chatId) { ChatResponse response = chatClient .prompt() .user(message) // 添加日志 Advisor .advisors(new LoggingAdvisor()) .call() .chatResponse(); return response.getResult().getOutput().getText(); }Advisor 的应用场景还有许多，比如调用 AI 前检查提示词是否安全、得到 AI 响应后保存到数据库中等等。
2、提示工程

提示工程（Prompt Engineering）是一门复杂的学问，指通过经心设计提示词，让 AI 更准确地理解用户意图，天生更符合预期的回答，减少幻觉（天生虚假信息）的概率，同时优化 AI 模型的性能体现并节流成本。
Spring AI 通过 Prompt 和 PromptTemplate 类实现提示工程。
Prompt 类可以统一封装多种差别类型的提示词，便于发送给大模型：
// 用户提示词 Message userMessage = new UserMessage(userText); // 系统提示词 Message systemMessage = new SystemMessage(systemText); Prompt prompt = new Prompt(List.of(userMessage, systemMessage));利用 PromptTemplate 可以创建支持替换变量的提示词模板，便于提示词的维护和复用：
// 使用 Spring AI 的提示模板 PromptTemplate promptTemplate = new PromptTemplate("你好，我是{name}，我擅长{skill}"); Prompt prompt = promptTemplate.create(Map.of( "name", "鱼皮", "skill", "编程" )); ChatResponse response = chatClient.call(prompt);如果不使用 Spring AI，你就需要手动 / 或者利用工具类来拼接提示词字符串，会更麻烦：
// 不使用 Spring AI 需要手动字符串拼接 String name = "AI 恋爱顾问"; String skill = "解决恋爱问题"; String promptText = "你好，我是" + name + "，我擅长" + skill; // 还需自行实现条件逻辑、变量转义等 if(hasCondition) { promptText += "，我注意到你可能遇到了" + conditionType + "问题"; } // 调用 API 需自行封装请求 Response response = apiClient.sendPrompt(promptText);
3、会话记忆

会话记忆（Chat Memory）使 AI 能够保存多轮对话历史，理解上下文，实现连贯对话体验，防止 AI 断片儿。
利用 Spring AI 的 Advisor 机制，一行代码就能轻松开启对话记忆：
// 使用 Spring AI 的会话记忆 public String doChatWithMemory(String message, String chatId) { ChatResponse response = chatClient .prompt() .user(message) .advisors( // 将对话记忆保存到内存中 new MessageChatMemoryAdvisor(new InMemoryChatMemory()) ) .call() .chatResponse(); return response.getResult().getOutput().getText(); }还可以设置会话 id 实现隔离、设置上下文大小限制等参数：
// 使用 Spring AI 的会话记忆 public String doChatWithMemory(String message, String chatId) { ChatResponse response = chatClient .prompt() .user(message) .advisors( // 将对话记忆保存到内存中 new MessageChatMemoryAdvisor(new InMemoryChatMemory()) ) .advisors(spec -> spec.param(CHAT_MEMORY_CONVERSATION_ID_KEY, chatId) .param(CHAT_MEMORY_RETRIEVE_SIZE_KEY, 10)) .call() .chatResponse(); return response.getResult().getOutput().getText(); }Spring AI 会自动处理上下文窗口大小限制，避免超出模型最大 token 限制。
如果不使用 Spring AI，需要手动管理对话历史，代码量一下子就上来了：
// 不使用 Spring AI 的会话记忆实现 Map<String, List<Message>> conversationHistory = new HashMap<>(); public String chat(String message, String userId) { // 获取用户历史记录 List<Message> history = conversationHistory.getOrDefault(userId, new ArrayList<>()); // 添加用户新消息 Message userMessage = new Message("user", message); history.add(userMessage); // 构建完整历史上下文 StringBuilder contextBuilder = new StringBuilder(); for (Message msg : history) { contextBuilder.append(msg.getRole()).append(": ").append(msg.getContent()).append("\n"); } // 调用 AI API String response = callAiApi(contextBuilder.toString()); // 保存 AI 回复到历史 Message aiMessage = new Message("assistant", response); history.add(aiMessage); conversationHistory.put(userId, history); return response; }Spring AI 的实现非常良好，将会话存储和保存机制分离，我们可以本身界说 ChatMemory，将对话历史保存到数据库等持久存储中。

4、RAG 检索加强天生

RAG（Retrieval-Augmented Generation）是指利用外部知识来加强 AI 天见效果的技术。通过从知识库检索相关信息并注入到提示词中，让 AI 能够利用这些信息天生更准确的回答。
比如我带大家做了一个 AI 爱情大师应用，给 AI 预备了一套专注于爱情问答的知识库文档：
https://pic.yupi.icu/1/1747884552579-4d8d5873-cbac-4e30-85b4-dc12bd8edbdd.png
利用 RAG 技术，AI 就能从我本身界说的知识库中获取到特定范畴的、最新的信息，不仅能减少大模型的幻觉（防止瞎编内容），还能趁机推荐一波本身的课程，岂不美哉？
以是 AI 的回复也不能完全相信哦~
https://pic.yupi.icu/1/1747885198412-cf86e734-d482-490a-925b-896401ce0a3a.png
RAG 的完整工作流程包括文档收集和切割、向量转换和存储、文档过滤和检索、查询加强和关联 4 大步调。
https://pic.yupi.icu/1/1747884491944-04de44f3-e024-434a-b79b-de61c8e603cd.png
Spring AI 给 RAG 全流程的实现都提供了支持：
1）文档读取。直接利用 Spring AI 提供的文档加载器，各种类型的文档都能轻松读取：
public List<Document> loadDocuments() { List<Document> documents = new ArrayList<>(); // 加载 Markdown 文档 Resource resource = resourceLoader.getResource("classpath:documents/knowledge.md"); MarkdownDocumentReaderConfig config = MarkdownDocumentReaderConfig.builder() .withHorizontalRuleCreateDocument(true) .withIncludeCodeBlock(true) .withAdditionalMetadata("source", "knowledge-base") .build(); MarkdownDocumentReader reader = new MarkdownDocumentReader(resource, config); documents.addAll(reader.get()); return documents; }2）向量存储。利用 Spring AI 提供的 VectorStore 轻松将文档转换为向量并保存到向量数据库中：
// 创建简单向量存储 SimpleVectorStore vectorStore = SimpleVectorStore.builder(embeddingModel) .build(); // 加载文档并存储 List<Document> documents = documentLoader.loadDocuments(); vectorStore.add(documents);3）文档过滤检索 + 查询加强关联。直接使用 QuestionAnswerAdvisor，一行代码就可以让 Spring AI 自动从知识库中检索文档，并将检索到的文档提供给 AI 来加强输出效果。
ChatResponse response = chatClient.prompt() .user(question) .advisors(new QuestionAnswerAdvisor(vectorStore)) .call() .chatResponse();如果不使用 Spring AI，上述过程的实现可就太复杂了，要本身检索文档、构建提示词等等：
// 不使用 Spring AI 的 RAG 实现 public String generateAnswerWithKnowledge(String query) { // 1. 将查询转换为向量 float[] queryVector = embeddingService.embedText(query); // 2. 在向量数据库中搜索相似内容 List<Document> relevantDocs = new ArrayList<>(); for (Document doc : vectorDatabase.getAllDocuments()) { float similarity = calculateCosineSimilarity(queryVector, doc.getVector()); if (similarity > 0.5) { relevantDocs.add(doc); } } relevantDocs.sort((a, b) -> Float.compare( calculateCosineSimilarity(queryVector, b.getVector()), calculateCosineSimilarity(queryVector, a.getVector()) )); // 3. 截取前三个最相关文档 relevantDocs = relevantDocs.subList(0, Math.min(3, relevantDocs.size())); // 4. 构建提示词，包含检索到的知识 StringBuilder prompt = new StringBuilder(); prompt.append("使用以下信息回答问题:\n\n"); for (Document doc : relevantDocs) { prompt.append("---\n").append(doc.getContent()).append("\n---\n\n"); } prompt.append("问题: ").append(query); // 5. 调用 AI 生成回答 return aiService.generateResponse(prompt.toString()); }除了实现基础的 RAG 本领外，Spring AI 还提供了更多高级本领来优化 RAG 的效果。比如提供了完整的 ETL流程的支持，能够快速抽取文档、切分处理文档、并加载到向量存储中。
https://pic.yupi.icu/1/1747886114680-591a26a3-6674-475b-9eab-e62c52b04b7c.png
提供了多查询扩展器，可以为原始提示词天生多个查询变体，进步召回文档的几率：
MultiQueryExpander queryExpander = MultiQueryExpander.builder() .chatClientBuilder(chatClientBuilder) .numberOfQueries(3) .build(); List<Query> queries = queryExpander.expand(new Query("谁是程序员鱼皮？"));提供了查询重写器，可以把原始提示词变得更精确和专业：
public String doQueryRewrite(String prompt) { QueryTransformer queryTransformer = RewriteQueryTransformer.builder() .chatClientBuilder(builder) .build(); Query query = new Query(prompt); // 执行查询重写 Query transformedQuery = queryTransformer.transform(query); // 输出重写后的查询 return transformedQuery.text(); }效果如图：
https://pic.yupi.icu/1/1747886020980-0b6e4da9-f59d-4bf5-aabd-fb03d3a3e795.png
还支持自界说文档检索器，能够更机动地界说查询规则，比如按照文档的元信息精确查询、只查询相似度最高的 N 条数据等：
DocumentRetriever retriever = VectorStoreDocumentRetriever.builder() .vectorStore(vectorStore) .similarityThreshold(0.73) .topK(5) .filterExpression(new FilterExpressionBuilder() .eq("name", "鱼皮") .build()) .build();
5、工具调用

工具调用（Tool Calling）答应 AI 借助外部工具完成自身无法直接完成的任务，比如网络搜索、文件操纵、数据查询等。它扩展了 AI 的本领范围，使 AI 能够获取实时信息、执行现实操纵。
工具调用实现的本质是拼接提示词，让 AI 选择要调用哪些工具，然后由步伐调用工具并将返回效果交给 AI 进行后续输出。
https://pic.yupi.icu/1/1747893550889-cf67c903-5461-43bb-bdf1-d3a497f3e36f.png
利用 Spring AI，只需要通过注解就能快速界说工具：
// 使用 Spring AI 定义工具 public class WebSearchTool { @Tool(description = "Search for information from Baidu Search Engine") public String searchWeb( @ToolParam(description = "Search query keyword") String query) { // 网络搜索实现 return "搜索结果: " + query + " 的相关信息..."; } }然后一行代码就能使用工具，Spring AI 会控制步伐和大模型进行交互并自动调用工具，非常方便：
ChatResponse response = chatClient .prompt() .user(message) .tools(new WebSearchTool()) .call() .chatResponse();如果不使用 Spring AI，可就太复杂了！
// 不使用 Spring AI 的工具调用实现 public String handleUserRequest(String userMessage) { // 1. 构建含工具定义的提示词 String toolDefinition = """ { "tools": [ { "name": "searchWeb", "description": "Search for information from Baidu Search Engine", "parameters": { "type": "object", "properties": { "query": { "type": "string", "description": "Search query keyword" } }, "required": ["query"] } } ] } """; // 2. 调用 AI 判断是否需要工具 JsonObject aiResponse = callAiWithTools(userMessage, toolDefinition); // 3. 解析 AI 响应判断是否需调用工具 if (aiResponse.has("tool_calls")) { JsonArray toolCalls = aiResponse.getAsJsonArray("tool_calls"); // 4. 依次执行每个工具 List<String> toolResults = new ArrayList<>(); for (JsonElement toolCall : toolCalls) { String toolName = toolCall.getAsJsonObject().get("name").getAsString(); JsonObject args = toolCall.getAsJsonObject().get("arguments").getAsJsonObject(); // 5. 根据工具名执行对应工具 if ("searchWeb".equals(toolName)) { String query = args.get("query").getAsString(); String result = searchWeb(query); // 实际执行搜索 toolResults.add(result); } } // 6. 将工具结果发回给 AI 生成最终回答 return callAiWithToolResults(userMessage, toolCalls, toolResults); } return aiResponse.get("content").getAsString(); }此外，Spring AI 提供了工具上下文 ToolContext，可以让步伐给工具通报额外参数，实现用户身份认证等功能。还支持直接返回模式（returnDirect），可以绕过大模型直接返回工具效果。

6、MCP 模型上下文协议

MCP（Model Context Protocol 模型上下文协议）是一种开放标准，目的是加强 AI 与外部体系的交互本领。MCP 为 AI 提供了与外部工具、资源和服务交互的标准化方式，让 AI 能够访问最新数据、执行复杂操纵，并与现有体系集成。
可以将 MCP 想象成 AI 应用的 USB 接口，就像 USB 为设备毗连各种外设和配件提供了标准化方式一样，MCP 为 AI 模型毗连差别的数据源和工具提供了标准化的方法。从而轻松加强 AI 的本领，有用降低开辟者的理解成本，并且打造出 MCP 服务生态。
https://pic.yupi.icu/1/1747893881601-d78714c3-812d-4945-8b3f-c5be3b2b0d46.png
利用 Spring AI，我们可以快速接入别人的 MCP 服务，只需要界说 MCP 服务配置，然后直接通过 Bean 注入 MCP 服务提供的工具即可：
// 使用 Spring AI 的 MCP 客户端 // 1. 在配置文件中定义 MCP 服务 // mcp-servers.json { "mcpServers": { "amap-maps": { "command": "npx", "args": ["-y", "@amap/amap-maps-mcp-server"], "env": {"AMAP_MAPS_API_KEY": "你的API密钥"} } } } // 2. 在应用程序中使用 MCP 服务 @Resource private ToolCallbackProvider toolCallbackProvider; public String doChatWithMcp(String message) { ChatResponse response = chatClient .prompt() .user(message) .tools(toolCallbackProvider) // MCP 服务提供的所有工具 .call() .chatResponse(); return response.getResult().getOutput().getText(); }当然，开辟 MCP 服务也很简单。先利用注解界说工具，然后将工具注册到 MCP 服务中：
// 定义工具 public class ImageSearchTool { @Tool(description = "search image from web") public String searchImage(@ToolParam(description = "Search query keyword") String query) { // 搜索图片，返回结果 return "https://www.codefather.cn"; } } // 注册 MCP 服务 @Bean public ToolCallbackProvider imageSearchTools() { return MethodToolCallbackProvider.builder() .toolObjects(new ImageSearchTool()) .build(); }如果不使用 Spring AI，你就需要引入 MCP 官方的 SDK 进行开辟，或者自主实现，太麻烦了！
// 不使用 Spring AI 的 MCP 实现 public String chatWithExternalTools(String userMessage) { // 1. 启动外部 MCP 服务进程 Process mcpProcess = startMcpProcess("npx", "-y", "@amap/amap-maps-mcp-server"); // 2. 建立与 MCP 服务的通信通道 InputStream inputStream = mcpProcess.getInputStream(); OutputStream outputStream = mcpProcess.getOutputStream(); // 3. 发送初始化握手消息 JsonObject initMessage = new JsonObject(); initMessage.addProperty("jsonrpc", "2.0"); initMessage.addProperty("method", "initialize"); // ... 添加更多初始化参数 sendMessage(outputStream, initMessage); // 4. 接收并解析服务提供的工具定义 JsonObject response = readResponse(inputStream); JsonArray toolDefinitions = extractToolDefinitions(response); // 5. 调用 AI 模型，将工具定义传递给模型 JsonObject aiResponse = callAiWithTools(userMessage, toolDefinitions); // 6. 解析 AI 响应，如果需要调用工具则发送给 MCP 服务 if (aiResponse.has("tool_calls")) { JsonArray toolCalls = aiResponse.getAsJsonArray("tool_calls"); List<String> toolResults = new ArrayList<>(); for (JsonElement toolCall : toolCalls) { // 7. 将工具调用请求发送给 MCP 服务 JsonObject toolRequest = new JsonObject(); toolRequest.addProperty("jsonrpc", "2.0"); toolRequest.addProperty("method", "executeFunction"); // ... 添加工具调用参数 sendMessage(outputStream, toolRequest); // 8. 接收 MCP 服务的执行结果 JsonObject toolResponse = readResponse(inputStream); toolResults.add(toolResponse.toString()); } // 9. 将工具结果发回给 AI 生成最终回答 return callAiWithToolResults(userMessage, toolCalls, toolResults); } // 10. 最后关闭 MCP 服务 mcpProcess.destroy(); return aiResponse.get("content").getAsString(); }
结尾

以上就是 Spring AI 的焦点特性解析，相信大家也感受到使用 Spring AI 开辟 AI 应用有多爽了吧！
除了前面提到的之外，Spring AI 还提供了大模型评估测试本领，比如评估 AI 回答与用户输入和上下文的相关性；还提供了全面的可观测性功能，资助开辟者监控 AI 应用的运行状态。
不外如今这些特性还不够成熟，Spring AI 也还有很长一段路要走，后续应该也会推出智能体工作流编排框架吧~
就先分享到这里，我全程直播带大家做的 AI 超级智能体新项目今天就完结了，教程中给大家讲解了 Spring AI 几乎所有的特性和高级用法，甚至带大家阅读开源 Manus 项目的源码并且实现了拥有自主规划本领的 AI 智能体，欢迎大家来编程导航学习。
https://pic.yupi.icu/1/1747894887694-cd5e7c53-f777-49ad-ae5a-89252a1ac10d.png
在我们的步伐员面试刷题神器 - 面试鸭中也新出了 AI 大模型相关的面试题，每道题目都能让你学到许多知识~
https://pic.yupi.icu/1/1747894904199-e795908c-638e-4d29-afd5-c8127db010f3.png
还有鱼皮开源的 AI 知识库，内里有许多值得学习的 AI 干货，持续更新~
获取知识库：https://github.com/liyupi/ai-guide
https://pic.yupi.icu/1/1747796993472-c3d3dd64-2ccd-407e-b427-0a7992fec7d0.png
我们下期见咯！

更多编程学习资源

[*]Java前端步伐员必做项目实战教程+毕设网站
[*]步伐员免费编程学习交流社区（自学必备）
[*]步伐员保姆级求职写简历指南（找工作必备）
[*]步伐员免费面试刷题网站工具（找工作必备）
[*]最新Java零基础入门学习蹊径 + Java教程
[*]最新Python零基础入门学习蹊径 + Python教程
[*]最新前端零基础入门学习蹊径 + 前端教程
[*]最新数据布局和算法零基础入门学习蹊径 + 算法教程
[*]最新C++零基础入门学习蹊径、C++教程
[*]最新数据库零基础入门学习蹊径 + 数据库教程
[*]最新Redis零基础入门学习蹊径 + Redis教程
[*]最新计算机基础入门学习蹊径 + 计算机基础教程
[*]最新小步伐入门学习蹊径 + 小步伐开辟教程
[*]最新SQL零基础入门学习蹊径 + SQL教程
[*]最新Linux零基础入门学习蹊径 + Linux教程
[*]最新Git/GitHub零基础入门学习蹊径 + Git教程
[*]最新操纵体系零基础入门学习蹊径 + 操纵体系教程
[*]最新计算机网络零基础入门学习蹊径 + 计算机网络教程
[*]最新设计模式零基础入门学习蹊径 + 设计模式教程
[*]最新软件工程零基础入门学习蹊径 + 软件工程教程

免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。

页: [1]

qidao123.com技术社区-IT企服评测·应用市场's Archiver

炸裂！Spring AI 1.0 正式发布，让 Java 再次伟大！