这套专栏走到今天正篇 90 篇打底续集《AI 工程化深水区》60 篇接着往生产级走加起来 150 篇、22 个阶段。你现在的位置和要去的地方都在这张图里上半部分是正篇——前 8 个阶段Day 1-56把后端基本功夯实中间 4 个阶段Day 57-86从云原生切进大模型、RAG 和 Agent最后 4 篇用收官项目把能力串起来下半部分是续集——正篇解决能不能跑起来续集解决敢不敢上生产Agent 工程化、RAG 深水区、模型推理、AI 工程底座、数据工程、架构师进阶。底部四级台阶就是读者的成长路径会用框架 → 会调大模型 → 能落地 AI 应用 → 敢上生产、能架构。一、AI 时代后端工程师的三层能力地图我把这 90 篇覆盖的能力分成三层。不是职位等级而是你能独立搞定多大的 AI 工程问题。图 2 怎么看第一层是地基——能调用模型 API、理解 Token 与成本Day 26 接入 Spring AI 时你其实已经站上来了第二层是主战场——把大模型能力封装成可上线的业务接口RAG、Function Calling、流式接口都在这一层第三层是视角——成本、延迟、幻觉、合规这四个词决定你的技术方案能不能活过上线第一周。每层右侧标了对应的文章区间哪层虚就回去翻哪层。大部分 2~5 年 Java 开发者第一层已经有一半了——你会写接口、会接 SDK、会用 Spring Boot。真正卡人的是第二层怎么把调用大模型变成可维护的业务能力。第三层不是让你马上做架构师而是让你有架构师的视角。因为 AI 系统里成本、延迟、幻觉、合规这四个词会反过来决定你的技术方案能不能活过上线第一周。二、自测你目前在第几层别凭感觉。我写了一个最小化的能力自评工具把 90 天里的关键能力点列出来你自己打分。// CompetencyRadar.java —— JDK 17 // 用途给自己做一次 AI 工程能力体检满分 100 // 依赖无纯 Java 标准库 import java.util.Arrays; import java.util.List; ​ public class CompetencyRadar { ​ enum Dimension { // 第一层基础 JAVA_CORE(Java 核心/JVM/并发, 10), SPRING_ECOSYSTEM(Spring Boot/Spring Cloud, 10), DB_REDIS(MySQL/Redis/消息队列, 10), LLM_BASICS(Transformer/Token/模型选型, 10), ​ // 第二层应用 PROMPT_ENGINEERING(Prompt 工程与版本管理, 10), RAG(RAG文档处理→向量检索→增强生成, 15), FUNCTION_CALLING(Function Calling / Tool Use, 10), STREAMING_API(流式接口 SSE/WebFlux 设计, 10), ​ // 第三层架构 COST_OBSERVABILITY(Token 成本与可观测性, 10), AI_SECURITY(AI 安全/合规/降级预案, 5); ​ final String label; final int maxScore; ​ Dimension(String label, int maxScore) { this.label label; this.maxScore maxScore; } } ​ /** 给自己每个维度打分0 ~ maxScore */ public static void evaluate(int[] scores) { if (scores.length ! Dimension.values().length) { throw new IllegalArgumentException(分数数组长度必须等于维度数量); } ​ int total 0; int maxTotal 0; Dimension[] dims Dimension.values(); System.out.println( AI 工程能力自评 ); for (int i 0; i dims.length; i) { Dimension d dims[i]; int s Math.min(Math.max(scores[i], 0), d.maxScore); total s; maxTotal d.maxScore; String bar █.repeat(s / 2) ░.repeat((d.maxScore - s) / 2); System.out.printf(%-30s %s %2d/%d%n, d.label, bar, s, d.maxScore); } System.out.printf(%n总分: %d / %d (%.1f%%)%n, total, maxTotal, 100.0 * total / maxTotal); ​ // 简单分层判断 if (total 35) { System.out.println(建议先补第一层基础别急着追 RAG。); } else if (total 70) { System.out.println(建议第二层是你的主战场挑一个 RAG 或 Function Calling 项目做到上线。); } else { System.out.println(建议你已经能独立做 AI 应用下一步是多模型网关、成本可观测与合规。); } } ​ public static void main(String[] args) { // 示例一个工作 3 年的 Java 后端刚学完 Spring AI 的典型分数 int[] sampleScores {8, 8, 7, 5, 5, 6, 4, 5, 3, 2}; evaluate(sampleScores); } }跑一遍这个程序把sampleScores换成你自己的真实分数。低于 60 分不丢人丢人的是不敢承认自己在哪弱。我给自己打过分RAG 和 Prompt 工程能到 8 分以上但 AI 安全和合规只有 5 分。这就是接下来半年我要补的地方。用示例分数跑出来的雷达长这样主观自评非实测值图 3 怎么看蓝色实线是一个3 年 Java 后端、刚学完 Spring AI的典型画像——传统后端四项Java 核心、Spring、数据库、消息队列都在 70%~80%但一进 AI 区就塌下去了RAG 只拿到 6/15、Function Calling 4/10、AI 安全合规更是只有 2/5。橙色虚线是 60% 参考线凹陷最深的地方就是你接下来该投入的地方。测完分直接对照下面的处方开药图 4 和CompetencyRadar里的三档判断一一对应35 分以下补地基35~70 分死磕一个上线项目70 分以上往成本可观测和合规走。别跳档地基不稳越往上越晃。三、面试高频 AI 题不是考你背概念是考你有没有真的做过最近面了几个候选人在聊 AI 项目发现很多人能说出RAG 是检索增强生成但一到细节就露馅。下面两道题是 2025~2026 年 Java 后端转 AI 工程的高频题。题 1手写一个最小 RAG 流程面试官不是要你背 Spring AI 的类名是要看你知不知道 RAG 的数据飞轮长什么样。// RagMiniAnswer.java —— JDK 17 Spring AI 1.0 // 面试考点文档切片、Embedding、向量检索、Prompt 增强 import org.springframework.ai.chat.client.ChatClient; import org.springframework.ai.document.Document; import org.springframework.ai.embedding.EmbeddingModel; import org.springframework.ai.vectorstore.VectorStore; import org.springframework.stereotype.Service; import java.util.List; import java.util.stream.Collectors; ​ Service public class RagMiniAnswer { ​ private final EmbeddingModel embeddingModel; private final VectorStore vectorStore; private final ChatClient chatClient; ​ public RagMiniAnswer(EmbeddingModel embeddingModel, VectorStore vectorStore, ChatClient chatClient) { this.embeddingModel embeddingModel; this.vectorStore vectorStore; this.chatClient chatClient; } ​ /** 步骤 1文档入库 —— 切片 Embedding 写入向量库 */ public void ingest(String rawText) { // 生产环境用按语义/递归切片这里用固定长度演示核心流程 int chunkSize 500; ListDocument chunks java.util.ArrayList.new(); for (int i 0; i rawText.length(); i chunkSize) { String chunk rawText.substring(i, Math.min(i chunkSize, rawText.length())); chunks.add(new Document(chunk)); } // Spring AI 自动调用 EmbeddingModel写入 VectorStore vectorStore.add(chunks); } ​ /** 步骤 2问答 —— 检索相关片段 → 拼 Prompt → 调大模型 */ public String answer(String question) { // 取 top-3 相关片段 ListDocument relevant vectorStore.similaritySearch( org.springframework.ai.vectorstore.SearchRequest.query(question).withTopK(3)); ​ String context relevant.stream() .map(Document::getText) .collect(Collectors.joining(\n---\n)); ​ // 关键把检索结果放进 system prompt约束模型只基于上下文回答 return chatClient.prompt() .system(s - s.text( 你是企业知识库助手。请严格根据以下参考材料回答问题。 如果参考材料中没有答案请直接说我不知道不要编造。 ​ 参考材料 {context} ).param(context, context)) .user(question) .call() .content(); } }面试官真正在听的点你有没有显式处理检索为空和模型编造的矛盾切片策略有没有考虑过语义完整性相似度阈值有没有调过题 2Function Calling 是怎么让模型调用业务接口的这道题考的是模型和业务的边界。// FunctionCallDemo.java —— JDK 17 Spring AI 1.0 // 面试考点Tool 定义、参数 schema、模型决策、业务执行 import org.springframework.ai.chat.client.ChatClient; import org.springframework.ai.tool.function.FunctionToolCallback; import org.springframework.context.annotation.Bean; import org.springframework.context.annotation.Configuration; import java.util.function.Function; ​ Configuration public class FunctionCallDemo { ​ // 业务函数查询订单状态 public record OrderQuery(String orderId) {} public record OrderResult(String orderId, String status, double amount) {} ​ Bean public FunctionOrderQuery, OrderResult queryOrderStatus() { return req - { // 实际调用订单服务或数据库 return new OrderResult(req.orderId(), 已发货, 199.0); }; } ​ Bean public ChatClient chatClient(ChatClient.Builder builder, FunctionOrderQuery, OrderResult queryOrderStatus) { // 把业务函数注册成模型可调用的 Tool return builder.defaultTools( FunctionToolCallback.builder(queryOrderStatus, queryOrderStatus) .description(根据订单号查询订单状态和金额) .inputType(OrderQuery.class) .build() ).build(); } }核心原理一句话模型不直接调接口模型只决定该调哪个工具、参数是什么真正执行工具的是你的 Java 代码。这样就把概率性的大脑和确定性的业务隔离开了。四、学习资源清单少即是多90 天不可能覆盖所有细节。下面这些是我反复推荐、自己也还在看的资源。不要全看每个层级选 1~2 个看完就用。层级类型资源为什么选它第一层课程DeepLearning.AI《AI For Everyone》快速建立非技术决策者也能懂的大模型认知第一层文档Spring AI 官方 Reference最权威的 Java AI 开发入口第二层项目用 Spring AI pgvector 搭一个企业知识库做完一遍RAG 才算真会第二层书籍《Building LLM Apps》讲清 LLM 应用架构的权衡不偏数学第三层论文/博客OpenAI、Anthropic 官方工程博客看顶尖团队怎么处理成本、安全、可观测性第三层实践给自己项目加 Token 计费仪表盘不上线一次永远不知道成本会怎么爆炸一个重要提醒不要陷入收藏夹吃灰。每学一个点就问自己这个能放进我现在的项目里吗不能就先放一放。五、开源项目贡献最快的成长方式看十篇博客不如改一个 bug。对 Java 开发者来说下面是三类适合入门的开源方向。// GoodFirstIssueFilter.java —— JDK 17 HttpClient // 用途用 GitHub API 筛选适合新手的 Java/AI 相关 issue import java.net.URI; import java.net.http.HttpClient; import java.net.http.HttpRequest; import java.net.http.HttpResponse; import java.time.Duration; ​ public class GoodFirstIssueFilter { ​ public static void main(String[] args) throws Exception { String repo spring-projects/spring-ai; // 可换成 langchain4j 等 String url https://api.github.com/repos/ repo /issues?labelsgood%20first%20issuestateopenper_page5; ​ HttpClient client HttpClient.newBuilder() .connectTimeout(Duration.ofSeconds(10)) .build(); ​ HttpRequest request HttpRequest.newBuilder(URI.create(url)) .header(Accept, application/vnd.githubjson) .header(User-Agent, java-dev) .GET() .build(); ​ HttpResponseString response client.send(request, HttpResponse.BodyHandlers.ofString()); ​ System.out.println(状态码: response.statusCode()); System.out.println(前 5 个 good first issue 摘要); // 简单打印 JSON实际可用 Jackson 解析 title 和 html_url System.out.println(response.body().substring(0, 1200)); } }推荐的入门项目Spring AIJava 生态的 AI 应用框架issue 质量高文档完善。LangChain4j如果你想深耕 Agent 和 Tool Use。pgvector Java 客户端小项目适合第一次提 PR。贡献顺序读文档找 typo → 补单元测试 → 修复简单 bug → 提交一个小 feature。不要一上来就重构核心模块。六、三条能让你站稳脚跟的实战建议1. 保留你的 Java 底子但别让它成为你的天花板AI 时代Java 不会死但只会写 CRUD 的 Java 工程师会很危险。你的 Spring Boot、MySQL、Redis、K8s 经验是优势因为 AI 应用最终也要部署、也要高可用、也要可观测。把 AI 能力嫁接在你已有的工程能力上而不是从零开始学 Python。2. 三个月内必须把一个 AI 功能推到生产环境本地 demo 和线上环境隔着一个太平洋。只有真正上线你才会遇到Token 暴涨、模型超时、用户输入 Prompt 注入、缓存失效、成本失控。这些坑光看文章踩不到。3. 建立你的人机协作工作流Cursor、Copilot、ChatGPT 不是敌人是你新的 IDE 插件。但要有边界让 AI 写 boilerplate、写单测、补注释不让 AI 直接写核心算法、不写未 review 的生产代码所有 AI 生成的代码必须能被你讲清楚。AI 不会取代 Java 后端工程师但会用 AI 的 Java 后端工程师一定会取代不会用的。90 天我们从 JDK 聊到 JVM从 Spring 聊到 Spring AI从 Redis 聊到 RAG从单体聊到 AI 网关。这条路很长但每一步都算数。这不是终点。把你的第一个 AI 功能推上线然后回来告诉我它花了多少 Token、延迟多少毫秒、用户骂了还是夸了——那才是下一阶段的开始。江湖路远我们下一段旅程见。