AI 编程技巧、技术笔记
想使用AI进行开发，还有有很多技巧的。——如何让AI生成的代码更准确？
**************************************************************************************************************
编程技巧
上篇说到Prompt提示词，提问的质量决定了回答的准确性。所以优化Prompt让开发更轻松。
1、优化Prompt
Prompt的质量直接决定了AI生成代码的准确性，正因如此，就有了Prompt工程概念。
想要掌握最基本的Prompt优化技巧，比如明确AI的角色，提供具体的细节要求，拆解任务没提供示例等等，可以看看智谱AI开放平台，进行学习。
有需求的话，建议手写Prompt扔给AI,让其帮我们生成一段高质量、结构化的需求文档，再喂给AI工具，通义灵码、Cursor等，效率和效果会更好。
| 完成需求文档通常包括 | |
| · 明确项目背景和目标 | · 详细列出功能要求和技术栈 |
| · 执行代码风格和架构模式 | · 提供示例和参考资料 |
| · 明确限制条件和边界场景 | |
2、复杂项目的生成技巧
对于复杂的项目，可以采用分布迭代策略：
1、先利用工具（Cursor的Agent模式+高级推理模型）生成基础项目框架，暂时能运行即可
2、划分模块和功能点，依次向AI提问，逐步实现核心功能并验证是否可用
3、在保证不影响功能的前提下，优化实现细节
招式：
1、项目模块化。由于AI的脑容量不大，能接受的上下文是有限的，随着项目信息量不断增大，它有可能忘记之前的信息，导致生成错误代码。所以尽量把项目功能隔离开，把一个大项目分割成多个小项目，让AI生成某个功能时只需要关注小部分上下文，得到的结果会更精准。
例子：开发一个电商系统，可以把商品管理模块独立出来，当需要AI生成添加商品功能的代码时，只需要提供商品表字段设计、添加商品的业务逻辑规则，不需要把支付结算，用户会员等关联不大的功能作为上下文提供给AI。
2、修改限定范围。AI生成的代码可能没有那么可控，经常改A功能，同时把B功能也顺带修改了，这个问题会经常遇到，只要在提示词中限定修改范围即可。
例子：
仅修改service.impl/GoodsServiceImpl.java中的updateGoods方法：
1、添加分布式锁防止超卖
2、保持现有日志格式
3、不改动其他文件和逻辑
3、抽象和复用。假如我们要让AI生成2个布局一样的页面，他生成的方式就会死板，生成1后复制2，这样一方修改不利于维护。所以可以适当告诉AI:帮我抽象1页面，1代码为可复用组件。这样会减少项目代码量，，也有助于减轻AI记忆负担。
4、版本控制。建议利用Git版本控制工具对代码进行管理，每正确生成一个功能后提交一个版本，在每次生成新代码后，人工进行对比，出了问题可以快速还原，防止代码丢失。
**************************************************************************************************************
编程技术
“AI时代，所有的传统业务都值得利用AI重塑”
学习AI，不只是会用AI工具，能利用AI工具开发项目，还能自主开发AI项目，同时把AI的能力接入到自己的项目中。
1、AI开发框架
目前主流的AI开发框架，Spring AI 、LangChain4j、LangGraph
Spring AI和LangChain4j比较类似，都提供了很多现成的方法，可以提高开发AI应用的效率，
比如快速对接大模型、保存会话上下文、对接向量数据库实现RAG 等等等等。
区别是Spring AI更容易和主流java开发框架Spring集成，容易上手；LangChain4j则更灵活，适合开发复杂的智能体。比如开发一个智能文档分析系统时，利用LangChain4j，智能体能够自动读取文档内容，调用搜索 引擎获取相关背景知识，然后根据任务需求，将文档信息与外部知识结合，生成分析报告。
建议，从Spring AI 学起。
| 场景 | 推荐框架 | 优势 |
| Java企业应用 | Spring AI | 无缝集成Spring生态 |
| 智能体开发 | LangChain4j | 完整Agent工具链 |
| 复杂工作流 | LangGraph | 可视化编排 |
2、AI集成
开发AI应用的前提是要有大模型，但是大模型需要消耗算力才能运行，算力就需要money，所以可以使用2中方法，接入大模型：1、AI云服务、2、本地部署大模型
AI云服务
AI云服务就是其他企业为我们部署了AI大模型，通过API接口方式提供给我们使用，按量计费。
比如：阿里云百炼、火山引擎、硅基流动、Open AI，这些广告机场、高铁等很常见。
重点掌握：
1、如何通过API接入云服务
2、如何通过使用AI云服务来创建智能体和配置参数
3、如何选择合适的云服务？需要关注和对比各家云服务的计费模式和服务质量
4、如何更低成本，更稳定的使用云服务？需要重点学习Prompt工程额高可用技术
本地部署大模型
本地部署大模型对于很多企业来说既是刚需，也是资源开销（部署大模型的难度不在于技术，在于算力，也就是money）。
好处是数据无需上传云端，能够有效保障数据的安全性和隐私性，尤其适用于医疗、金融等对数据安全比较敏感的行业。
本地部署大模型，较为常见的Ollama工具，可实现一键部署各种主流开源模型。
3、AI领域业务
企业中的AI业务开发，不仅仅是和AI进行对话就够了，还要掌握复杂的业务开发，比如RAG知识库，多模态、MCP服务、ReAct智能体。
RAG知识库
各家公司都有自己的业务和文档内容，会构建适合自己的问答系统和客服，这就需要用到RAG检索增强生成技术。先通过文本嵌入模型，将企业文化和内容文档转化为向量，存入向量数据库；用户提问时，系统在向量数据库中检索相关向量数据，找到最相似文档片段，和问题一起输入大模型进行处理，这样的话，大模型能够基于企业真实数据作答，更准确贴合实际。
关于RAG需要掌握，向量数据库Milvus和PGVector、文档的抽取/转换/加载、索引的构建、查询策略的优化等等。
多模态
多模态也是主流的AI业务场景，即融合文本、图像、音频、视频等多种不同类型的数据模态，从而提高产品使用的易用性，扩展出更多创意的功能。
比如做个智能导购系统，既可以输入文字描述，又可以上传图片，甚至可以理解上传的音频文件或者分析视频文件。系统会将这些来自不同模态的数据进行整合处理，在商品数据库中精准匹配符合要求的商品，并返回结果。
想开发多模态应用，需要掌握模态转换技术，比如文本转语音（TTS）、语音转文本（STT）、光学字符识别（OCR）等，不过这些都有现成的工具库或者云服务，掌握调用方式即可。
还可以通过Spring AI、LangChain等AI开发框架调用不同模态大模型，降低开发难度。
MCP服务
MCP（Model Context Protocol，模型上下文协议）可以理解为 提供给AI的各种服务，AI利用这些服务能够实现更强大的功能。
如何在项目中接入MCP服务，来真强自己的项目能力；以及如何开发自己的MCP服务，让别人可以使用，就很强。
ReAct智能体
ReAct是一种构建智能体的开发范式，目的是打造能够依据推理结果自主采取行动的智能体。
他的开发过程会涉及到任务规划、工具调用、交互I/O，异常处理等知识。尤其是工具调用，可以通过Function Call或MCP实现，天气查询，文件读写，网页运行，信息检索，终端命令执行等功能
示例：
开发视频网站为例，用户说“帮我开发Dilidili视频网站并部署上线”的指令时，智能体首先会深入理解任务内容，通过推理，梳理出一系列执行步骤，包括明确需求，设计方案，搭建框架，生成代码，部署上线等流程。
那么智能体会调用相应的工具来执行这些行动。如果执行过程遇到问题，还会询问我们的意见，重新推理并及时调整行动方案。
4、AI工具链
AI开发过程中可能会用到平台、工具和类库。
低代码平台
比如：低代码AI开发平台Dify，可以通过拖拽的方式构建自己的AI智能体，创建知识库并导入自己的文档，搭建复杂的工作流等等，哪怕是不会代码，依然很强。
工具库
开发AI智能体时会用到工具库。
1、Apache Tika，功能强大的文件解析器工具库，支持解析PDF、Word、Excel、PowerPoint等各种文档，然后提供给AI作为知识。
2、Playwright，用于模拟浏览器行为的工具库，AI需要运行网页，抓取网页数据，自动化测试时，可用。
3、JSON格式解析库GSON和Kryo
4、HTML文档解析库jsoup
部署工具
项目的最终部署上线，可以让AI应该从开发环境顺利过渡到生产环境。为用户提供稳定的服务。
如果追求价格和稳定，优先选择大厂提供的云服务部署。如果快速上线AI小应用，可以选择：
Vercel：适合前端应用的部署平台，支持自动构建、在线浏览，CDN分发，而且还免费提供可访问的域名。
Sealos：云原生应用管理平台，支持Kubernetes集群管理里，为AI应用提供容器化部署环境，适合需要弹性伸缩的AI服务。
Railway：能让开发人员轻松部署Docker容器，无需操心服务器配置与运维，且自带自动化构建工具，环境管理能力等
想快速部署服务Docker可以轻松搞定，像安装app一样简单。
Docker是一个开放源代码的软件容器化平台，它极大地简化了应用程序的部署、扩展和管理。通过Docker，开发者可以将应用程序及其依赖打包到一个称为“容器”的独立单元中，这个容器可以在任何环境中运行，无论是开发者的个人电脑、测试服务器还是生产环境中的服务器。这种一致性确保了应用在不同阶段的环境中行为一致。
容器与虚拟机类似，但更轻量级。虚拟机需要运行一整个操作系统，而容器只是共享主机操作系统的内核，并在其上运行多个隔离的用户空间实例。这使得容器比虚拟机启动更快、占用资源更少。
Docker的主要特性包括：
镜像（Images）：Docker容器的基础是镜像，这是一个轻量级、独立、可执行的软件包，包含了运行某个软件所需的一切：代码、运行时、库、环境变量和配置文件。
容器（Containers）：容器是从镜像创建的运行实例。你可以使用一个镜像创建多个容器，每个都是相互隔离的。
仓库（Registry）：用于存储和分发镜像的地方。Docker Hub是Docker官方提供的一个公共仓库，除此之外，用户也可以建立自己的私有仓库。
Docker已经成为现代软件开发流程中不可或缺的一部分，尤其是在持续集成和持续交付（CI/CD）领域。通过使用Docker，团队能够加快开发速度，提高生产力，同时减少从开发到生产的环境差异带来的问题。