描述
內容簡介
|
作者簡介
| 凱文大叔(蔡承凱)
擁有超過 20 年的 Java 開發經驗，對 Java 生態系統了如指掌，擅長使用 Spring Boot 框架開發高效穩定的系統。除了全職軟體工程師的角色，也在 Amazing Talker 擔任程式語言講師，透過深入淺出的教學方式，幫助學員快速掌握技術。 近期，專注於人工智慧（AI）的應用研究，尤其是模型整合、RAG及智能化工作流程( Dify )的應用，探索 AI 科技如何改變未來。歡迎加入學習與成長的行列，一起探索 AI 的無限可能！ 歡迎追蹤我的社群帳號 FB: 凱文大叔教你寫程式 Youtube: 凱文大叔AI程式設計教室 Threads: 凱文大叔(@cai.chengkai)
也歡迎透過 Email 跟我分享你的學習心得。 Email：kevintsai1202@gmail.com.tw |
目錄
| ►第 1 章 Spring Boot 基礎
1.1 快速入門 - 10 分鐘建立第一個應用 本節概要 1.1.1 為什麼選擇 Spring Boot ？ 1.1.2 建立開發環境 1.1.3 建立第一個 Spring Boot 專案 1.1.4 第一次啟動 1.1.5 為 Spring AI 做準備 1.1.6 本節重點回顧 1.1.7 下一步 1.1.8 參考資源
1.2 專案架構與配置 - 掌握自動配置與標準架構 本節概要 1.2.1 為什麼專案架構如此重要？ 1.2.2 Spring Boot 標準專案結構 1.2.3 三層架構設計 1.2.4 配置管理策略 1.2.5 依賴注入架構 1.2.6 Maven 專案結構 1.2.7 環境配置管理 1.2.8 本節重點回顧 1.2.9 下一步 1.2.10 參考資源
1.3 核心註解與依賴注入 - 深入解析註解驅動開發 本節概要 1.3.1 為什麼需要註解？ 1.3.2 Spring Boot 註解體系概覽 1.3.3 核心啟動註解 1.3.4 組件註解 1.3.5 依賴注入詳解 1.3.6 Web 開發核心註解 1.3.7 配置相關註解 1.3.8 為 Spring AI 做準備 1.3.9 本節重點回顧 1.3.10 下一步 1.3.11 參考資源
1.4 實戰：打造你的第一個 Spring Boot 應用 本節概要 1.4.1 專案需求分析 1.4.2 系統架構設計 1.4.3 資料模型設計 1.4.4 DTO 模式實作 1.4.5 資料流程圖 1.4.6 服務層實作 1.4.7 Controller 層實作 1.4.8 配置檔案 1.4.9 API 測試 1.4.10 安全性設計 1.4.11 關鍵技術說明 1.4.12 本節重點回顧 1.4.13 下一步 1.4.14 參考資源
►第 2 章 Spring MVC 與 API 開發 2.1 Spring MVC 基礎 - 架構原理與請求處理流程 本節概要 2.1.1 MVC 架構概述 2.1.2 現代架構：前後端分離 2.1.3 DispatcherServlet 工作流程 2.1.4 @RestController vs @Controller 2.1.5 JSON 自動處理機制 2.1.6 為 Spring AI 做準備 2.1.7 本節重點回顧 2.1.8 下一步 2.1.9 參考資源
2.2 RESTful API 設計 - 原則與最佳實踐 本節概要 2.2.1 REST 架構約束條件 2.2.2 HTTP 方法語義化使用 2.2.3 完整 CRUD 操作實現 2.2.4 URL 設計規範 2.2.5 HTTP 狀態碼最佳實踐 2.2.6 本節重點回顧 2.2.7 下一步 2.2.8 參考資源
2.3 請求與回應處理 - 精通 HTTP 參數綁定與內容協商 本節概要 2.3.1 請求參數處理 2.3.2 @PathVariable - 路徑參數 2.3.3 @RequestParam - 查詢參數 2.3.4 @RequestBody - 請求體參數 2.3.5 @RequestHeader - 請求標頭 2.3.6 統一回應格式設計 2.3.7 全域異常處理 2.3.8 HTTP 狀態碼最佳實踐 2.3.9 本節重點回顧 2.3.10 下一步 2.3.11 參考資源
►第 3 章 生產級 API 開發實踐 3.1 資料驗證與錯誤處理 - 建構穩固的防禦機制 本節概要 3.1.1 為什麼需要資料驗證？ 3.1.2 資料驗證完整流程 3.1.3 Bean Validation 實作 3.1.4 自訂驗證註解 3.1.5 全域異常處理 3.1.6 自訂業務異常 3.1.7 實際應用場景 3.1.8 本節重點回顧 3.1.9 下一步 3.1.10 參考資源
3.2 檔案處理與多媒體 - 從上傳到安全存取 本節概要 3.2.1 檔案處理的重要性 3.2.2 HTTP 檔案上傳原理 3.2.3 檔案上傳配置 3.2.4 檔案上傳實作 3.2.5 檔案下載實作 3.2.6 安全性考量 3.2.7 實際應用場景 3.2.8 本節重點回顧 3.2.9 下一步 3.2.10 參考資源
3.3 API 文件化實戰 - 整合 Swagger 與 OpenAPI 本節概要 3.3.1 Swagger / OpenAPI 工作流程 3.3.2 整合 Swagger / OpenAPI 3.3.3 使用 Swagger 註解 3.3.4 API 測試工具 3.3.5 API 測試類型 3.3.6 實際應用場景 3.3.7 本節重點回顧 3.3.8 下一步 3.3.9 參考資源
►第 4 章 Spring AI 的誕生與核心價值 Spring AI 1.0 GA 的革命性變革 ChatClient - 統一的核心 API 增強的 LLM 功能 Advisor API - AOP 思想的延伸
4.1 取得 AI 入門鑰匙 - API Key 申請指南 本節概要 4.1.1 為什麼需要 API Key？ 4.1.2 主要 AI 服務提供商 4.1.3 API Key 配置與管理 4.1.4 成本控制與監控 4.1.5 本節重點回顧 4.1.6 下一步 4.1.7 參考資料
4.2 Hello AI World - 建立您的第一個 AI 應用 本節概要 4.2.1 Spring AI 架構概述 4.2.2 專案建立與依賴配置 4.2.3 使用 ChatClient 實現 AI 對話 4.2.4 ChatClient 自動配置與客製化 4.2.5 ChatModel 直接使用方式 4.2.6 測試 AI 應用程式 4.2.7 ChatClient vs ChatModel 使用時機 4.2.8 本節重點回顧 4.2.9 下一步 4.2.10 參考資料
4.3 流式輸出實現 - 整合 Server-Sent Events (SSE) 本節概要 4.3.1 為什麼需要流式輸出？ 4.3.2 ChatClient 流式輸出實作 4.3.3 進階流式輸出控制 4.3.4 使用 ChatModel 的流式輸出 4.3.5 應用程式配置 4.3.6 本節重點回顧 4.3.7 下一步 4.3.8 參考資料
4.4 深入 ChatModel - AI 對話核心機制 本節概要 4.4.1 Spring AI 架構全貌 4.4.2 ChatModel 核心介面 4.4.3 AI 模型參數配置 4.4.4 多模型支援架構 4.4.5 本節重點回顧 4.4.6 下一步 4.4.7 參考資料
4.5 前端串流處理 - Server-Sent Events 實戰 本節概要 4.5.1 EventSource API 基礎 4.5.2 建立流式聊天介面 4.5.3 JavaScript 流式聊天實現 4.5.4 本節重點回顧 4.5.5 下一步 4.5.6 參考資料
►第 5 章 Spring AI 進階功能 5.1 提示詞範本 (Prompt Template) - 標準化你的 AI 互動 本節概要 5.1.1 什麼是提示詞範本？ 5.1.2 方式一：最簡單的 Fluent API 5.1.3 方式二：使用 PromptTemplate 類別 5.1.4 方式三：外部檔案管理（最佳實踐） 5.1.5 進階應用：動態角色切換 5.1.6 本節重點回顧 5.1.7 下一步 5.1.8 參考資料
5.2 多模態處理 - 讓 AI 看見與聽見 本節概要 5.2.1 什麼是多模態 AI？ 5.2.2 支援多模態的 AI 模型 5.2.3 圖片分析功能實現 5.2.4 多媒體檔案處理 5.2.5 企業級應用場景 5.2.6 本節重點回顧 5.2.7 下一步 5.2.8 參考資料
5.3 圖像生成實戰 - 從文字到圖像 本節概要 5.3.1 AI 圖片生成的革命性影響 5.3.2 Spring AI 支援的圖片生成模型 5.3.3 OpenAI DALL·E 3 整合 5.3.4 進階功能實現 5.3.5 最佳實踐 5.3.6 本節重點回顧 5.3.7 下一步 5.3.8 參考資料
5.4 字幕產生器 - 影片自動上字幕 本節概要 5.4.1 為什麼需要 AI 字幕生成？ 5.4.2 Spring AI 語音轉文字架構 5.4.3 Whisper 模型介紹 5.4.4 配置與實現 5.4.5 字幕格式說明 5.4.6 最佳實踐 5.4.7 本節重點回顧 5.4.8 下一步 5.4.9 參考資料
5.5 語音合成 (Text-to-Speech) - 賦予應用聲音 本節概要 5.5.1 為什麼需要 AI 配音？ 5.5.2 Spring AI 語音生成架構 5.5.3 OpenAI TTS 模型與聲音 5.5.4 配置與實現 5.5.5 成本與效益分析 5.5.6 最佳實踐 5.5.7 本節重點回顧 5.5.8 下一步 5.5.9 參考資料
5.6 Function Calling（上）- 賦予 AI 操作世界的能力 本節概要 5.6.1 AI 為什麼需要工具？ 5.6.2 Tool Calling 基礎架構 5.6.3 第一個 Tool - 時間查詢 5.6.4 @Tool 註解詳解 5.6.5 多工具協作 5.6.6 最佳實踐 5.6.7 完整示例：智能助手 5.6.8 重點回顧 5.6.9 下一步 5.6.10 參考資料
5.7 Function Calling（中）- 讀取企業資料 本節概要 5.7.1 為什麼需要 Tool Calling？ 5.7.2 Tool Calling 架構 5.7.3 基礎工具實現 5.7.4 進階工具開發 5.7.5 實際應用場景 5.7.6 最佳實踐 5.7.7 工具設計模式 5.7.8 本節重點回顧 5.7.9 下一步 5.7.10 參考資料
5.8 Function Calling（下）- 進階工具鏈與多步驟任務 本節概要 5.8.1 為什麼需要工具鏈？ 5.8.2 工具鏈執行流程 5.8.3 實戰：建立工具鏈系統 5.8.4 實際應用場景 5.8.5 控制器實現 5.8.6 本節重點回顧 5.8.7 下一步
5.9 即時資料查詢 - 串接氣象 API 本節概要 5.9.1 為什麼要整合真實 API？ 5.9.2 中央氣象局 API 整合 5.9.3 實戰：建立天氣查詢系統 5.9.4 控制器實現 5.9.5 測試應用 5.9.6 錯誤處理策略 5.9.7 本節重點回顧 5.9.8 下一步 5.9.9 參考資料
5.10 結構化輸出 - 從 AI 回應到 Java 物件 本節概要 5.10.1 結構化輸出的重要性 5.10.2 三種轉換器的用途 5.10.3 現代化 API 實現 5.10.4 傳統轉換器實現 5.10.5 企業級應用場景 5.10.6 最佳實踐和優化 5.10.7 本節重點回顧 5.10.8 下一步 5.10.9 參考資料
►第 6 章 AI 記憶與知識管理 6.1 In-Context Learning - 賦予 AI 上下文感知能力 本節概要 6.1.1 為什麼需要 In-Context Learning？ 6.1.2 In-Context Learning 核心概念 6.1.3 實現方式 6.1.4 Spring AI 1.0 的改進 6.1.5 實際應用場景 6.1.6 與其他概念的關係 6.1.7 本節重點回顧 6.1.8 In-Context Learning 的自動化：RAG 6.1.9 下一步
6.2 短期記憶系統 - ChatMemory 實戰應用 本節概要 6.2.1 為什麼需要 ChatMemory？ 6.2.2 ChatMemory 架構設計 6.2.3 InMemoryChatMemory 實現 6.2.4 MessageWindowChatMemory（滑動視窗） 6.2.5 兩種 Advisor 的差異 6.2.6 多種儲存後端 6.2.7 重點回顧 6.2.8 下一步
6.3 Advisor 插件化開發 - 自訂 AI 增強功能 本節概要 6.3.1 什麼是 Advisor？ 6.3.2 Spring AI 1.0+ 新版 API 6.3.3 實戰：TokenUsageLogAdvisor 6.3.4 Advisor 執行順序 6.3.5 進階範例 6.3.6 本節重點回顧 6.3.7 下一步
6.4 向量資料庫選擇 - 20+ 資料庫完整對比 本節概要 6.4.1 什麼是向量資料庫？ 6.4.2 Spring AI 1.0 支援的向量資料庫 6.4.3 Docker Compose 快速部署 6.4.4 選擇決策樹 6.4.5 Spring AI 動態配置 6.4.6 性能對比 6.4.7 本節重點回顧 6.4.8 下一步
6.5 Neo4j 向量搜尋實戰 - 配置與部署 本節概要 6.5.1 為什麼選擇 Neo4j？ 6.5.2 Docker 部署 6.5.3 向量索引配置 6.5.4 Spring AI 配置 6.5.5 資料操作 6.5.6 效能優化 6.5.7 實用 Cypher 查詢 6.5.8 常見問題 6.5.9 本節重點回顧 6.5.10 下一步
6.6 長期記憶系統 - 跨會話記憶管理 本節概要 6.6.1 向量記憶 vs 傳統記憶 6.6.2 基本配置 6.6.3 混合記憶架構 6.6.4 實戰範例 6.6.5 進階配置 6.6.6 適用場景與限制 6.6.7 記憶同步機制 6.6.8 本節重點回顧 6.6.9 下一步
6.7 智能摘要系統 - 自動整理對話重點 本節概要 6.7.1 為什麼需要智能摘要？ 6.7.2 SmartMemoryAdvisor 設計 6.7.3 混合記憶策略 6.7.4 對話分析功能 6.7.5 記憶優化技術 6.7.6 本節重點回顧 6.7.7 下一步
►第 7 章 RAG 系統建構與企業知識庫整合 7.1 RAG 原理與實現 - 讓 AI 讀懂你的文件 本節概要 7.1.1 什麼是 RAG？ 7.1.2 RAG 完整流程 7.1.3 RAG vs Fine-tuning vs Prompt Engineering 7.1.4 Spring AI RAG 實現 7.1.5 向量資料庫配置 7.1.6 完整使用流程 7.1.7 文本分塊策略 7.1.8 RAG 效能調校 7.1.9 實際應用場景 7.1.10 RAG 系統優化技巧 7.1.11 REST API 設計 7.1.12 與其他概念的關係 7.1.13 本節重點回顧 7.1.14 下一步 7.1.15 相關資源
7.2 內容向量化 - Embedding 技術詳解 本節概要 7.2.1 什麼是向量化？ 7.2.2 Spring AI Embedding 模型 7.2.3 Spring AI 向量化實現 7.2.4 向量品質評估 7.2.5 相似度計算方法 7.2.6 向量化成本優化 7.2.7 多語言支援 7.2.8 實戰技巧 7.2.9 本節重點回顧 7.2.10 下一步 7.2.11 相關資源
7.3 知識來源處理 - 支援 PDF、Word、Excel 本節概要 7.3.1 什麼是 ETL？ 7.3.2 Spring AI ETL 架構 7.3.3 PDF 文件處理 7.3.4 Office 文件處理（Tika） 7.3.5 文本文件處理 7.3.6 網頁內容處理 7.3.7 ETL Pipeline 設計 7.3.8 元資料增強 7.3.9 REST API 整合 7.3.10 本節重點回顧 7.3.11 下一步 7.3.12 相關資源
7.4 進階文件處理 - 整合 OCR 與壓縮檔 本節概要 7.4.1 為什麼需要進階文件處理？ 7.4.2 多格式文件架構 7.4.3 Office 文件處理（Excel & PowerPoint） 7.4.4 圖像文件 OCR 處理 7.4.5 壓縮檔案批次處理 7.4.6 統一的多格式處理流程 7.4.7 本節重點回顧 7.4.8 下一步 7.4.9 參考資料
7.5 資料品質優化 - 提升檢索準確度 本節概要 7.5.1 Transform 階段的重要性 7.5.2 智能文本清理 7.5.3 智能文本分塊（Chunking） 7.5.4 元資料增強（Metadata Enrichment） 7.5.5 完整 ETL Pipeline 整合 7.5.6 ETL Pipeline 效能優化 7.5.7 本節重點回顧 7.5.8 下一步 7.5.9 參考資料
7.6 企業資料整合 - 資料庫、API 串接 本節概要 7.6.1 企業 RAG 的資料挑戰 7.6.2 企業資料整合架構 7.6.3 資料同步策略 7.6.4 資料安全與權限控制 7.6.5 資料同步監控 7.6.6 本節重點回顧 7.6.7 下一步 7.6.8 參考資料
7.7 生產環境實戰 - 部署、監控與優化 本節概要 7.7.1 生產環境的挑戰 7.7.2 容器化部署 7.7.3 效能優化策略 7.7.4 監控與告警 7.7.5 故障排除 7.7.6 本節重點回顧 7.7.7 第 7 章總結 7.7.8 參考資料
►第 8 章 Advanced RAG 技術與優化 8.1 Advanced RAG 概覽 - 提升檢索準確率的關鍵技術 本節概要 8.1.1 為什麼需要 Advanced RAG？ 8.1.2 RAG 技術演進 8.1.3 Advanced RAG 核心組件 8.1.4 完整配置範例 8.1.5 效果對比 8.1.6 本節重點回顧 8.1.7 下一步 8.1.8 參考資料
8.2 Embedding 模型優化 - 從選擇到效能調校 本節概要 8.2.1 為什麼 Embedding 是 RAG 的關鍵？ 8.2.2 Embedding 模型比較 8.2.3 Spring AI Embedding 配置 8.2.4 效能優化策略 8.2.5 效能監控 8.2.6 模型選擇建議 8.2.7 最佳實踐 8.2.8 本節重點回顧 8.2.9 下一步 8.2.10 參考資料
8.3 Re-ranking 實戰 - 精準重排以獲得最佳答案 本節概要 8.3.1 為什麼需要 Re-ranking？ 8.3.2 Voyage AI Re-ranking 實現 8.3.3 配置和使用 8.3.4 效果對比 8.3.5 最佳實踐 8.3.6 本節重點回顧 8.3.7 下一步 8.3.8 參考資料
8.4系統品質保證 - 內容審核與自動化評估 本節概要 8.4.1 為什麼需要內容審核與評估？ 8.4.2 多層內容審核系統 8.4.3 RAG 系統評估測試 8.4.4 持續監控與自動化 8.4.5 監控面板 8.4.6 本節重點回顧 8.4.7 下一步 8.4.8 參考資料
►第 9 章 MCP 協議整合與工具開發 9.1 認識 MCP - AI 的標準化接口 本節概要 9.1.1 什麼是 MCP？ 9.1.2 MCP 架構設計 9.1.3 傳輸方式 9.1.4 JSON-RPC 2.0 協議 9.1.5 MCP 核心功能 9.1.6 MCP 在企業中的應用價值 9.1.7 MCP vs 其他解決方案 9.1.8 本節重點回顧 9.1.9 與 Spring AI 的整合 9.1.10 下一步 9.1.11 參考資源
9.2 Spring MCP 快速入門 本節概要 9.2.1 專案架構 9.2.2 Maven 依賴配置 9.2.3 MCP Client 配置 9.2.4 MCP Client 核心服務 9.2.5 與 ChatClient 整合 9.2.6 命令列互動應用 9.2.7 工具發現與調用 9.2.8 資源讀取 9.2.9 啟動和測試 9.2.10 進階配置 9.2.11 本節重點回顧 9.2.12 下一步 9.2.13 常見問題
9.3 使用 MCP 工具 - 擴展 AI 能力 本節概要 9.3.1 MCP Server 架構概覽 9.3.2 專案配置 9.3.3 開發 MCP 工具 9.3.4 註冊 ToolCallbackProvider 9.3.5 雙傳輸模式支援 9.3.6 啟動和測試 9.3.7 本節重點回顧 9.3.8 實戰應用 9.3.9 下一步 9.3.10 參考資源
9.4 開發 MCP Server - 打造自己的工具集 本節概要 9.4.1 版本要求 9.4.2 進階功能架構 9.4.3 智能提示系統（Prompts） 9.4.4 自動完成功能（Completions） 9.4.5 客戶端通知機制 9.4.6 資料庫整合 9.4.7 配置和啟動 9.4.8 測試進階功能 9.4.9 本節重點回顧 9.4.10 與其他章節整合 9.4.11 企業應用場景 9.4.12 下一步 9.4.13 參考資源 |
序
| Spring AI 在 2024 年 2 月推出了 0.8 版本，經過一年多的快速迭代，於 2025 年 5 月 20 日正式發佈了 1.0.0 GA 穩定版。從早期的 Milestone 版本（1.0.0-M1 到 M8）到 RC1，最終迎來了正式的 GA 版本，其發展速度如同 AI 產業般日新月異。實際使用後，開發者會發現它與 LangChain4j 有異曲同工之妙。讓我們看看 Spring AI 官網的詮釋：
Spring AI 旨在簡化 AI 功能應用程式的開發，同時避免不必要的複雜性。專案汲取了 LangChain 和 LlamaIndex 等知名 Python 專案的靈感，但 Spring AI 並非這些專案的直接移植。我們相信，下一波生成式人工智慧應用程式不僅適用於 Python 開發人員，還將廣泛適用於許多程式設計語言。 Spring AI 的核心價值在於解決 AI 整合的根本挑戰：將 企業數據、API 與 AI 無縫串聯。 (摘自 Spring AI 官網) Spring AI 的設計理念借鑑了 LangChain，而 Spring 框架之所以能發展成如此龐大的生態系，關鍵在於其強大的整合與簡化能力。面對繁多的 AI 模型與技術，雖然 Java 在此領域起步較晚，但透過 Spring AI 與現有 Spring 生態系的無縫整合，讓長期耕耘 Java 的開發者們也能在 AI 浪潮中大展身手。 為什麼要先學習 Spring Boot 和 Spring MVC？ 歡迎來到 Spring AI 的學習之旅！在正式進入 AI 的精彩世界之前，您可能會疑問：「為什麼需要先穩固 Spring Boot 和 Spring MVC 的基礎？」 Spring AI 與 Spring 生態系統的關係 雖然 Spring AI 是專門針對 AI 應用開發所設計的現代化框架，但它深深植根於 Spring 生態系統之中： ● 架構基礎：Spring AI 完全建構在 Spring Boot 之上，繼承了其所有核心特性和設計理念。 ● 配置方式：採用標準的自動配置（Auto Configuration）和「約定優於配置」（Convention over Configuration）原則。 ● 依賴管理：透過 Spring Boot Starter 提供各種 AI 功能模組，簡化版號管理。 ● 部署模式：沿用 Spring Boot 的內嵌伺服器和 JAR 打包方式，便於雲端部署。 ● 生命週期管理：依賴 Spring IoC 容器進行 Bean 管理和依賴注入，確保元件鬆散耦合。 API 開發在 Spring AI 中的核心地位 更重要的是，Spring AI 的許多核心功能都需要透過 API 來實現和整合： ● Function Calling：AI 模型需要透過 API 呼叫外部工具，實現與真實世界的互動。 ● MCP Server：模型控制協議（Model Context Protocol）伺服器需要 HTTP 端點來處理請求。 ● 系統整合：企業級 AI 應用通常需要與現有 ERP/CRM 系統透過 API 進行整合。 ● 資料交換：RAG（檢索增強生成）系統需要透過 API 獲取和處理異質資料來源。 ● 即時互動：聊天機器人需透過 WebSocket 或 Server-Sent Events (SSE) 提供流暢的串流回應。
本書的學習架構 本書採用循序漸進的學習路徑，協助您從無到有建構企業級 AI 應用： 第一部分：Spring Boot 基礎 ● 建立堅實的 Spring Boot 開發基礎。 ● 掌握現代 Java 企業級開發的核心技能。 ● 理解 Spring AI 背後的依賴注入與配置原理。 第二部分：Spring MVC 與 API 開發 ● 學習建立標準化的 RESTful API。 ● 掌握請求處理、回應格式化和全域錯誤處理。 ● 為 Spring AI 的 Function Calling 和 MCP Server 奠定 HTTP 通訊基礎。 本書定位說明：現代開發以前後端分離為主流。Spring Boot 專注於提供 RESTful API（JSON 資料交換），前端 View 層交由 React/Vue/Angular 處理。因此，本書不探討 JSP 或 Thymeleaf 等傳統模板技術，而是專注於 API 開發 與 AI 整合，這才是企業級 AI 後端的關鍵戰場。 第三部分：生產級 API 開發實踐 ● 深入資料驗證、安全性防護與檔案處理。 ● 掌握 API 測試策略與 Swagger/OpenAPI 文件自動生成。 ● 打造強健的生產級後端系統。 第四部分：Spring AI 實戰 ● 深入 Spring AI 核心組件。 ● 建構實際的企業級 RAG 知識庫系統。 ● 整合多模態 AI 服務與工具鏈。
學習建議 給有經驗的開發者：若您已精通 Spring Boot 與 Spring MVC，可快速瀏覽前三部分重點，或直接跳至第四部份開始 Spring AI 的旅程。 給初學者：強烈建議按順序學習。紮實的基礎將讓您在後續 Spring AI 的實作中事半功倍，真正理解框架設計的精妙。 給企業開發者：本書不僅教授技術實現，更注重企業級應用的實際需求，涵蓋安全性、效能優化、監控與可維護性設計。 讓我們開始這趟精彩的學習之旅，一步步建構屬於您的 AI 應用開發能力！ 補充資料：本書附贈範例都在Github 上，課程用到的範例名稱都會標註在每個章節的對應範例 https://github.com/kevintsai1202/spring-ai-examples |
