00 · 序章：你不是从零开始，你只是换一把剑¶
先讲给朋友听（如果你只有一分钟）¶
AI 应用开发这行，2026 年最缺的不是"会训练模型的人"，而是"能把不听话的模型，管教成稳定服务的人"。后者恰好是 Java 工程师练了十年的手艺。你不是转行，你是带着家当换战场。
如果你是做后端的，把上面这段话讲给同事听，他大概率会点头——这就是本书存在的全部理由。
你的 Aha Moment¶
学一个新领域最怕的，不是知识难，是心理上的从零开始感。
你有没有算过，这些你已经刻进肌肉记忆的能力：
- 一个接口被每秒打爆时，你知道要限流、熔断、降级
- 一个系统跑着跑着慢了，你知道怎么分层排查：网络？DB？GC？线程池？
- 老板说"功能要能随时关掉"，你立刻设计出开关和灰度
- 需求总在变，你知道接口要先定契约，再谈实现
现在，把上面的场景翻译成大模型：
- LLM 调用延迟五秒起，你要流式输出、要缓存、要异步队列——限流降级的换皮版
- 模型答非所问，你要分层排查：Prompt 不行？检索不到？模型选型错了？——分层调bug的同款思维
- Prompt 改坏了线上效果爆炸，你要版本管理和一键回滚——配置中心的下岗再就业
- 上下游要约定输出格式，你要结构化输出和 JSON 校验——契约先行的老祖宗
Aha 就在这：大模型没有让工程学过时，它只是给工程学出了一批新试卷。
2026 年的真实行情：培训机构在批量生产"会调 API、会写 Prompt"的简历，会写 Demo 的人飞速贬值；能把 AI 功能扛住真实流量的工程师，在各家公司的招聘清单上都挂着高价。
你的 Java 背景不是包袱，是你还没兑现的期权。
不讲术语的版本：AI 应用开发到底在干什么¶
忘掉"人工智能"这四个字自带的神圣感。打个比方：
你是一家公司的老板，你雇了一个学识渊博但脾气古怪的顾问：
- 他读过全互联网的书（训练数据），什么都能聊
- 但他对你公司内部的事一无所知（知识截止 + 不知道你的业务）
- 他偶尔会一本正经地胡说八道（幻觉）
- 他每次回答都收钱，回答越长越贵（Token 计费）
- 他心情不稳定，同一个问题问两遍，答案可能不一样（温度参数）
你的工作，就是这个"顾问"的管家和经纪人：
- 他说謊时，你要给他递资料："按这份材料回答"（这叫 RAG，检索增强生成）
- 他够不着外部数据时，你要给他配工具："这是数据库密码，自己查"（这叫 Function Calling）
- 任务复杂时，你要替他拆解步骤："先查库存，再算利润，最后写报告"（这叫 Agent 编排）
- 他表现不稳定，你要打分考核："这周一百个问题，答好了几个"（这叫评测）
看出来了吗？这就是一个项目经理 + 系统架构师的活。 跟"炼丹"（训练模型）基本没关系。模型是别人炼好的药，你是抓药、配伍、看疗效的医生。
Java 老司机对照室¶
| 你熟悉的 | AI 世界对应的 | 一句话迁移 |
|---|---|---|
| Spring Bean 管理 | LangChain/LangGraph 组件编排 | 都是把零件组装成流水线 |
| HttpStatus + 统一异常 | LLM 超时、限流、降级 | 不稳定的第三方依赖，你见得还少吗 |
| AOP 日志拦截 | Prompt 模板 + 调用链追踪 | 横切关注点，换个名字而已 |
| 规则引擎 Drools | Prompt + 结构化输出 | 从"写规则"到"写说明"，门槛反而降了 |
| 配置中心 Apollo | Prompt 版本管理 | 改配置要灰度，要回滚，一模一样 |
| JVM 调优 | 推理部署、量化、批处理 | 从"优化代码"到"优化算力" |
| 单元测试 Mockito | 评测集 + LLM-as-judge | 都在回答："它到底对不对" |
这张表是本书的隐藏骨架。几乎每一篇，我都会给你一张这样的对照表——新知识不是凭空长出来的，是挂在旧经验的树上的。
动手实验室：今晚就能做的三件事¶
不需要装环境，今晚就可以完成：
- 打开任意一个大模型对话产品（DeepSeek、通义千问、ChatGPT 都行），问它一个你工作中的真实问题，比如"帮我 review 这段 Java 代码的并发风险"。感受它"懂但不够懂"的边界。
- 故意诱导它犯错：问一个你专业领域内、但比较偏门的问题。记下它开始胡说八道的点。这个点，就是未来你做 RAG 时最值钱的经验——你知道它会在哪摔倒。
- 打开 PowerShell/终端，输入
python3 --version。从今晚起，它就是你下一个十年的搭档。
费曼复述卡（合上书，讲给别人听）¶
- 用一分钟向同事解释：为什么说"AI 应用开发是 Java 工程师的第二次机会"？提示词：别谈技术，谈岗位供需。
- 那个"学识渊博但脾气古怪的顾问"的比喻里，RAG、Function Calling、Agent 分别对应管家做了什么动作？
- 举一个你自己项目中的例子（限流/灰度/排查），然后说明它在 AI 系统里会以什么形式出现。
三题都能不打绊地讲出来，序章才算过。讲不出来？回到对应小节重读，这不是失败，这是费曼学习法在正常工作——卡住的地方，正是你知识的裂缝，光从那里照进来。
今日一句话¶
大模型时代，写代码的在贬值，管模型的在升值——而"管模型"这件事，你已经做了很多年，只是以前管的是线程、连接池和消息队列。