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; List<Document> 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 List<Document> 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 2：Function 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 Function<OrderQuery, 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, Function<OrderQuery, 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?labels=good%20first%20issue&state=open&per_page=5"; HttpClient client = HttpClient.newBuilder() .connectTimeout(Duration.ofSeconds(10)) .build(); HttpRequest request = HttpRequest.newBuilder(URI.create(url)) .header("Accept", "application/vnd.github+json") .header("User-Agent", "java-dev") .GET() .build(); HttpResponse<String> 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 AI：Java 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。
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; List<Document> 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 List<Document> 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 2：Function 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 Function<OrderQuery, 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, Function<OrderQuery, 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?labels=good%20first%20issue&state=open&per_page=5"; HttpClient client = HttpClient.newBuilder() .connectTimeout(Duration.ofSeconds(10)) .build(); HttpRequest request = HttpRequest.newBuilder(URI.create(url)) .header("Accept", "application/vnd.github+json") .header("User-Agent", "java-dev") .GET() .build(); HttpResponse<String> 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 AI：Java 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。