前言

直到2025年初，我还觉得AI就是ChatGPT。

无非是一个更聪明的搜索引擎。

真正开始研究AI应用开发后，我发现远远没有那么简单。

那段时间，我每天都在刷招聘网站。

看AI应用开发岗位。

看大模型相关岗位。

看各种技术交流群里的讨论。

然后我发现一个词出现频率特别高：

RAG。

几乎所有AI应用开发岗位都会提到它。

最开始我以为：

RAG一定是什么复杂算法。

甚至以为要研究模型训练、深度学习才能搞懂。

后来真正做完自己的第一个RAG项目后才发现：

RAG并没有想象中那么神秘。

它本质上是在解决一个非常现实的问题：

如何让大模型拥有企业自己的知识。

而这也是我AI转型过程中完成的第一个完整项目。

---

为什么我选择先做RAG

刚开始学习AI的时候。

我也很迷茫。

因为网上能看到的东西太多了。

有人在讲：

• Agent
• Workflow
• MCP
• Function Calling

有人在讲：

• LangChain
• Spring AI
• Dify
• FastGPT

还有人在讲：

• 微调
• 蒸馏
• 推理优化

看得越多。

反而越不知道从哪里开始。

后来我做了一件很简单的事：

去看招聘网站。

看看企业到底在招什么人。

结果发现：

大部分AI应用开发岗位都会提到几个关键词：

• RAG
• Agent
• AI助手
• 企业知识库

而在这些方向里。

RAG又是最容易落地，也是应用最成熟的场景之一。

于是我决定：

先别研究那些复杂概念。

先做出一个真正能运行的RAG项目。

---

我以为最难的是技术

真正开始做项目之前。

我以为最大的挑战会是：

• 大模型
• 向量数据库
• AI算法

后来发现完全不是。

最难的其实是：

信息太多。

概念太多。

框架太多。

每天打开B站。

打开公众号。

打开技术社区。

都能看到各种新名词。

有时候看了一天视频。

反而越来越迷茫。

后来我给自己定了一条原则：

不要一直学。

边学边做。

不会就查。

查完就写代码。

事实证明。

这是我整个转型过程中做得最正确的一件事。

---

我的20天学习路线

很多朋友问：

RAG到底学了多久？

其实严格来说。

从开始接触到项目跑通。

大概用了20天左右。

当然这20天并不是全天投入。

而是边学习边开发。

大概经历了几个阶段。

第一阶段：学会调用模型

最开始甚至不会调用API。

只知道使用ChatGPT网页版。

后来开始学习：

• API调用
• Message结构
• Prompt设计
• Token概念

写出了自己的第一个AI聊天程序。

---

第二阶段：接触AI开发框架

聊天程序跑通之后。

开始接触：

• Spring AI
• LangChain4j

这些AI开发框架。

第一次意识到：

原来大模型并不只是聊天。

还可以接入：

• 知识库
• 搜索
• 工作流
• 业务系统

开始有了AI应用开发的概念。

---

第三阶段：接触向量数据库

然后开始接触：

• Embedding
• Milvus
• 向量检索

这时候才发现：

企业知识库的核心并不是大模型。

而是数据。

如何让大模型找到正确的数据。

远比选择哪个模型更重要。

---

第四阶段：完成第一个RAG项目

最终完成：

• 文档上传
• 文档解析
• 文本切分
• 向量化
• 相似度检索
• 智能问答

整个链路打通。

虽然只是第一版。

但它已经能够真正回答知识库中的问题。

这也是我第一个真正意义上的AI应用项目。

---

做完之后我最大的收获

完成项目后。

我最大的感受其实不是：

我学会了RAG。

而是：

AI并没有想象中那么遥不可及。

很多人看到：

• Agent
• RAG
• 大模型

会觉得这是一个非常高门槛的领域。

但真正开始做之后会发现：

对于传统开发者来说。

很多能力其实是共通的。

例如：

• 系统设计
• 数据处理
• 接口开发
• 架构设计

这些经验并没有失效。

只是服务的对象发生了变化。

从传统业务系统。

变成了AI系统。

---

AI应用开发到底在做什么

在做这个项目之前。

我一直以为：

AI开发就是研究模型。

做完之后我才发现。

企业里的AI应用开发更多是在解决工程问题。

例如：

• 如何组织知识
• 如何管理数据
• 如何控制成本
• 如何降低幻觉
• 如何让系统稳定运行

而这些问题。

恰恰是传统开发者最容易发挥价值的地方。

这也是为什么我越来越坚定地认为：

AI应用开发会成为未来几年非常重要的方向之一。

---

写在最后

这一篇更多是在记录我的学习过程。

而不是讨论具体技术实现。

如果说这一篇是在回答：

“我是如何做出第一个RAG项目的？”

那么下一篇。

我会详细拆解：

“这个RAG项目到底是怎么实现的？”

包括：

• 为什么采用 MySQL + Milvus 双存储设计
• Chunk应该如何切分
• 向量库如何设计
• 检索策略如何优化
• Prompt如何组装
• 为什么第一版没有引入Rerank

以及整个项目的核心架构设计。

另外，在开发过程中我也一直在思考另一个问题：

对于Java开发者来说。

面对Spring AI、LangChain4j、Dify、FastGPT等越来越多的AI框架，到底应该如何选择？

Python生态如此强势。

Java开发者还有机会吗？

这些也是我后续准备持续探索的话题。

---

📖 系列目录

• 第1篇：30岁+、10年Java，我决定转向AI应用开发
• 第2篇：公司裁员后，我花了20天做出了第一个RAG项目（本文）

如果这篇文章对你有帮助，欢迎点赞、收藏、关注，我会持续更新这个系列。