MapFlow

PUBLIC LEARNING ROADMAP

AI Java全栈工程师（4个月零基础→全栈+大模型集成） 学习技能树

由 Skill Tree Engine 确定性生成的只读快照

26 个知识节点 · intermediate

发布者：Ting-Yu133

打开互动地图登录后收藏到我的地图
知识目录

基础概念

Java编程语言基础复习

复习并打牢类、接口、集合、异常、泛型、Lambda及Stream等语法地基，让后续框架学习与AI生成的代码能被真正读懂

建议预留 180 分钟

学习目标

  • 掌握类、接口、继承、多态等核心OOP概念
  • 熟悉集合框架选型与泛型用法
  • 掌握异常处理与基本输入输出

关键概念

  • 面向对象四特性
  • Java集合框架
  • 异常体系
  • 基本IO

为什么学习

  • 这是零基础起步的真正出发点，学生需能在阅读标注与调试破解AI生成的代码时识别各语法结构；但因时间有限不需达到源码级，能读写并理解即可

如何检验理解

  • 能在IDE中独立编写并运行一个包含集合与异常处理的小命令行程序并解释关键选择

基础概念

HTTP、JSON与Web基础

理解HTTP协议、RESTful路由设计与JSON序列化，为后端API及外部大模型API调用打底

建议预留 90 分钟

学习目标

  • 理解请求方法、状态码与请求头
  • 掌握RESTful资源与JSON数据结构

关键概念

  • HTTP方法
  • 状态码
  • RESTful
  • JSON

为什么学习

  • 前后端交互与Java中调用LLM API都依赖对HTTP请求/响应与JSON的理解，属于全局性底层基础，牢记方法与状态码语义即可

如何检验理解

  • 能用curl发起一次带JSON body的POST请求并解析返回

基础概念

Lambda、Stream与函数式编程

掌握Lambda表达式与Stream API，能更高效地处理数据，也是读懂AI生成现代Java代码的必要基础

建议预留 90 分钟

学习目标

  • 掌握Lambda语法与函数式接口
  • 会用Stream API进行链式数据处理

关键概念

  • 函数式接口
  • Stream中间/终止操作
  • 方法引用

为什么学习

  • 如今AI输出的Java大量使用Stream/Lambda，学生需理解其写法以避免盲目复制，但无需深究编译器内部机制

如何检验理解

  • 能用Stream实现一个列表的过滤/映射/聚合并说明步骤

核心技能

Git版本控制入门

掌握分支、提交、合并与远程仓库协作，维护个人项目版本历史，是AI辅助开发与作品管理的基本盘

建议预留 90 分钟

学习目标

  • 掌握git add/commit/branch/merge基础流程
  • 会用远程仓库保存与提交个人项目

关键概念

  • 提交
  • 分支
  • 合并
  • 远程仓库

为什么学习

  • Git是打磨每一件作品与实验AI生成代码的关键，需能熟练操作用个人仓库开展主流程，暂不需处理复杂冲突策略

如何检验理解

  • 能独立把本地项目推送到远程仓库并完成一次分支合并

核心技能

Maven/Gradle构建与依赖管理

管理项目依赖、执行构建打包得到可运行jar，建立带AI辅助开发时的工程骨架能力

建议预留 90 分钟

学习目标

  • 会用pom.xml管理依赖与插件
  • 能执行构建、打包与运行jar

关键概念

  • 坐标
  • 生命周期
  • 依赖作用域
  • 打包

为什么学习

  • 学生需在本阶段独立用Spring Initializr或Maven生成并构建项目，会用依赖坐标而非理解依赖解析算法

如何检验理解

  • 能用Maven新建一个项目并添加依赖执行mvn package得到jar

核心技能

SQL与MySQL数据库设计

掌握库表设计、Join、索引与事务基础，是构建真实全栈应用的数据根基

建议预留 150 分钟

学习目标

  • 掌握DDL建表、DML增删改查
  • 理解主键外键、索引与事务ACID核心用法

关键概念

  • CREATE/INSERT/JOIN
  • 索引
  • 事务
  • 范式

为什么学习

  • 作品的持久化全部落在SQL/MySQL上，需能设计库表并写常用查询，索引与事务掌握核心用法即可，不必研究底层存储引擎细节

如何检验理解

  • 能设计一个两张表的业务库并用Join完成一次带条件的查询

补充知识

JVM与内存基础(补充认知)

概览JVM内存区域与一次GC回收概念，帮助理解运行时报错与性能异常，不做深度调优

建议预留 60 分钟

学习目标

  • 认识JVM内存分区与常用垃圾回收思想
  • 能阅读启动日志定位内存类报错

关键概念

  • 堆栈划分
  • GC思想
  • 类加载

为什么学习

  • 学生目标聚焦快速能开发全栈概念，无需成为JVM调优专家，只需认识堆栈与GC报错以支撑Debug即可，故降级为补充知识

如何检验理解

  • 能说明一次OutOfMemoryError大致可能来自堆还是栈并对应排查方向

核心技能

HTML/CSS/JavaScript前端基础

掌握网页结构与脚本交互，能编写供浏览器直接运行的小应用界面

建议预留 180 分钟

学习目标

  • 掌握HTML语义标签与CSS Flex/Grid基础布局
  • 掌握DOM操作、事件与fetch调用后端API

关键概念

  • 语义化标签
  • Flex布局
  • DOM事件
  • fetch

为什么学习

  • 目标要求的作品需能在浏览器运行，前端达到能搭建简单界面即可，CSS与JS掌握基础布局与事件，由AI辅助弥补精细样式与复杂度

如何检验理解

  • 能用HTML+CSS+JS实现一个含表单与点击交互的页面并由fetch调用后端接口

补充知识

Docker容器化部署

将应用与依赖打进镜像并用容器运行，让AI全栈作品能够交付给他人或云端验证

建议预留 90 分钟

学习目标

  • 编写基础Dockerfile并构建运行
  • 理解镜像与容器、端口映射

关键概念

  • 镜像
  • 容器
  • Dockerfile
  • 端口映射

为什么学习

  • 单元容器化是门锦上添花的工程化加分项，目标重心偏后端MVP落地而非DevOps，掌握基本Dockerfile与运行即可让作品更好演示，故降级处理

如何检验理解

  • 能为自己的Spring Boot项目写一份Dockerfile并跑起容器

核心技能

Spring核心IoC与依赖注入

理解IoC容器与Bean生命周期，为掌握Spring Boot自动配置与组件化开发打基础

建议预留 120 分钟

学习目标

  • 理解Io容器与DI机制
  • 掌握@Component/@Autowired等注解用法

关键概念

  • IoC容器
  • 依赖注入
  • Bean作用域
  • @Autowired

为什么学习

  • 学生通过实际搭建后端服务来体会依赖注入价值，需能看懂装配原理并正确使用注解，但不必深析底层Bean生命周期源码

如何检验理解

  • 能用注解装配三个相互依赖的组件并解释各自生命周期
  • 能说明为何用接口+实现进行注入

核心技能

Spring Boot构建RESTful后端

掌握起步依赖、自动配置、Controller/Service分层与异常处理，能独立搭建可运行的后端服务，贯穿后续所有AI能力

建议预留 180 分钟

学习目标

  • 熟练使用spring-boot-starter-web搭建服务
  • 掌握REST控制器、参数校验与全局异常处理
  • 理解配置文件与环境切换

关键概念

  • 自动配置
  • @RestController
  • @RequestParam
  • yaml配置

为什么学习

  • 这是本目标的绝对支柱能力——spring boot的REST为集成LLM API提供宿主，学生需能在不查文档情况下独立完成标准REST接口开发流程

如何检验理解

  • 能从头搭建Spring Boot项目并暴露一个含校验与统一异常处理的REST接口
  • 能解释自动配置如何简化启动

核心技能

Vue前端框架与前后端联调

用Vue做组件化页面并与Spring Boot联调，产出完整浏览器可运行的全栈小应用

建议预留 180 分钟

学习目标

  • 掌握Vue组件、数据绑定与生命周期
  • 能用前端框架连续调用后端REST API完成真实交互

关键概念

  • 组件化
  • 响应式数据
  • 路由
  • 前后端CORS/联调

为什么学习

  • 全栈作品需要可运行的UI，Vue能极大简化交互，需在AI辅助下搭出可用页面；因定位为入门级前端，以会搭建调用后端页面的可用可行为主线

如何检验理解

  • 能用一个Vue组件列表展示并联动后端REST数据，完成一次发布交互

补充知识

Redis缓存入门

掌握Redis常用数据类型与缓存策略，为高并发场景与AI应用中语境/会话缓存打基础

建议预留 90 分钟

学习目标

  • 掌握Redis常用命令与数据类型
  • 会用Spring中的RedisTemplate做简单缓存

关键概念

  • Redis数据类型
  • 缓存过期
  • Spring Cache

为什么学习

  • 核心目标用刷新重点在后端与AI集成，Redis提升一个非必须的加分项，掌握String/List/Set基础应用即可用于增强作品流畅度

如何检验理解

  • 能在项目中用Redis缓存一次不常变化数据并说明TTL意义

核心技能

Spring Data JPA/MyBatis数据持久化

用ORM层操作数据库，将实体对象与库表一一映射，完成数据存取闭环

建议预留 150 分钟

学习目标

  • 用Spring Data JPA声明接口完成CURD
  • 掌握实体映射、Repository方法命名规则

关键概念

  • 实体@Entity
  • Repository
  • 关联映射
  • 事务注解

为什么学习

  • 作品与AI功能的业务数据都要持久化，JPA/MyBatis是首选最常用ORM，需熟练基本CRUD与关联映射操作

如何检验理解

  • 能用JPA Repository完成实体CURD并加一个自定义查询方法

补充知识

Spring Security基础认证

掌握JWT/Token基础的登录鉴权流程，让作品具备基本用户体系与安全能力

建议预留 120 分钟

学习目标

  • 理解会话/Token鉴权主流方案
  • 为后端接口加入基础访问控制

关键概念

  • JWT
  • 过滤器
  • 登录态

为什么学习

  • 安全认证对于入门者是一大时间黑洞，基础掌握可作为后续进阶点，认知级足以在AI辅助下为作品加上最简登录而不被细节淹没主线

如何检验理解

  • 能在AI协助下为API加一个简单的Token拦截校验并说明流程

核心技能

LLM/大模型API概念与调用

理解大模型API本质（Token、对话接口、参数）并在Java中通过HTTP发起智能对话获取结果

建议预留 150 分钟

学习目标

  • 掌握LLM对话API的模型、消息与参数语义
  • 用Java HTTP发起外呼并解析返回

关键概念

  • chat/completions
  • message角色
  • system/User
  • APIKey鉴权

为什么学习

  • 进入AI集成主线，学生需能直接用RestClient调通OpenAI/通义等对话API，理解model/role/message必要结构化字段

如何检验理解

  • 能在Java中用一种HTTP客户端成功调用一次外部LLM对话API并取出回答内容

核心技能

Java调试、日志与排错

阅读堆栈日志、断点调试并结合AI辅助定位报错，覆盖从编码到运行的全链路问题发现能力

建议预留 120 分钟

学习目标

  • 会用IDE断点与变量窗口排查逻辑错误
  • 会使用slf4j分级日志剖析运行状态

关键概念

  • 异常堆栈
  • 断点
  • 日志级别
  • Watch

为什么学习

  • Debug是AI辅助开发下区分复制与工程化的分水岭，需贯穿全程熟练掌握断点与日志（slf4j），此能力将直接决定完成作品的成败

如何检验理解

  • 能依据堆栈信息定位一个由日志或断点暴露的NPE并修复

核心技能

单元测试与质量基础

写基础的JUnit单元测试并对核心Service做隔离验证，让AI生成的关键逻辑有回归保障

建议预留 90 分钟

学习目标

  • 掌握JUnit框架断言与@Test用法
  • 能为代码核心分支写轻量级单元测试

关键概念

  • JUnit
  • 断言
  • 边界输入
  • 测试覆盖率

为什么学习

  • 后端工作多由AI生成，用少量核心测试保证正确性是克制其输出行为风险的关键手段，掌握基本JUnit断言即可覆盖本轮需求

如何检验理解

  • 能为一个读取并返回数据的Service写出返回与异常分支的单元测试并跑绿

核心技能

Prompt工程与AI辅助开发

学会用有效提示词引导LLM在编码问答与项目功能中的输出质量，并掌握识别修正AI报错的协作模式

建议预留 120 分钟

学习目标

  • 掌握上下文/角色/格式约束等基础Prompt技巧
  • 建立会用AI辅助生成并自主审查的重构闭环

关键概念

  • Few-shot
  • 角色设定
  • 输出格式约束
  • AI代码审查

为什么学习

  • 作为全程贯穿竞争力点，恰到好处的prompt让工具产出准确——既是主动使用Spring Boot等硬技能时被调用的最大放大镜，可技能本身需配合明确场景训练

如何检验理解

  • 能设计一段few-shot让模型生成符合某接口合同的JSON并一次跑通
  • 能给AI一轨代码纠错定位并解释改动点

核心技能

Spring AI框架对话与ChatClient

通过Spring AI的ChatClient/ChatModel对齐主流LLM，用抽象简化对LLM的对接和参数管理

建议预留 120 分钟

学习目标

  • 会用ChatClient声明式调用对话模型
  • 能配置模型provider并处理输入输出

关键概念

  • ChatClient
  • ChatModel
  • Prompt
  • 配置application

为什么学习

  • 目标是原生在Java应用中集成LLM，Spring AI提供最贴口的抽象与后续Agent/Tool升级路径，需掌握ChatClient基本调用与Prompt组装

如何检验理解

  • 用Spring AI的ChatClient把一次开放式对话接到一个spring接口并返回内容

核心技能

SSE流式响应与前端逐字渲染

将LLM流式result以SSE推给前端逐字展示，给产品带来贴近真实助手的体验

建议预留 90 分钟

学习目标

  • 理解SSE语义与文本块流式传输
  • 在Spring Boot中暴露SseEmitter与前端消费

关键概念

  • SSE事件流
  • Flux/emit
  • EventSource
  • 令牌节奏

为什么学习

  • 这对接后端模型流式返回层也是前端按片段push，是让前端接入大模型的落地切片与关键，学生在Spring AI里启用window/function即开箱得stream供逐token消费

如何检验理解

  • 实现一个Flow返回SSE的后端端点令前端逐字展示回答

核心技能

Spring AI Agent与Function/Tool调用

让AI能按需调用Java自写函数完成数据库查询等真实动作，向智能体靠拢

建议预留 150 分钟

学习目标

  • 定义并注册Java @Bean工具方法供模型选取
  • 理解Function Calling的流程与序列化契约

关键概念

  • Function Calling
  • @Tool/@Function
  • 工具描述/参数Schema
  • 数据反馈

为什么学习

  • 从响应问答走向使应用里的模型能用Java方法返回值再处置是大模型成为Agent的关键，需在Spring AI里把自定义工具并行给模型并形成一问一工具取据的response循环

如何检验理解

  • 能定义调数据层的Java@Tool让LLM凭一句问句带回数据库实际数据

补充知识

LangChain4j接囗与对话记忆

用另一个主流Java AI框架LangChain4j补齐记忆、组装与Message历史，评估选型，属于nice_to_have加分项

建议预留 90 分钟

学习目标

  • 会用LangChain4j实现记忆性对话调LLM
  • 能在两种框架之间做选型取舍从而体现判断力

关键概念

  • MessageWindowMemory
  • AiServices
  • 框架对比
  • 记忆管理

为什么学习

  • 官方目标把LangChain4j列为nice_to_have的非科班弱项，掌握与自己现有Spring AI路线可以呼应同一种工程抽象路径并能做选型总结即为合理落地

如何检验理解

  • 能给出一段同时用对话记忆上下文的小调用实现并比较它与Spring AI的差异

核心技能

端到端全栈AI作品实战

把后端Spring Boot分层、数据库持久化、Vue前端与LLM/SSE/Agent能力耦合成一个完成交付展示的MVP作品

建议预留 240 分钟

学习目标

  • 独立拆解功能并把各模块整合为可交付的可运行作品
  • 综合运用AI辅助、代码审查、测试与Debug闭环完成整件
  • 形成用后端作品驱动迭代的整理记录

关键概念

  • 端到端流程
  • 前后端联调
  • MVP验收标准
  • 功能/链路拆解

为什么学习

  • 这是目标能力的验收总装配线，既是考试也是四步通关产物：能自行拆谱并用所学整合出一件含真实函数调用/流式反馈并可行前端联动落单的作品是目标达成唯一硬指标

如何检验理解

  • 独立完成并部署运行一个同时包含Spring Boot后端+数据库+Vue页面+LLM流式对话的作品并在浏览器演示
  • 能向他人解释架构分层与一次完整请求在端到端的流向

补充知识

Embedding与向量数据库检索

用embedding把文档向量化并放入向量DB按语义相关性检索，是后续建设知识库问答与RAG的根

建议预留 120 分钟

学习目标

  • 理解文本向量化与余弦相似度的意义
  • 能用一个嵌入式向量库完成最小语义检索

关键概念

  • Embedding
  • 向量相似度
  • Chroma/pgvector
  • 语义检索

为什么学习

  • RAG/知识库是价值亮点但不是原始目标必须的首步，铺底给更深入AI方向找意义。推荐在本阶段认知理解与最小样例，深化留待独立项目驱动时进行

如何检验理解

  • 能跑通一段把3条文本向量化并做一次近似语义检索的demo并描述原理

补充知识

RAG知识库问答落地

把文档切片—向量化—检索—交给模型融合生成答案流程化，实现基于私有资料的知识库助理

建议预留 150 分钟

学习目标

  • 串通文档加载、切块、embedding入库、检索融合生成
  • 识别一问多段召回对回答质量和孤偏的常见问题

关键概念

  • chunking
  • 召回排序
  • 上下文注入
  • RAG评估

为什么学习

  • 强检索增强在更高应用亮点中作为加分与行业常见形态，在掌握整个后端+CLLM的主力后作为选导自学或二期项目方向，适合给出接入方式与评估点

如何检验理解

  • 能结合检索到的私档片段把模型答案回答一次且可溯源，说明知识库问答完整链路

前置关系与知识联系

结合互动地图查看具体关系类型，再选择下一步。