📅 2026-05-28 | 🏷️ LLM, LoRA, RAG, Agent | 📖 阅读约 25 分钟

写作背景

这篇文章站在 Java 后端的视角写。我的切入点并非训练框架本身，重点是把模型能力接进已有系统：接口怎么设计，流式响应怎么落地，知识库怎么更新，工具调用怎么审计。Python 示例能解释原理，真正上线时还要回到鉴权、限流、日志、回滚和成本控制。 后端同学学习 LLM 时，可以先抓住工程边界：模型负责生成，应用负责上下文、权限、状态和证据。只要这个边界稳住，后续换模型、换向量库、换 Agent 框架都不会牵动整套业务。 Java 生态资料少，不代表 Java 不适合做 AI 应用。训练和实验可以交给 Python，在线服务、管理后台、任务调度、数据治理仍然是 Java 很熟悉的战场。 这篇文章按落地顺序展开：先会调用模型，再做 RAG，再理解微调和 Agent，末尾补评估、部署和安全。 数学细节可以以后补，工程上先把数据链路、接口契约和验证方法跑通。

一、全景图：LLM 落地的四层架构

Java 后端开发者的优势在应用层和编排层，你已经会 Spring Boot、会设计 API、会做系统集成。 需要补的是能力层（怎么用 RAG/微调提升效果）和基座层（怎么选模型、怎么部署）。

📅 2026-06-07 | 🏷️ Codex, AI Agent, Skill | 📖 阅读约 25 分钟

Codex 是面向代码工作的 AI Agent。它和普通聊天工具的区别在于：它能读取本地仓库、运行命令、修改文件、跑测试，并把过程和结果留在同一个任务里。对开发者来说，它更接近一个可审计的工程助手。

本文只保留可长期维护的接入方式和安全边界。账号、模型、客户端能力会变化，涉及登录、计费、可用区域和模型名称时，以 OpenAI 官方文档和客户端当前提示为准。

一、Codex 能做什么

Codex 的核心能力可以按四类理解。

日常使用时，我会把任务拆成“读代码、给判断、改文件、跑验证、交付结果”五步。这样既能利用 Agent 的连续工作能力，也能避免它在需求不清时扩大改动范围。

二、安装与登录

Codex 常见形态包括桌面端、CLI 和 IDE 扩展。安装方式请以官方页面为准；不同系统、不同发行渠道会变。安装完成后，优先使用官方支持的登录方式。

常见路径有两类：

1. ChatGPT 账号登录。适合已经有对应账号和权限的用户，登录流程由官方客户端引导。
2. API Key 或兼容 API 接入。适合希望按 API 方式管理模型、额度和计费的用户。

不建议复制、购买、共享或备份他人的登录态文件。登录态文件等同于账号凭据，一旦泄露，可能带来账号被占用、额度被消耗、数据被读取等风险。任何要求你导入陌生登录态、运行闭源脚本修补登录状态、提交 Cookie 或 Token 的方案，都应当视为高风险。

三、代理与网络

国内网络环境下，官方账号登录、客户端资源加载、模型接口访问可能受到网络条件影响。处理这类问题时，先分层定位：

代理配置不要写进项目仓库，也不要贴到博客或 issue 里。涉及 Token、订阅地址、内部网关域名的内容都要脱敏。