langchain4j 从零到生产

15 分钟内把两个项目跑起来，或者明确知道哪一章可以先跳过

理解为什么需要 LangChain4j（直接调 LLM API 的痛点）

理解 AiServices 的底层工作机制（动态代理、消息组装流水线）

理解 LLM 生成的概率采样本质，搞懂每个参数到底在改什么

理解为什么必须流式：首字延迟 vs 整体延迟的本质差异

理解为什么需要 ChatMemory（HTTP 无状态 vs 多轮对话）

理解为什么需要 Tools（LLM 的能力边界）

理解为什么需要结构化输出（非结构化文本 → 机器可读数据）

理解什么是 Embedding：一段文本 → 一串有语义的数字向量

理解多模态能力：从纯文本 AI 跨入「看得见」的 AI

理解为什么 RAG 应用必须有一条文档处理流水线：从原始文件到可检索块的标准化通道

理解 EmbeddingStore 抽象：add / search / removeAll 与检索请求 EmbeddingSearchRequest

理解单一 chunk 尺寸的根本矛盾，掌握父子分块：小块入库召回、大块喂 LLM——并用一组 A/B 评估看清它值多少

理解为什么 RAG 必须评估：改参数靠「感觉」不可复现，「感觉变好了」没有证据

理解为什么「工具调用」还不够：Agent 需要多步推理 + 自主决策

理解为什么单 Agent 不够：复杂任务需要「分工与协作」，引出多 Agent 编排

理解「Agent 能跑」与「Agent 能上线」之间差什么：工程化六件套——动态工具、审计、错误处理、并发、可观测、记忆管理

理解为什么需要 MCP：工具生态碎片化 → 需要「工具的 USB-C 接口」标准

理解为什么需要 Skills：指令、知识、工具组合要可复用、按需加载，而不是全塞进初始 Prompt

理解为什么需要「造自己的 MCP Server」：Ch17 是用别人的，本章是造自己的「造自己的 MCP Server」：Ch17 是用别人的，本章是造自己的

理解为什么「鉴权 + 白名单」（Ch19）不够——还需要「内容层」防护「鉴权 + 白名单」（Ch19）不够——还需要「内容层」防护

理解 AI 应用为什么需要可观测性（与传统应用的核心差异）

从 0 搭一个完整的企业级 AI 应用——招聘方侧的候选人全流程自动化，覆盖「简历解析 → 决策脱敏 → 岗位匹配 → 约面邀请 → 排期出题 → 评价汇总 → offer」简历解析 → 决策脱敏 → 岗位匹配 → 约面邀请 → 排期出题 → 评价汇总 → offer

给招聘 AI 装上三道护栏——注入检测、决策脱敏、输出合规，其中歧视防护是全系列独有话题