IDEA 创建 Spring Boot Web 项目完整教程

一、新建 Spring Boot 项目

1. 打开新建项目窗口

  • 打开 IntelliJ IDEA → 点击 新建项目(或从欢迎页选择 New Project
  • 在左侧生成器中选择 Spring Boot

  •          截图如下
选项填写内容说明
服务器 URLstart.spring.ioSpring 官方初始化地址
名称demo项目名
位置D:\idea项目存放路径(建议不要含中文 / 空格)
语言Java开发语言
类型Maven项目构建工具
org.example项目组织标识
工件demo项目模块名
软件包名称com.example.demo根包名
JDK21 Oracle OpenJDK 21.0.8你的 JDK 版本
Java17源码兼容版本(Spring Boot 4.0.3 推荐 Java 17+)
打包Jar可执行 Jar 包(Spring Boot 推荐)
配置Properties配置文件格式

       点击 下一步 (N) 进入依赖选择页面。

二、选择 Spring Web 依赖

1. 选择 Spring Boot 版本

  • Spring Boot 版本:4.0.3(保持默认即可)

2. 添加 Web 依赖

  • 在左侧依赖列表中展开 Web 分类
  • 勾选 Spring Web(右侧会显示依赖说明:用于构建 Web/RESTful 应用,内置 Tomcat 容器)
  • 确认 “已添加的依赖项” 中显示 Spring Web
  • 然后创建,idea会自动生成项目结构

       截图如下

三、等待项目初始化完成

  1. IDEA 会自动打开项目并执行以下操作:
    • 下载 Maven 依赖(底部进度条可见)
    • 生成标准 Spring Boot 项目结构
    • 配置 .gitignorepom.xml 等文件
  2. 等待右下角提示 “项目同步完成” 后,即可开始开发。

Read more

Claude Code Superpowers -“让 AI 像资深工程师一样工作,而不是像只会写代码的实习生。”‌

Claude Code Superpowers -“让 AI 像资深工程师一样工作,而不是像只会写代码的实习生。”‌

1、什么是Superpowers Superpowers不是独立工具,是Claude Code的插件系统。 装上之后,Claude Code会自动多出一套”技能树”: brainstorming:帮你理清需求再动手,不是瞎写 test-driven-development:强制TDD流程,先写测试 systematic-debugging:4步调试法,找根因 writing-plans:把需求拆成2-5分钟的小任务 subagent-driven-development:子代理流水线干活 核心就一句话:让AI不要瞎搞,按照专业开发流程来。 2、核心价值 “让 AI 像资深工程师一样工作,而不是像只会写代码的实习生。”‌ 它认为,AI 编程的主要问题不是“不会写”,而是“没有流程”。它通过一套可组合的“技能”(Skills),将传统开发中容易被跳过的关键环节变成不可绕过的自动化节点,从而解决 AI 编程中常见的“方向跑偏”、“忽略测试”、“代码质量不稳定”等问题。 其核心价值体现在: * ‌强制测试驱动开发

OpenClaw配置GLM联网搜索 - 免费使用AI搜索功能

OpenClaw配置GLM联网搜索 - 免费使用AI搜索功能

还在为AI联网搜索头疼费?这篇文章教你实现AI联网搜索 背景 现在AI助手大火,但是大部分都不支持联网搜索。能够联网的Perplexity一个月要20美元,对个人开发者来说确实有点肉疼。 作为一个程序员,我一直在找免费或者低成本的解决方案。直到我发现OpenClaw这个开源平台,可以很方便地自定义Skill,配合智谱AI的GLM模型,实现了免费联网搜索功能。 什么是OpenClaw OpenClaw是一个开源的AI助手平台,支持: * 多个AI模型(GPT、Claude、GLM等) * 自定义Skill(技能) * 多种部署方式 * 飞书、Telegram等多平台接入 官方文档:https://github.com/openclaw/openclaw 核心思路 利用OpenClaw的自定义Skill功能,调用智谱AI的GLM模型。GLM模型支持联网搜索工具(web_search),我们只需要: 1. 申请智谱AI的API Key 2. 编写调用脚本 3. 配置到OpenClaw 详细配置步骤 第一步:申请智谱AI API Key

AI 与存储的结合:智能存储的实践与挑战

AI 与存储的结合:智能存储的实践与挑战

AI 与存储的结合:智能存储的实践与挑战 背景 作为一个专注于存储架构的技术人,我一直在关注人工智能技术的发展及其在存储领域的应用。最近团队在探索如何利用 AI 技术提升存储系统的性能和效率,遇到了许多挑战。为了帮助团队更好地理解和实践智能存储,我决定写这篇实践指南。 智能存储的概念 1. 什么是智能存储 智能存储是指利用人工智能技术(如机器学习、深度学习等)来优化存储系统的性能、可靠性和管理效率的存储解决方案。智能存储的核心特点是: * 自优化:自动优化存储配置和资源分配 * 自监控:自动监控存储系统的状态和性能 * 自修复:自动检测和修复存储系统的问题 * 预测性分析:预测存储系统的性能和容量需求 2. 智能存储的优势 * 性能提升:通过 AI 优化存储性能 * 成本降低:优化存储资源使用,降低存储成本 * 可靠性提高:预测和预防存储故障 * 管理效率:自动化存储管理,减少人工干预 3. 智能存储的挑战 * 数据质量:AI 模型需要高质量的数据进行训练 * 计算开销:AI

Flutter 组件 sse_stream 的适配 鸿蒙Harmony 深度进阶 - 驾驭高并发 Server-Sent Events 背压处理、实现鸿蒙端工业级 AI 响应流与长效链路治理方案

Flutter 组件 sse_stream 的适配 鸿蒙Harmony 深度进阶 - 驾驭高并发 Server-Sent Events 背压处理、实现鸿蒙端工业级 AI 响应流与长效链路治理方案

欢迎加入开源鸿蒙跨平台社区:https://openharmonycrossplatform.ZEEKLOG.net Flutter 组件 sse_stream 的适配 鸿蒙Harmony 深度进阶 - 驾驭高并发 Server-Sent Events 背压处理、实现鸿蒙端工业级 AI 响应流与长效链路治理方案 前言 在前文我们初步探讨了 sse_stream 在鸿蒙(OpenHarmony)端的连接实战。但在面临真正的工业级挑战——例如在大模型 AI(如 DeepSeek)生成每秒数百字的超高频反馈,或者是在证券系统中上千个标的实时价格跳动时,简单的“连接并监听”会导致鸿蒙 UI 线程由于疯狂的事件回调而瞬间进入 ANR(应用无响应)黑洞。 如何处理流式数据中的“背压(Backpressure)”?如何在鸿蒙有限的移动端内存中实现高效的报文分拣? 本文将作为 sse_stream 适配的进阶篇,