對象：後端工程師、技術主管、AI導入評估者

一、開場與轉型背景

今天要分享的是：「AI開發工具實戰與流程改造」，這不是純理論，也不是單一技術，而是從 一個真實後端系統 mySpringbootmall 專案出發，帶大家思考：

我們如何從傳統 Java MVC 系統，導入 AI 模型與智能功能？

工具怎麼選？流程怎麼改？部署怎麼穩？

有哪些坑要避？哪些流程值得複製？

這些問題不是 AI 工程師一個人能解決，而是需要你我這些系統架構設計者與實作者共同參與的流程升級。

二、mySpringbootmall 專案架構回顧

我們以 Spring Boot 建立了 mySpringbootmall 空殼專案，典型分層如下：

controller/

service/

dao/

model/

dto/

rowmapper/

util/

constant/

這是熟悉的 Java 後端開發模式，非常適合構建：

電商平台

訂單系統

資料管理 API

然而，當產品經理說：「我們要做個推薦商品功能」、「我們要加上智慧分類」……該怎麼辦？

答案就是：把 AI 功能以服務的方式導入，不打破原本架構，逐步演進。

三、從傳統架構到 AI 導入

傳統模式：Service → DAO → DB

AI 模式：Service → AI Model → 預測結果 → 回前端或入資料庫

實戰案例：推薦商品功能

我們新增一個 RecommendationServiceImpl，呼叫訓練好的 ONNX 模型：

OrtEnvironment env = OrtEnvironment.getEnvironment();

OrtSession session = env.createSession("recommendation_model.onnx", opts);

OnnxTensor inputTensor = OnnxTensor.createTensor(env, new long[][]{{userId}});

Map<String, OnnxTensor> inputs = Map.of("user_id", inputTensor);

OrtSession.Result results = session.run(inputs);

這樣就可以將模型推論的結果（如推薦商品 ID）傳回給 Controller。 使用的工具鏈：

四、AI 導入流程改造實戰

傳統流程（沒有 AI）：

需求 → Java 開發 → Controller/Service/DAO → 上線 → 回報

導入 AI 後流程（AI 模式）：

需求 → AI 團隊訓練模型（PyTorch） 

→ 匯出 .onnx 

→ Java 團隊整合至 Service 層（ONNX Runtime） 

→ 模型更新也能互替換

實務流程重點：

AI 與後端職責分離（清楚定義資料格式）

模型用 ONNX 載入，不綁定 Python

保持 Controller-Service 結構不變，易維護

可延伸為微服務部署，或支援 A/B 測試

五、流程導入常見錯誤與應對

六、結語與 Q&A

我們今天從一個空的 Spring Boot 專案開始，完整走過了：

如何改造開發流程支援 AI

如何選擇適合的工具（ONNX、ONNX Runtime）

如何讓 Java 工程師與 AI 工程師分工合作

如何保持原有架構清晰可維護

未來的系統不是寫得快，而是寫得能與 AI 共存、能不斷演進。

聽眾收穫：

使技術主管對於使用導入AI模式能有更清楚的概念，後端工程師明白自己的角色應做哪些事情與該如何與AI工程師合作，進而達到專案永續與成功的結果。