2026届秋招的Java同学最近应该都感觉到了一个明显变化企业招聘页面上纯Java岗位的要求一年比一年复杂而带“AI应用”“大模型”“LLM应用”字样的岗位却越来越多。很多Java程序员第一反应是焦虑要不要把代码扔掉去学Python、学PyTorch、学数学其实完全不用。真正适合Java背景的大模型岗位是AI应用开发而不是算法训练。这篇文章会从Java程序员视角出发拆解一条从准备到通关offer的完整路线包含JavaAI学习规划、langchain4j与SpringAI实战示例、简历优化思路以及面试高频问题希望能给准备2026届秋招的同学一套可复用的方案。1. Java程序员转型AI大模型先看清方向再动手1.1 为什么说Java背景是AI应用开发的天然优势AI应用开发本质上是把大模型接进软件系统让它变成真实可用的业务能力。这里真正稀缺的不是机器学习理论而是工程化能力接口设计、并发控制、数据存储、异常处理、日志监控、安全权限、部署运维。这些恰恰是Java程序员在日常开发中每天都在做的事情。举个例子一个企业知识库问答系统核心链路是用户提问 - 检索相关知识 - 拼装Prompt - 调用大模型 - 流式返回 - 前端展示。这条链路中一半的工作量发生在模型调用之外的工程部分。谁来处理并发请求谁来控制检索超时谁来记录调用日志和Token消耗谁来处理模型返回异常这些都是Java后端工程师的主场。换句话说转型AI应用开发不是丢掉Java而是把Java作为底座在上面叠加一层对大模型的理解。面向对象、MVC分层、Spring IoC/AOP、Spring Boot自动配置、Redis缓存、消息队列、分布式事务这些你已经学过的东西在大模型项目里几乎全部还会用到。真正需要补的是一套关于大模型的“业务认知”。1.2 2026秋招AI相关岗位的三类画像先把岗位看清楚再决定往哪个方向投入。目前秋招中与AI大模型相关的岗位大体可以分成三类。第一类是算法与模型训练岗要求数学基础、深度学习、分布式训练、模型调优很多学校看论文和比赛经历。这类岗位和Java后端开发的技能栈重叠度很低不建议大多数Java同学作为主攻方向。第二类是AI应用开发岗也是Java程序员最应该瞄准的方向。它要求掌握大模型API调用、Prompt设计、RAG检索增强、Agent工具调用同时还要负责业务系统的集成。技术栈可以是langchain4j、SpringAI甚至纯Spring Boot HTTP调用。这类岗位在秋招中的数量增长非常快。第三类是AI平台与基础设施岗负责模型部署、推理加速、向量数据库运维、Prompt网关、模型评测与监控。这类岗位更偏向DevOps和中间件Java工程师同样有竞争力但一般要求对模型推理和部署工具链有较多了解。你可以把第一类作为一个长期了解方向把第二类作为秋招主冲刺方向把第三类作为Java和DevOps能力都还不错的备选方向。这样投入产出比最高。1.3 转型前先建立正确的技术认知很多Java同学一听到“AI学习路线”第一反应是去啃《深度学习》《机器学习》甚至研究怎么自己训练大模型。对大模型应用开发来说这属于投入大、见效慢的方向。我更建议先建立四块核心认知模型能力、Prompt设计、RAG检索、Agent工具调用。模型能力是理解大模型能做什么、不能做什么比如问答、总结、翻译、代码生成以及它的上下文窗口、Token限制、幻觉问题。Prompt设计是学会用指令、示例、格式约束来引导模型输出稳定结果。RAG检索是把私有知识注入模型回答让模型回答有据可查。Agent工具调用则是把模型从“只动嘴”变成“能动手”让它去调用天气接口、计算器、数据库查询等外部能力。这四块能力基本对应了面试中AI方向的所有高频考点也是简历项目中最容易出彩的部分。后面所有学习阶段都是围绕这四个核心能力展开。2. 大模型应用开发必懂的核心概念2.1 Token大模型处理文本的基本单位Token是面试里最容易聊开的概念。大模型不会直接按“字”理解文本而是先把文本切分成Token。Token可以大致理解为一个单词、半个词或一个中文字符不同模型的分词策略不一样。为什么面试官喜欢问Token因为它直接关联到上下文长度、计费和性能。模型上下文是128K你输入一篇超长文档最终要检查是否超过限制回答质量变差时也可能与Prompt太长、挤占了模型有效注意力有关。Java程序员在做RAG时最容易踩的坑就是检索出来的文档片段太多Prompt超长最后模型没按要求回答。理解Token才能在设计Prompt拼接策略时把握好上限。2.2 Prompt与System Prompt决定模型输出的关键输入Prompt是用户传给模型的完整指令System Prompt则是系统级约束。比如你可以告诉模型“你是一个严谨的Java技术顾问回答要分点不要编造不确定的信息”。模型本身不具备业务立场它的输出风格和质量很大程度取决于Prompt怎么写。在开发对话机器人时Prompt不是一段写死的文本而是动态拼装出来的。用户问题、检索到的知识片段、当前会话历史、可用的工具描述都会拼进Prompt。面试官常问的一个场景是模型回答不准确你怎么排查第一反应应该是看Pinpoint调用时的Prompt实际长什么样而不是立刻换模型。2.3 流式输出为什么AI应用普遍采用SSE大模型推理是需要时间的一个完整回答可能要好几十秒。如果等到全文生成完再一次性返给前端用户体验会非常差。流式输出的思路是模型每生成一个Token就通过SSE等协议立即推给前端页面像打字机一样逐字展示。Java后端实现流式输出通常用Flux 配合text/event-stream。这也是langchain4j和SpringAI的核心功能之一。面试会追问为什么用SSE而不是WebSocket可以回答SSE是单向服务端推送实现简单自动重连WebSocket是双向通道更适合需要频繁上行消息的场景。AI对话这类场景主要是服务端往客户端推文本流SSE已经够用。2.4 RAG和AgentAI应用落地两把利器RAG全称Retrieval-Augmented Generation检索增强生成。它的目标很朴素让大模型在回答前先检索私有知识库再基于检索到的资料生成答案。这样可以缓解大模型不知道企业内部知识、容易产生幻觉的问题。面试中RAG的标准流程是文档加载、文本切分、向量化、向量存储、检索召回、Prompt拼装、模型生成。Agent则是让大模型具备自主决策能力。模型判断当前任务需要调用某个工具时会输出一个结构化的工具调用请求程序执行工具后把结果交回给模型模型再继续生成最终答案。RAG和Agent并不互斥很多项目是RAG提供知识来源Agent负责调用工具完成任务。3. JavaAI学习路线从Java基础到秋招offer3.1 阶段一Java基础与Spring Boot工程能力储备如果你准备2026届秋招第一件事不是学大模型而是把Java后端基础补稳。秋招面试中Java并发、JVM、Spring Boot、数据库仍然是必考内容AI方向的应用开发岗也一样会问。这个阶段重点关注集合源码、并发编程、JVM内存模型与GC、MySQL索引与事务、Redis缓存、Spring IoC/AOP、Spring Boot自动配置原理。可以准备一个包含统一异常处理、AOP日志、Redis缓存的Spring Boot项目作为后面大模型项目的底座。3.2 阶段二大模型基础与本地模型调用不要一开始就写框架代码先用HTTP方式直接对话。在本地安装Ollama跑一个开源模型通过curl或Java HttpClient调用。理解每个请求参数的含义temperature控制随机性max_tokens控制最大输出长度stream控制是否流式返回。这个阶段的产出物是能用Java原生代码调用本地模型实现一个最小控制台对话程序。这能帮你理解大模型接口的本质后面用langchain4j和SpringAI时才不会觉得像黑魔法。3.3 阶段三langchain4j核心框架学习langchain4j是Java生态中较早出现的LangChain风格框架模块化程度高。按顺序掌握ChatLanguageModel基础对话、StreamingChatLanguageModel流式输出、ChatMemory会话记忆、Tool工具调用、Embedding与向量存储、RAG检索增强。学习过程中不要只抄示例要改参数、换模型、加日志。比如把temperature调高再问同一个问题观察输出差异把记忆关掉再连续追问观察丢上下文的现象。这些实验才是面试中能讲出深度的地方。3.4 阶段四SpringAI核心框架学习SpringAI是Spring官方生态中的AI开发框架和Spring Boot结合非常紧密。重点掌握ChatClient与ChatModel的使用、application.yml配置、流式输出、Tool注解工具调用、VectorStore向量存储、与Spring Security等框架的集成。如果你的简历项目本身是Spring Boot项目SpringAI是加分项。它让你在秋招面试里可以直接说“我在现有Spring Boot工程中集成了AI能力”相比纯Python方案更有工程说服力。3.5 阶段五RAG与Agent项目实战简历上没有AI项目面试几乎无法证明你会AI开发。建议做两个方向一个是知识库问答做一个公司内部制度文档助手一个是Agent小助手让模型能查询数据库或调用外部接口完成任务。项目不在多在深。一个项目能把RAG流程讲透彻另一个能把工具调用闭环讲清楚就足够支撑秋招项目深挖。写项目时记得记录数据文档数量、响应耗时、检索召回效果、Token消耗这些都是简历量化的素材。3.6 阶段六简历优化与面试准备最后两到三周专门准备简历和面试。简历聚焦“Java底座 AI应用”的定位项目经验用STAR法则写清楚面试前完成高频八股复习和项目追问演练。时间节奏上如果每周能保证10到15小时整个路线提前3到4个月开始比较从容如果是在校集中准备2到3个月也能完成核心部分。不要追求学完所有知识要追求每个实验都亲手跑通。4. langchain4j实战第一个Java对话程序4.1 langchain4j是什么langchain4j是为Java和Android设计的LLM集成框架设计思路参考了Python生态的LangChain但目标是为JVM开发者提供原生的AI开发体验。它支持的模型提供商很多包括OpenAI、Azure OpenAI以及本地Ollama等。选择langchain4j的好处是API风格比较直观通过Builder构建模型实例通过ChatLanguageModel完成对话对于Java开发者来说上手成本不高。缺点是版本迭代比较快不同版本之间的API包名和回调接口可能有调整学习时要养成看官方文档的习惯。4.2 环境准备JDK、Maven与本地Ollama本例以本地Ollama为模型服务既方便调试又不涉及云端API成本。先安装Ollama在命令行运行ollama run qwen2.5启动后Ollama默认监听本地11434端口。可以用curl验证curl http://localhost:11434/api/tags能看到模型列表说明服务正常。然后创建一个Maven项目JDK版本建议17及以上。pom.xml中加入langchain4j核心依赖和Ollama集成模块dependencies dependency groupIddev.langchain4j/groupId artifactIdlangchain4j/artifactId version1.0.0/version /dependency dependency groupIddev.langchain4j/groupId artifactIdlangchain4j-ollama/artifactId version1.0.0/version /dependency /dependencies版本号请以Maven中央仓库当前最新稳定版为准。如果编译时发现接口不一致大概率是版本API调整需要按文档更新。4.3 基础对话代码新建一个Java类文件路径为src/main/java/com/example/aidemo/LangChain4jDemo.javaimport dev.langchain4j.model.chat.ChatLanguageModel; import dev.langchain4j.model.ollama.OllamaChatModel; public class LangChain4jDemo { public static void main(String[] args) { ChatLanguageModel model OllamaChatModel.builder() .baseUrl(http://localhost:11434) .modelName(qwen2.5) .build(); String answer model.generate(用一句话介绍你自己); System.out.println(answer); } }运行后控制台会输出模型生成的回答。这里核心是两步先通过Builder构建模型实例再调用generate方法传入用户消息。如果模型没有启动会报连接异常检查Ollama进程即可。4.4 流式输出示例对话场景中流式输出更接近真实体验。langchain4j通过StreamingChatLanguageModel接口实现。下面代码给出主流API写法import dev.langchain4j.data.message.AiMessage; import dev.langchain4j.model.chat.StreamingChatLanguageModel; import dev.langchain4j.model.chat.response.StreamingChatResponseHandler; import dev.langchain4j.model.ollama.OllamaStreamingChatModel; import dev.langchain4j.model.output.Response; public class StreamingDemo { public static void main(String[] args) throws InterruptedException { StreamingChatLanguageModel model OllamaStreamingChatModel.builder() .baseUrl(http://localhost:11434) .modelName(qwen2.5) .build(); model.generate(写一段200字介绍Spring Boot的文字, new StreamingChatResponseHandler() { Override public void onPartialResponse(String token) { System.out.print(token); System.out.flush(); } Override public void onCompleteResponse(ResponseAiMessage response) { System.out.println(); System.out.println([complete]); } Override public void onError(Throwable error) { error.printStackTrace(); } }); Thread.sleep(30000); } }运行时会看到文字逐个Token打印出来。需要注意的是langchain4j较旧版本的回调接口可能是StreamingResponseHandler 方法名为onNext、onComplete、onError。遇到编译错误时先检查依赖版本对应的接口定义这是一个常见的兼容性问题。4.5 RAG检索增强的设计思路RAG是简历项目中最常见的形态。面试中不仅要会概念还要能说清楚流程。一个最小RAG链路是加载文档 - 切分文本 - 调用Embedding模型生成向量 - 存入向量存储 - 用户提问时生成问题向量 - 从向量存储中召回相似片段 - 拼接Prompt - 调用聊天模型生成答案。用langchain4j实现时的大致思路如下// 核心逻辑示范真实项目请结合具体版本API调整 EmbeddingModel embeddingModel OllamaEmbeddingModel.builder() .baseUrl(http://localhost:11434) .modelName(nomic-embed-text) .build(); // 1. 文档加载和切分得到ListTextSegment // 2. 将每个分段向量化并写入EmbeddingStore // 3. 用户提问时用相同Embedding模型编码问题 // 4. 从EmbeddingStore中检索最相似的TopK片段 // 5. 将片段放入Prompt调用ChatLanguageModel生成回答RAG的难点不在框架API而在切分策略、召回数量、重排和去重。检索片段太碎模型上下文不完整片段太多Prompt超长片段重复模型回答会前后矛盾。面试官追问这些细节时能结合自己的实验数据回答会比背概念有说服力得多。5. SpringAI实战对话、流式与工具调用5.1 SpringAI和langchain4j怎么选面试中几乎必问SpringAI和langchain4j有什么区别项目里为什么选它可以从三个角度回答。从生态看SpringAI是Spring官方推出的AI能力集成和Spring Boot的自动配置、Starter机制天然融合Spring开发者上手成本低。langchain4j则更早覆盖了LangChain的大部分模块功能覆盖更全面长期开源社区活跃。从使用体验看SpringAI把模型配置收进application.yml通过ChatClient这种高度抽象的接口完成对话代码量更少。langchain4j构建式API更直接模块拆分更明显对底层细节暴露更多。从选型结论看如果是新搭建Spring Boot项目希望快速集成AI能力优先SpringAI如果项目需要较多的LangChain生态能力或者你希望灵活组合不同模块langchain4j更合适。5.2 搭建SpringAI工程基础配置假设已经有一个Spring Boot项目加入Ollama Starter依赖dependency groupIdorg.springframework.ai/groupId artifactIdspring-ai-ollama-spring-boot-starter/artifactId /dependency版本由Spring Boot和Spring AI的发行节奏决定请以当前使用的版本为准。在application.yml中配置本地模型地址spring: ai: ollama: base-url: http://localhost:11434 chat: model: qwen2.55.3 基础对话实现SpringAI中ChatClient是核心入口。为了方便注入先配置一个ChatClient Beanimport org.springframework.ai.chat.client.ChatClient; import org.springframework.ai.chat.model.ChatModel; import org.springframework.context.annotation.Bean; import org.springframework.context.annotation.Configuration; Configuration public class ChatClientConfig { Bean ChatClient chatClient(ChatModel chatModel) { return ChatClient.builder(chatModel).build(); } }然后写一个Service完成对话调用import org.springframework.ai.chat.client.ChatClient; import org.springframework.stereotype.Service; Service public class ChatService { private final ChatClient chatClient; public ChatService(ChatClient chatClient) { this.chatClient chatClient; } public String chat(String message) { return chatClient.prompt() .user(message) .call() .content(); } }Controller暴露HTTP接口import org.springframework.web.bind.annotation.GetMapping; import org.springframework.web.bind.annotation.RequestParam; import org.springframework.web.bind.annotation.RestController; RestController public class ChatController { private final ChatService chatService; public ChatController(ChatService chatService) { this.chatService chatService; } GetMapping(/ai/chat) public String chat(RequestParam String message) { return chatService.chat(message); } }启动项目后访问http://localhost:8080/ai/chat?message你好接口会返回模型生成的回答。5.4 流式输出实现流式输出要把返回类型改成Flux 并且响应Content-Type使用SSE。ChatService增加方法import reactor.core.publisher.Flux; public FluxString stream(String message) { return chatClient.prompt() .user(message) .stream() .content(); }Controller对应修改import org.springframework.http.MediaType; import org.springframework.web.bind.annotation.GetMapping; import org.springframework.web.bind.annotation.RequestParam; import org.springframework.web.bind.annotation.RestController; import reactor.core.publisher.Flux; GetMapping(value /ai/chat/stream, produces MediaType.TEXT_EVENT_STREAM_VALUE) public FluxString stream(RequestParam String message) { return chatService.stream(message); }前端使用EventSource或fetch流式读取即可。这种写法也是秋招项目中最常见的对话接口形态值得重点掌握。5.5 Tool注解与工具调用的name属性SpringAI把Java方法暴露给大模型最直接的方式是使用Tool注解。看下面的例子import org.springframework.ai.tool.annotation.Tool; import org.springframework.stereotype.Component; Component public class WeatherToolService { Tool(name getWeather, description 查询指定城市的实时天气) public String getWeather(String city) { return city 晴26℃空气质量优; } Tool(name getStockPrice, description 查询指定股票的实时价格) public String getStockPrice(String stockCode) { return stockCode 最新价 128.5 元; } }这里Tool的name属性就是模型看到并理解的方法名。模型在需要天气信息时会判断getWeather这个工具适合当前任务然后生成一个包含工具名和参数的JSON请求。框架收到这个请求后反射调用对应Java方法再把执行结果返回给模型。name属性有两个要点一是必须唯一如果两个Bean方法都叫getWeather或者名称相近模型可能选择困难甚至调用错误二是名称要有清晰的业务语义配合description属性一起描述能让模型更准确地决定何时调用。参数方法本身也可以写注释帮助框架生成更精确的参数描述。工具调用是Agent项目的地基。能把这个流程讲透彻面试中就已经把“只会写接口”的候选人甩开了一大截。6. 简历优化JavaAI项目怎么写更容易被捞6.1 简历定位句要突出“Java底座 AI应用”简历开头一定要有一句定位句让面试官十秒钟判断你匹配什么岗位。不要泛泛写“熟悉Spring Boot了解大模型”。示例定位句“Java后端方向掌握Spring Boot与并发编程能基于langchain4j/SpringAI构建RAG问答与Agent应用熟悉大模型对话、流式输出、工具调用完整链路。”这句话包含了两层信息你有Java工程能力你能做AI应用落地。它直接对应了AI应用开发岗的要求。6.2 技能清单分类写不要堆砌技能部分建议分类Java基础集合、并发、JVM、Stream框架Spring Boot、Spring AI、langchain4j存储MySQL、Redis、Milvus/向量存储AI能力Prompt设计、RAG、Agent、Function Calling写“熟悉”还是写“掌握”要看真实水平。简历上每个技能都要做好被追问的准备宁可写得保守一点。6.3 项目经验用结果导向写法普通写法往往是流水账做了什么、做了什么、做了什么。优化写法应该包含背景、动作、结果、难点。对比一下。普通写法“开发了一个基于Spring Boot的AI对话系统调用了大模型API实现了RAG。”优化写法“开发企业内部知识库问答助手使用SpringAI接入本地模型通过文档切分与向量检索实现RAG问答回答平均耗时从8秒优化到3秒人工检索成本降低约70%。”再补充一句技术亮点比如“使用Tool暴露数据库查询工具让模型自动生成SQL并校验结果返回用户”就能明显拉开差距。简历硬伤也要注意不要写“熟悉大模型”结果没有项目支撑不要只写算法项目一个完整的JavaAI闭环项目更重要不要写“精通”这类词秋招面试官喜欢深挖“精通”后面的水分。7. 面试高频题与回答要点7.1 Java数据一致性与并发基础不能丢AI应用开发岗一面仍然会大量考察Java基础尤其是数据一致性。基本问题是Java层面怎么保证数据一致性可以从四个层面回答。本地并发层面使用synchronized、ReentrantLock、Atomic类、CAS配合volatile保证可见性。数据库层面通过事务的ACID特性、隔离级别、MVCC机制保证一致性。分布式层面使用分布式锁、消息队列最终一致性、Seata等分布式事务方案。缓存层面要处理Redis与数据库的一致性比如延迟双删、更新DB后删除缓存。如果面试官进一步问“读多写少怎么设计”可以从本地缓存、Redis缓存、消息异步刷新展开。这些问题不复杂但要求平时积累过、真正理解过不能只会背概念。7.2 AI方向高频问题与回答要点把下面几个问题准备到位AI应用开发岗的面试基本不会冷场。第一个问题langchain4j和SpringAI有什么区别回答思路在5.1节已经给出。关键要落到“选型取决于项目场景”不要踩一捧一。第二个问题RAG完整流程是什么说清楚五个环节文档切分、向量化、检索召回、重排拼接、模型生成。面试官追问文档切分策略时要能提到固定长度切分、语义切分以及不同切分方式对召回效果的影响。第三个问题Agent是怎么实现工具调用的先说模型侧模型根据系统消息中的工具定义判断是否需要调用工具输出JSON格式的Function Call。再说工程侧程序解析JSON、执行对应Java方法、将结果作为新消息回传模型、模型继续生成。这个闭环在SpringAI里就是Tool注解自动完成的。第四个问题流式输出原理是什么回答SSE协议服务端持续推送Token客户端逐字渲染。可以补充为什么不用普通HTTP返回、为什么不用WebSocket。第五个问题大模型幻觉怎么缓解三个手段RAG让答案有知识来源System Prompt限制模型不要编造输出评估加上引用检查。回答时如果能结合自己项目里“模型引用了不存在的章节号”这种具体问题会更有说服力。第六个问题RRF结果融合中的去重问题怎么处理可以先解释RRF是Reciprocal Rank Fusion按多个检索结果排名倒数融合。langchain4j默认实现中可能有去重逻辑不完善的问题多个检索器返回同一文本片段时融合结果会把重复片段透传到Prompt影响回答质量。解决思路是对融合结果按文档ID去重或按得分归一化后再融合。这类问题很能体现工程深度。8. 常见问题与避坑清单8.1 本地模型与依赖问题排查表问题现象常见原因解决思路调用模型连接拒绝Ollama未启动或端口不对检查ollama serve进程确认11434端口模型名称不存在Ollama中未下载该模型ollama pull qwen2.5后重新调用编译失败找不到类langchain4j版本API调整查看当前版本文档调整import和接口方法名流式输出没有逐字刷新Controller未设置SSE响应类型设置produces为text/event-stream返回Flux中文生成断句模型输出不稳定或Prompt缺少约束在System Prompt中要求逐句输出适当调低temperature工具调用不触发工具名和描述不够明确检查Tool的name和description减少同名工具8.2 工程经验别让项目停留在Demo阶段秋招简历上的AI项目最怕只做到“能跑通”。面试官深挖时经常问到几个工程问题你怎么评估回答质量模型调用失败了怎么兜底Token消耗怎么控制多用户并发时会不会有性能问题建议在项目里至少做三件事给模型调用加统一异常处理和重试机制给Prompt拼接增加日志记录每次实际输入给回答结果加一个简单的质量评估环节比如检查是否包含引用依据。这些动作不需要很复杂但能证明你是在做工程而不是在玩Demo。还有一个常见坑本地小模型效果一般就想当然认为项目不行。方案选择上可以直接用开源模型API也可以本地混合模型。面试官更关注的是你有没有办法评估和迭代而不是模型本身有多强。9. 总结与下一步行动到这里JavaAI这条路线的主要环节已经完整过了一遍。核心收获可以归纳为四句话转型目标瞄准AI应用开发而不是算法训练Java基础不能丢并发、Spring Boot仍然是秋招的硬通货langchain4j和SpringAI不需要都学得很深至少要各有一个完整实验简历上的每个AI能力都要有真实项目闭环支撑。下一步行动很明确。如果你想走通这条路第一周先把Ollama跑起来用langchain4j写出第一个对话程序。跑通之后第二周加上RAG第三周用SpringAI做Agent工具调用。流式对话、RAG、工具调用每一个都能拆成一个三天的实验。秋招求职最怕的不是学不完而是一直在找“最正确的路线”却从没有打开IDE。收藏再多的学习攻略都不如在本地跑通一次大模型对话来得踏实。简历上写什么取决于你真正构建过什么。希望这篇攻略能给你一个明确起点2026届秋招加油。