从零开始的技术入门长文：每一步都能复制执行，每一步都有验证命令，跑通之后再顺着内链进入对应的报错排查。
本地用 Docker 跑起 OpenSearch 单节点，建 movies 索引、bulk 导入、match 搜索、更新删除，6 步走完，附 4 个新手必踩的坑：TLS 连不上、yellow 健康、bulk 格式、刚导入搜不到。
用中文书籍数据演示 Meilisearch 拼写容错：默认阈值分档、PATCH 调 minWordSizeForTypos、disableOnWords 定向关闭、enabled:false 整体关闭，6 步跑通，附 3 个坑排查入口。
Meilisearch 混合检索实战：配一次内置 embedder，用 semanticRatio 旋钮调节关键词与语义两路结果占比，借 _rankingScore 看清每条结果靠哪条腿排上来，7 步跑通，附 3 个坑排查入口。
用内置 huggingFace embedder 让 Meilisearch 自动做向量搜索：配置一次，文档入库与查询都自动转向量，纯文本进出、免手动嵌入，8 步跑通，附 3 个坑排查入口。
bge-small-zh-v1.5 把 6 本书转成 512 维向量存入 Meilisearch，semanticRatio 拉到 1.0 跑纯语义检索，6 步每步都有验证命令，卡住时对照 3 个报错排查入口。
不接 LLM 的纯本地语义检索：用 Chroma 向量数据库与 bge-small-zh 中文嵌入模型，从装依赖、生成向量文件到起服务、curl 建集合写文档、语义查询，全程 REST API，7 步跑通，附 3 个常见坑排查入口。
把 Meilisearch 排序完整走通：确认版本后声明 sortableAttributes，用 sort 做单字段与多字段 tiebreaker，自定义排名规则常驻生效，看清规则链位置如何决定软硬排序，7 步带验证，附 3 个坑排查入口。
让 Meilisearch 的中文搜索更准：从 Charabia 切词原理讲起，用 dictionary 锁整词、定制词边界、localizedAttributes 声明字段语言、locales 覆盖自动检测，7 步跑通，附 3 个常见坑排查入口。
在 Meilisearch 上实现分面搜索与过滤：声明 filterableAttributes，跑 filter 单条件与 AND/OR/括号/IN 组合、范围过滤，用 facets 拿 facetDistribution 与 facetStats，加 facet-search 自动补全，7 步带验证，附 4 个坑排查入口。
本地部署 Meilisearch 搜索服务：安装启动、建 movies 索引、导入官方 movies.json、filterableAttributes 过滤，再跑通更新与删除，增删改查 6 步走完，附 4 个常见坑排查入口。
在本地跑通 DeepSeek-R1：装 Ollama、拉取 deepseek-r1:8b、命令行聊一轮，再通过 /api/chat 拿到 thinking 与 content 分离的响应，5 步带验证命令，附 4 个常见坑排查入口。
用 LangChain4j 在 Java 里接入本地 Ollama 模型：建 Maven 工程、引 langchain4j-ollama、以 ChatModel 调 qwen3:8b，跑通流式输出，5 步完成，附 4 个常见坑排查入口。
用 Spring AI 接入本地 Ollama：建 Spring Boot 工程、引 spring-ai-starter-model-ollama、把 base-url 指向本地 11434，用 ChatClient 写完同步与流式两个接口并 curl 验证，6 步跑通，附常见坑排查入口。
在本地跑通 Ollama + Qwen3 对话：装 Ollama、拉取 qwen3:8b、命令行聊一轮，再用 /api/chat 发一次带上下文的多轮会话，5 步带验证，附 4 个常见坑排查入口。
用 Spring AI 跑通工具调用与 MCP：引入依赖、写 @Tool、接 stdio 与 Streamable HTTP 两种 MCP Server，打通 ChatClient 调用链，每步一条验证命令，附 5 个坑排查入口。
