Spring AI

版本信息

组件	版本
JDK	25
Maven	3.9.12
SpringBoot	4.0.2
SpringAI	2.0.0-M2 （等后续GA）

概览

Spring AI 是 Spring 官方推出的 面向企业级 Java 应用的 AI 开发框架，用于在 Spring Boot 应用中以一致、类型安全、可组合的方式集成和使用大模型（LLM）能力。 Spring AI 的目标不是封装某一家 AI SDK，而是提供一套 稳定的抽象层与编程模型，屏蔽底层模型与厂商差异，使 AI 能够像数据库、消息队列一样成为 Spring 应用中的基础能力。

Spring AI 解决的核心问题

在没有 Spring AI 的情况下，直接使用大模型通常会遇到以下问题：

不同模型厂商（OpenAI、Anthropic、Ollama、Bedrock 等）API 风格完全不同
Prompt 拼字符串、JSON 解析脆弱，缺乏类型安全
RAG、向量检索、工具调用需要自行拼装，工程复杂
AI 与 Spring 的配置、测试、可观测性体系割裂
业务系统很难长期维护 AI 相关代码

Spring AI 通过 统一抽象 + Spring 风格集成，系统性解决这些问题。

核心设计思想

Spring AI 的整体设计遵循几个明确原则：

模型不可知（Model-Agnostic） 应用代码面向 Chat、Embedding、Image 等抽象接口编程，而不是绑定某个具体模型实现。
Prompt 是一等公民 Prompt 不再只是字符串，而是结构化的消息集合（System / User / Assistant），并支持模板化与变量注入。
AI 与业务解耦 AI 模型只负责“推理”，业务数据通过 RAG、工具调用等机制安全引入。
企业级默认值 内建对类型安全、配置管理、测试、可观测性和可扩展性的支持。

核心能力全景

Spring AI 2.0 提供的能力可以分为几个层次：

1. 模型抽象（Models）

Spring AI 将 AI 能力按类型抽象为模型接口：

Chat Model（对话 / 文本生成）
Embedding Model（向量化）
Image Model（图像生成 / 理解）
Audio / TTS Model（语音）
Moderation Model（内容审核）

应用通过统一的 API 使用模型，而不直接依赖具体厂商。

2. Chat Client 与 Prompt

ChatClient 是最常用的入口，用于与对话模型交互。

Prompt 在 Spring AI 中具有明确结构：

System Message：定义角色、规则、约束
User Message：用户输入
Assistant Message：模型历史输出

并支持：

模板化 Prompt
多轮对话
上下文组合

这使 Prompt 从“字符串技巧”升级为可维护的工程资产。

3. Token 与上下文管理

Spring AI 明确暴露 Token 与上下文窗口的概念，用于：

控制成本
管理对话历史
处理长文本与大上下文模型

这是构建真实 AI 系统而非 Demo 的关键基础。

4. 结构化输出（Structured Output）

Spring AI 支持将模型输出直接映射为：

JSON 结构
Java 对象（DTO / Record）

而不是依赖脆弱的字符串解析，使 AI 结果可以 安全地进入业务流程。

5. Embedding 与向量存储

Spring AI 提供标准的 Embedding API，并集成多种向量数据库：

Redis
PGVector
Milvus
Chroma
Weaviate
云厂商向量服务

Embedding 是 RAG、语义搜索和知识检索的基础。

6. RAG（检索增强生成）

Spring AI 原生支持 RAG 模式：

文档加载与切分
向量化与存储
相似度检索
自动将检索结果注入 Prompt

RAG 是 Spring AI 中将企业私有数据安全引入模型的核心方式。

7. Tool Calling（工具调用）

通过 Tool Calling，模型可以：

在对话中“决定”调用某个工具
传入结构化参数
由应用执行真实业务逻辑
再将结果返回模型继续生成

这使 AI 能够安全地与：

数据库
微服务
外部 API
业务规则

进行交互，而不直接暴露系统。

8. 评估与可观测性

Spring AI 提供 Evaluator 机制，用于：

评估模型回答质量
判断相关性与准确性
辅助 Prompt 与 RAG 调优

并可与 Spring 现有的监控、日志、Tracing 体系集成。

与 Spring 生态的关系

Spring AI 并不是独立工具，而是：

使用 Spring Boot 自动配置
通过 BOM 管理版本
使用 application.yml 进行配置
可进行 Spring 风格的测试
易于集成进现有微服务架构

这意味着 AI 能力可以像数据库、MQ 一样自然融入现有系统。

Spring AI 2.0 的定位总结

Spring AI 2.0 不是一个 Prompt 工具库，而是：

一个用于构建可维护、可扩展、可上线的 AI 应用的 Spring 框架层

它适合用于：

企业知识库与智能问答
AI 助手 / Copilot
AI + 业务系统自动化
AI 能力平台化建设

后续章节将围绕模型接入、Prompt 设计、RAG、工具调用与实战模式逐步展开。

基础配置

添加依赖

xml

    <properties>
        <spring-ai.version>2.0.0-M2</spring-ai.version>
    </properties>
    <dependencies>
        <!-- Spring AI - DeepSeek 依赖 -->
        <dependency>
            <groupId>org.springframework.ai</groupId>
            <artifactId>spring-ai-starter-model-deepseek</artifactId>
        </dependency>
    </dependencies>
    <dependencyManagement>
        <dependencies>
            <dependency>
                <groupId>org.springframework.ai</groupId>
                <artifactId>spring-ai-bom</artifactId>
                <version>${spring-ai.version}</version>
                <type>pom</type>
                <scope>import</scope>
            </dependency>
        </dependencies>
    </dependencyManagement>

编辑配置

yaml

---
# Spring AI 配置
spring:
  ai:
    deepseek:
      base-url: https://dashscope.aliyuncs.com/compatible-mode/v1
      api-key: ${DEEPSEEK_API_KEY}
      chat:
        options:
          model: deepseek-v3.2
          temperature: 0.7

基础使用

controller创建

java

package io.github.atengk.ai.controller;

import org.springframework.ai.chat.client.ChatClient;
import org.springframework.web.bind.annotation.GetMapping;
import org.springframework.web.bind.annotation.RequestMapping;
import org.springframework.web.bind.annotation.RequestParam;
import org.springframework.web.bind.annotation.RestController;
import reactor.core.publisher.Flux;

@RestController
@RequestMapping("/api/ai")
public class BaseChatController {

    private final ChatClient chatClient;

    public BaseChatController(ChatClient.Builder chatClientBuilder) {
        this.chatClient = chatClientBuilder.build();
    }

}

最基础的同步对话

java

/**
 * 最基础的同步对话
 */
@GetMapping("/chat")
public String chat(@RequestParam String message) {
    return chatClient
            .prompt()
            .user(message)
            .call()
            .content();
}

GET /api/ai/chat?message=SpringAI是什么？

流式对话（SSE / WebFlux 场景）

java

/**
 * 流式对话（SSE / WebFlux 场景）
 */
@GetMapping("/chat/stream")
public Flux<String> stream(@RequestParam String message) {
    return chatClient
            .prompt()
            .user(message)
            .stream()
            .content();
}

GET /api/ai/chat/stream?message=SpringAI是什么？

带 System Prompt 的基础用法

java

/**
 * 带 System Prompt 的基础用法
 */
@GetMapping("/chat/system")
public String chatWithSystem(
        @RequestParam String system,
        @RequestParam String message) {

    return chatClient
            .prompt()
            .system(system)
            .user(message)
            .call()
            .content();
}

GET /api/ai/chat/system?system=你是一个Java专家&message=什么是SpringAI

使用 Prompt Template 的基础示例

java

/**
 * 使用 Prompt Template 的基础示例
 */
@GetMapping("/chat/template")
public String chatWithTemplate(
        @RequestParam String topic,
        @RequestParam(defaultValue = "Java") String language) {

    return chatClient
            .prompt()
            .user(u -> u.text("""
                    请用 {language} 的视角，
                    解释一下 {topic}，
                    并给出一个简单示例
                    """)
                    .param("topic", topic)
                    .param("language", language)
            )
            .call()
            .content();
}

GET /api/ai/chat/template?topic=SpringAI是什么？

Prompt 与模型参数管理

多轮对话与上下文管理

添加依赖

xml

<!-- Spring AI Redis Chat Memory -->
<dependency>
    <groupId>org.springframework.ai</groupId>
    <artifactId>spring-ai-starter-model-chat-memory-repository-redis</artifactId>
</dependency>

<!-- Spring Boot Redis 数据库集成 -->
<dependency>
    <groupId>org.springframework.boot</groupId>
    <artifactId>spring-boot-starter-data-redis</artifactId>
</dependency>

<!-- Jedis 客户端 -->
<dependency>
    <groupId>redis.clients</groupId>
    <artifactId>jedis</artifactId>
</dependency>

配置 ChatMemoryConfig

java

package io.github.atengk.ai.config;

import org.springframework.ai.chat.memory.ChatMemory;
import org.springframework.ai.chat.memory.ChatMemoryRepository;
import org.springframework.ai.chat.memory.MessageWindowChatMemory;
import org.springframework.ai.chat.memory.repository.redis.RedisChatMemoryRepository;
import org.springframework.context.annotation.Bean;
import org.springframework.context.annotation.Configuration;
import redis.clients.jedis.JedisPooled;

import java.time.Duration;

@Configuration
public class ChatMemoryConfig {

    @Bean
    public JedisPooled jedisPooled() {
        return new JedisPooled("175.178.193.128", 20003, null, "Admin@123");
    }

    @Bean
    public ChatMemory chatMemory(JedisPooled jedisPooled) {
        ChatMemoryRepository chatMemoryRepository = RedisChatMemoryRepository.builder()
                .jedisClient(jedisPooled)
                .indexName("my-chat-index")
                .keyPrefix("my-chat:")
                .timeToLive(Duration.ofHours(24))
                .build();

        ChatMemory chatMemory = MessageWindowChatMemory.builder()
                .chatMemoryRepository(chatMemoryRepository)
                .maxMessages(10)
                .build();

        return chatMemory;
    }

}

也可以直接在配置文件配置，但现在这个版本还不支持

java

spring:
  ai:
    chat:
      memory:
        redis:
          host: 175.178.193.128
          port: 20003
          index-name: chat-memory-idx
          key-prefix: "chat-memory:"
          time-to-live: 24h
          initialize-schema: true
          max-conversation-ids: 1000
          max-messages-per-conversation: 1000

配置 ChatClientConfig

java

package io.github.atengk.ai.config;

import org.springframework.ai.chat.client.ChatClient;
import org.springframework.ai.chat.client.advisor.MessageChatMemoryAdvisor;
import org.springframework.ai.chat.memory.ChatMemory;
import org.springframework.context.annotation.Bean;
import org.springframework.context.annotation.Configuration;

@Configuration
public class ChatClientConfig {

    @Bean
    public ChatClient chatClient(
            ChatClient.Builder builder,
            ChatMemory chatMemory) {

        return builder
                .defaultAdvisors(
                        MessageChatMemoryAdvisor
                                .builder(chatMemory)
                                .build()
                )
                .build();
    }

}

创建接口

java

package io.github.atengk.ai.controller;

import lombok.RequiredArgsConstructor;
import org.springframework.ai.chat.client.ChatClient;
import org.springframework.ai.chat.memory.ChatMemory;
import org.springframework.web.bind.annotation.GetMapping;
import org.springframework.web.bind.annotation.RequestMapping;
import org.springframework.web.bind.annotation.RequestParam;
import org.springframework.web.bind.annotation.RestController;

@RestController
@RequestMapping("/api/ai/memory")
@RequiredArgsConstructor
public class MemoryChatController {

    private final ChatClient chatClient;

    @GetMapping("/chat")
    public String chat(
            @RequestParam String conversationId,
            @RequestParam String message) {

        return chatClient
                .prompt()
                .user(message)
                .advisors(a ->
                        a.param(ChatMemory.CONVERSATION_ID, conversationId)
                )
                .call()
                .content();
    }

}

使用接口

GET /api/ai/memory/chat?conversationId=001&message=我叫阿腾

GET /api/ai/memory/chat?conversationId=001&message=我叫什么？

查看Redis数据

Tool Calling：让 AI 调用代码

RAG：接入企业知识库

结构化输出与业务集成

架构建议与 Controller 分层

1️⃣ Spring AI 核心概念

模型抽象（Chat / Embedding / Image / Audio）
Prompt 与 Message 体系
Token 与上下文窗口
结构化输出的意义

2️⃣ ChatClient 深入使用

System / User / Assistant Message
Prompt Template
多轮对话
上下文管理与 Memory

3️⃣ 结构化输出

JSON 输出约束
映射为 Java DTO
错误处理与校验策略

4️⃣ Embedding 与向量化

什么是 Embedding
向量相似度搜索
向量数据库选型

5️⃣ RAG（检索增强生成）

RAG 架构原理
文档切分与索引
检索策略
Prompt 组合方式

6️⃣ Tool Calling（工具调用）

工具定义
参数 Schema
模型调用流程
与业务系统集成模式

7️⃣ AI 评估与调优

Evaluator 使用
相关性评估
Prompt 与 RAG 优化思路

8️⃣ Spring AI 与 Spring 生态集成

Spring Boot 自动配置
配置管理与多环境
测试策略
可观测性（日志 / 指标）

9️⃣ 典型应用场景

企业知识库
智能客服
AI Copilot
AI + 微服务架构

🔟 升级与演进

1.x → 2.0 迁移要点
模型切换策略
架构演进建议

Spring AI ​

版本信息 ​

概览 ​

Spring AI 解决的核心问题 ​

核心设计思想 ​

核心能力全景 ​

1. 模型抽象（Models） ​

2. Chat Client 与 Prompt ​

3. Token 与上下文管理 ​

4. 结构化输出（Structured Output） ​

5. Embedding 与向量存储 ​

6. RAG（检索增强生成） ​

7. Tool Calling（工具调用） ​

8. 评估与可观测性 ​

与 Spring 生态的关系 ​

Spring AI 2.0 的定位总结 ​

基础配置 ​

基础使用 ​

最基础的同步对话 ​

流式对话（SSE / WebFlux 场景） ​

带 System Prompt 的基础用法 ​

使用 Prompt Template 的基础示例 ​

Prompt 与模型参数管理 ​

多轮对话与上下文管理 ​

Tool Calling：让 AI 调用代码 ​

RAG：接入企业知识库 ​

结构化输出与业务集成 ​

架构建议与 Controller 分层 ​

1️⃣ Spring AI 核心概念 ​

2️⃣ ChatClient 深入使用 ​

3️⃣ 结构化输出 ​

4️⃣ Embedding 与向量化 ​

5️⃣ RAG（检索增强生成） ​

6️⃣ Tool Calling（工具调用） ​

7️⃣ AI 评估与调优 ​

8️⃣ Spring AI 与 Spring 生态集成 ​

9️⃣ 典型应用场景 ​

🔟 升级与演进 ​

Spring AI

版本信息

概览

Spring AI 解决的核心问题

核心设计思想

核心能力全景

1. 模型抽象（Models）

2. Chat Client 与 Prompt

3. Token 与上下文管理

4. 结构化输出（Structured Output）

5. Embedding 与向量存储

6. RAG（检索增强生成）

7. Tool Calling（工具调用）

8. 评估与可观测性

与 Spring 生态的关系

Spring AI 2.0 的定位总结

基础配置

基础使用

最基础的同步对话

流式对话（SSE / WebFlux 场景）

带 System Prompt 的基础用法

使用 Prompt Template 的基础示例

Prompt 与模型参数管理

多轮对话与上下文管理

Tool Calling：让 AI 调用代码

RAG：接入企业知识库

结构化输出与业务集成

架构建议与 Controller 分层

1️⃣ Spring AI 核心概念

2️⃣ ChatClient 深入使用

3️⃣ 结构化输出

4️⃣ Embedding 与向量化

5️⃣ RAG（检索增强生成）

6️⃣ Tool Calling（工具调用）

7️⃣ AI 评估与调优

8️⃣ Spring AI 与 Spring 生态集成

9️⃣ 典型应用场景

🔟 升级与演进