巴姆 發表於 2025-5-21 18:13:00

Spring AI 1.0 正式发布！核心内容和智能体详解

<p>在经历了八个里程碑式的版本之后（M1~M8），Spring AI 1.0 正式版本，终于在 2025 年 5 月 20 日正式发布了，这是另一个新高度的里程碑式的版本，标志着 Spring 生态系统正式全面拥抱人工智能技术，并且意味着 Spring AI 将会给企业带来稳定 API 支持。</p>
<h2 id="1核心特性">1.核心特性</h2>
<p><strong>Spring AI 1.0 的核心是 ChatClient 接口，这是一个可移植且易于使用的 API，是与 AI 模型交互的主要接口。</strong></p>
<p>它支持调用 20 多种 AI 模型，从 Anthropic 到 ZhiPu AI，并支持多模态输入和输出（当底层模型支持时）以及结构化响应（通常以 JSON 格式，便于应用程序处理输出）。</p>
<h3 id="11-单模型chatclient使用">1.1 单模型ChatClient使用</h3>
<p>在项目中只有一个模型时，创建全局的 ChatClient：</p>
<pre><code class="language-java">@RestController
class MyController {

    private final ChatClient chatClient;

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

    @GetMapping("/ai")
    String generation(String userInput) {
      return this.chatClient.prompt()
            .user(userInput)
            .call()
            .content();
    }
}
</code></pre>
<h3 id="12-多模型chatclient使用">1.2 多模型ChatClient使用</h3>
<p>在项目中有多个模型时，为这一个模型创建全局的 ChatClient：</p>
<pre><code class="language-java">// Create ChatClient instances programmatically
ChatModel myChatModel = ... // already autoconfigured by Spring Boot
ChatClient chatClient = ChatClient.create(myChatModel);

// Or use the builder for more control
ChatClient.Builder builder = ChatClient.builder(myChatModel);
ChatClient customChatClient = builder
    .defaultSystemPrompt("You are a helpful assistant.")
    .build();
</code></pre>
<h3 id="13-不同模型类型的chatclients"><font style="color: rgba(20, 24, 24, 1)">1.3 不同模型类型的ChatClients</font></h3>
<p>当项目中有多个模型时，为每个模型定义单独的 ChatClient：</p>
<pre><code class="language-java">import org.springframework.ai.chat.ChatClient;
import org.springframework.context.annotation.Bean;
import org.springframework.context.annotation.Configuration;

@Configuration
public class ChatClientConfig {

    @Bean
    public ChatClient openAiChatClient(OpenAiChatModel chatModel) {
      return ChatClient.create(chatModel);
    }

    @Bean
    public ChatClient anthropicChatClient(AnthropicChatModel chatModel) {
      return ChatClient.create(chatModel);
    }
}
</code></pre>
<p>然后，您可以使用 @Qualifier 指定大模型对应的 ChatClient：</p>
<pre><code class="language-java">@Configuration
public class ChatClientExample {

    @Bean
    CommandLineRunner cli(
            @Qualifier("openAiChatClient") ChatClient openAiChatClient,
            @Qualifier("anthropicChatClient") ChatClient anthropicChatClient) {

      return args -&gt; {
            var scanner = new Scanner(System.in);
            ChatClient chat;

            // Model selection
            System.out.println("\nSelect your AI model:");
            System.out.println("1. OpenAI");
            System.out.println("2. Anthropic");
            System.out.print("Enter your choice (1 or 2): ");

            String choice = scanner.nextLine().trim();

            if (choice.equals("1")) {
                chat = openAiChatClient;
                System.out.println("Using OpenAI model");
            } else {
                chat = anthropicChatClient;
                System.out.println("Using Anthropic model");
            }

            // Use the selected chat client
            System.out.print("\nEnter your question: ");
            String input = scanner.nextLine();
            String response = chat.prompt(input).call().content();
            System.out.println("ASSISTANT: " + response);

            scanner.close();
      };
    }
}
</code></pre>
<h2 id="2主要功能亮点">2.主要功能亮点</h2>
<ol>
<li><strong>检索增强生成（RAG</strong>）：Spring AI 提供了便携式向量存储抽象，支持 20 种不同的向量数据库，从 Azure Cosmos DB 到 Weaviate，像常见的 Cassandra、PostgreSQL/PGVector、MongoDB Atlas、Milvus、Pinecone 和 Redis 等向量数据库存储都是支持的。还包括一个轻量级、可配置的 ETL 框架，用于将数据导入向量存储。</li>
<li><strong>对话记忆</strong>：通过 ChatMemory 接口管理消息的存储和检索，支持 JDBC、Cassandra 和 Neo4j 等持久化存储。</li>
<li><strong>工具调用</strong>：通过 @Tool 注解可以轻松定义工具，让 AI 模型能够获取外部信息或执行实际动作。</li>
<li><strong>评估与测试</strong>：提供 Evaluator 接口和内置的 RelevancyEvaluator、FactCheckingEvaluator，帮助开发者评估 AI 生成内容的准确性和相关性。</li>
<li><strong>可观测性</strong>：与 Micrometer 集成，提供模型延迟、令牌使用情况等关键指标的详细遥测数据。</li>
</ol>
<h2 id="3模型上下文协议mcp支持">3.模型上下文协议(MCP)支持</h2>
<p>Spring AI 1.0 全面支持 Model Context Protocol (MCP)，这是一个标准化协议，使 AI 模型能够与外部工具、提示和资源进行交互。Spring AI 提供了客户端和服务器端的 MCP支持，简化了 MCP 工具的使用和创建。</p>
<p>最简单的 MCP 自定义服务器端实现：</p>
<pre><code class="language-java">@Service
public class WeatherService {

    @Tool(description = "Get weather information by city name")
    public String getWeather(String cityName) {
      // 伪代码
      return "The weather in " + cityName + " is 21°C and sunny.";
    }
}

@SpringBootApplication
public class McpServerApplication {

    private static final Logger logger = LoggerFactory.getLogger(McpServerApplication.class);

    public static void main(String[] args) {
      SpringApplication.run(McpServerApplication.class, args);
    }

        @Bean
        public ToolCallbackProvider weatherTools(WeatherService weatherService) {
                return MethodToolCallbackProvider.builder().toolObjects(weatherService).build();
        }
}
</code></pre>
<p>最简单的 MCP 客户端核心代码实现：</p>
<pre><code class="language-java">import org.springframework.ai.chat.client.ChatClient;
import org.springframework.beans.factory.annotation.Autowired;
import org.springframework.web.bind.annotation.RequestMapping;
import org.springframework.web.bind.annotation.RequestParam;
import org.springframework.web.bind.annotation.RestController;

@RestController
public class ClientController {
    @Autowired
    private ChatClient chatClient;

    @RequestMapping("/chat")
    public String chat(@RequestParam(value = "msg",defaultValue = "今天天气如何？") String msg) {
      String response = chatClient.prompt()
      .user(msg)
      .call()
      .content();
      System.out.println("响应结果: " + response);
      return response;
    }
}
</code></pre>
<h2 id="4ai-agent智能体支持">4.AI Agent(智能体)支持</h2>
<blockquote>
<p>AI Agent 的核心是“利用 AI 模型与其环境交互，以解决用户定义的任务”。有效的 AI Agent 将规划、记忆和作相结合，以完成用户分配的任务。</p>
</blockquote>
<p>Spring AI 1.0 支持两种主要类型的 Agent：</p>
<ul>
<li><strong>工作流驱动代理</strong>：通过预定义路径编排 LLM 和工具，一种更可控的 Agents 实现方法，其中 LLM 和工具通过预定义的路径进行编排。这些工作流是规范性的，可指导 AI 完成既定的作序列以实现可预测的结果。</li>
<li><strong>自主驱动代理</strong>：允许 LLM 自主规划和执行处理步骤。这种方式代理将自己决定要调用的路径，决定使用哪些工具以及以什么顺序使用。</li>
</ul>
<blockquote>
<p>虽然完全自主代理的灵活性很有吸引力，但工作流为定义明确的任务提供了更好的可预测性和一致性。具体使用哪种类型，取决于您的具体要求和风险承受能力。</p>
</blockquote>
<p>让我们看看 Spring AI 如何通过五种基本模式来实现这些概念，每种模式都服务于特定的用例：</p>
<h3 id="41-chain-工作流模式">4.1 Chain 工作流模式</h3>
<p>该模式将复杂任务分解为一系列步骤，其中每个 LLM 调用都会处理前一个 LLM 调用的输出。</p>
<blockquote>
<p>Chain Workflow 模式体现了将复杂任务分解为更简单、更易于管理的步骤的原则。</p>
</blockquote>
<p><img src="https://cdn.nlark.com/yuque/0/2025/webp/92791/1747821016131-c5b7753f-8b70-438d-8fbe-0a5142a72381.webp" alt="" loading="lazy"></p>
<h4 id="使用场景">使用场景</h4>
<ul>
<li>具有明确顺序步骤的任务。</li>
<li>当您想用延迟换取更高的准确性时。</li>
<li>当每个步骤都基于上一步的输出时。</li>
</ul>
<p>以下是 Spring AI 实现中的一个实际示例：</p>
<pre><code class="language-java">public class ChainWorkflow {
    private final ChatClient chatClient;
    private final String[] systemPrompts;

    public String chain(String userInput) {
      String response = userInput;
      for (String prompt : systemPrompts) {
            String input = String.format("{%s}\n {%s}", prompt, response);
            response = chatClient.prompt(input).call().content();
      }
      return response;
    }
}
</code></pre>
<p>此实现演示了几个关键原则：</p>
<ul>
<li>每个步骤都有重点。</li>
<li>一个步骤的输出成为下一个步骤的输入。</li>
<li>该链易于扩展和维护。</li>
</ul>
<h3 id="42-并行化工作流">4.2 并行化工作流</h3>
<p>LLM 可以同时处理任务，并以编程方式聚合其输出。</p>
<p><img src="https://cdn.nlark.com/yuque/0/2025/webp/92791/1747821016118-6b2281ec-148c-45a5-88d6-85d8569fbaee.webp" alt="" loading="lazy"></p>
<h4 id="使用场景-1"><font style="color: rgba(25, 30, 30, 1)">使用场景</font></h4>
<ul>
<li>处理大量相似但独立的项目。</li>
<li>需要多个独立视角的任务。</li>
<li>当处理时间至关重要且任务可并行化时。</li>
</ul>
<p>简单代码实现：</p>
<pre><code class="language-java">List&lt;String&gt; parallelResponse = new ParallelizationWorkflow(chatClient)
.parallel(
    "Analyze how market changes will impact this stakeholder group.",
    List.of(
      "Customers: ...",
      "Employees: ...",
      "Investors: ...",
      "Suppliers: ..."
    ),
    4
);
</code></pre>
<h3 id="43-路由工作流">4.3 路由工作流</h3>
<p>路由模式实现了智能任务分配，从而支持对不同类型的输入进行专门处理。</p>
<p><img src="https://cdn.nlark.com/yuque/0/2025/webp/92791/1747821016241-4812e6d3-f02a-44e7-b52e-77517e734e05.webp" alt="" loading="lazy"></p>
<h4 id="使用场景-2"><font style="color: rgba(25, 30, 30, 1)">使用场景</font></h4>
<ul>
<li>具有不同输入类别的复杂任务。</li>
<li>当不同的输入需要专门处理时。</li>
<li>何时可以准确处理分类。</li>
</ul>
<p>简单代码实现：</p>
<pre><code class="language-java">@Autowired
private ChatClient chatClient;

RoutingWorkflow workflow = new RoutingWorkflow(chatClient);

Map&lt;String, String&gt; routes = Map.of(
    "billing", "You are a billing specialist. Help resolve billing issues...",
    "technical", "You are a technical support engineer. Help solve technical problems...",
    "general", "You are a customer service representative. Help with general inquiries..."
);

String input = "My account was charged twice last week";
String response = workflow.route(input, routes);
</code></pre>
<h3 id="44-编排器"><font style="color: rgba(20, 24, 24, 1)">4.4 编排器</font></h3>
<p><img src="https://cdn.nlark.com/yuque/0/2025/webp/92791/1747821016093-6f0558da-aea6-4a47-b257-4ed0ea4fe588.webp" alt="" loading="lazy"></p>
<h4 id="使用场景-3"><font style="color: rgba(25, 30, 30, 1)">使用场景</font></h4>
<ul>
<li>无法预先预测子任务的复杂任务。</li>
<li>需要不同方法或观点的任务。</li>
<li>需要适应性问题解决的情况。</li>
</ul>
<p>简单实现代码：</p>
<pre><code class="language-java">public class OrchestratorWorkersWorkflow {
    public WorkerResponse process(String taskDescription) {
      // 1. Orchestrator analyzes task and determines subtasks
      OrchestratorResponse orchestratorResponse = // ...

      // 2. Workers process subtasks in parallel
      List&lt;String&gt; workerResponses = // ...

      // 3. Results are combined into final response
      return new WorkerResponse(/*...*/);
    }
}
</code></pre>
<p>使用示例：</p>
<pre><code class="language-java">ChatClient chatClient = // ... initialize chat client
OrchestratorWorkersWorkflow workflow = new OrchestratorWorkersWorkflow(chatClient);

WorkerResponse response = workflow.process(
    "Generate both technical and user-friendly documentation for a REST API endpoint"
);

System.out.println("Analysis: " + response.analysis());
System.out.println("Worker Outputs: " + response.workerResponses());
</code></pre>
<h3 id="45-评估器-优化器">4.5 评估器-优化器</h3>
<p><img src="https://cdn.nlark.com/yuque/0/2025/webp/92791/1747821016323-99fa2ef3-8b9c-45d2-8a81-4e7bee636395.webp" alt="" loading="lazy"></p>
<h4 id="使用场景-4"><font style="color: rgba(25, 30, 30, 1)">使用场景</font></h4>
<ul>
<li>存在明确的评估标准。</li>
<li>迭代优化提供可衡量的价值。</li>
<li>任务受益于多轮批评。</li>
</ul>
<pre><code class="language-java">public class EvaluatorOptimizerWorkflow {
    public RefinedResponse loop(String task) {
      Generation generation = generate(task, context);
      EvaluationResponse evaluation = evaluate(generation.response(), task);
      return new RefinedResponse(finalSolution, chainOfThought);
    }
}
</code></pre>
<p>使用示例：</p>
<pre><code class="language-java">ChatClient chatClient = // ... initialize chat client
EvaluatorOptimizerWorkflow workflow = new EvaluatorOptimizerWorkflow(chatClient);

RefinedResponse response = workflow.loop(
    "Create a Java class implementing a thread-safe counter"
);

System.out.println("Final Solution: " + response.solution());
System.out.println("Evolution: " + response.chainOfThought());
</code></pre>
<h2 id="5开始使用springai">5.开始使用SpringAI</h2>
<p>开发者可以通过 Maven 中央仓库获取 Spring AI 1.0 的所有组件。使用提供的 bom 导入依赖：</p>
<pre><code class="language-xml">&lt;dependencyManagement&gt;
&lt;dependencies&gt;
    &lt;dependency&gt;
      &lt;groupId&gt;org.springframework.ai&lt;/groupId&gt;
      &lt;artifactId&gt;spring-ai-bom&lt;/artifactId&gt;
      &lt;version&gt;1.0.0&lt;/version&gt;
      &lt;type&gt;pom&lt;/type&gt;
      &lt;scope&gt;import&lt;/scope&gt;
    &lt;/dependency&gt;
&lt;/dependencies&gt;
&lt;/dependencyManagement&gt;
</code></pre>
<p>也可以在 Spring Initializr 网站上创建 1.0 GA 应用程序，并参考参考文档中的"Getting Started"部分。</p>
<h2 id="小结">小结</h2>
<p>Spring AI 1.0 的发布标志着企业级 Java 应用程序开发进入了一个新时代，使开发者能够轻松地将最先进的 AI 能力集成到他们的 Spring 应用程序中。</p>
<blockquote>
<p>本文已收录到我的技术小站 www.javacn.site，其中包含的内容有：Spring AI、LangChain4j、Dify、AI Agent、MCP、Function Call、RAG、向量数据库、Prompt、多模态、向量数据库、嵌入模型等内容。</p>
</blockquote>


</div>
<div id="MySignature" role="contentinfo">
    <div style="text-align: center; color: red">
关注下面二维码，订阅更多精彩内容。
<br>
<img style="margin-left: 0px" src="https://images.cnblogs.com/cnblogs_com/vipstone/848916/o_211225130402_gognzhonghao.jpg">
</div>

<div style="display: none">
    <img src="http://icdn.apigo.cn/gitchat/rabbitmq.png?imageView2/0/w/500/h/400">
</div>
<div style="margin-bottom: 50px; display: none">

<img title="微信打赏" src="http://icdn.apigo.cn/myinfo/wchat-pay.png" alt="微信打赏">
<br>

<div style="display: none">
<span style="display: block; position: absolute; height: 40px; top: 50%; margin-top: -20px">关注公众号（加好友）：</span>

<img style="margin-left: 144px" src="http://icdn.apigo.cn/gongzhonghao2.png?imageView2/0/w/120/h/120">
</div>
<p></p>

<div id="AllanboltSignature">
    <p style="border-top: #e0e0e0 1px dashed; border-right: #e0e0e0 1px dashed; border-bottom: #e0e0e0 1px dashed; border-left: #e0e0e0 1px dashed; padding-top: 10px; padding-right: 10px; padding-bottom: 10px; padding-left: 60px; background: url(&quot;https://images.cnblogs.com/cnblogs_com/lloydsheng/239039/o_copyright.gif&quot;) #e5f1f4 no-repeat 1% 50%; font-family: 微软雅黑; font-size: 11px" id="PSignature">
      <br> 作者：
      王磊的博客
      <br> 出处：
      http://vipstone.cnblogs.com/
      <br>
    </p>
</div></div><br><br>
来源：https://www.cnblogs.com/vipstone/p/18889533
頁: [1]
查看完整版本: Spring AI 1.0 正式发布！核心内容和智能体详解