Python
（第一篇）破冰篇：Spring AI 到底是什么？核心亮点拆解与实战指南
  作为一名深耕Java 生态多年的开…
  作为一名深耕Java 生态多年的开…
作为一名深耕Java 生态多年的开发者，我最近在几个企业级 AI 项目中发现了一个共性痛点：团队里的 Java 工程师对 PyTorch、LangChain 这些 AI 工具链上手慢，反而更习惯用 Spring Boot、Spring Cloud 那套 "老伙计"。但 AI 时代来了，总不能让 Java 开发者困在传统业务里 —— 直到 Spring AI 的出现，我才看到了 Java 生态与 AI 技术无缝融合的可能。
聊 Spring AI 之前，先聊聊我们 Java 开发者在做 AI 项目时的真实困境：
**痛点 1：API 碎片化，像在学 "方言"**调用 OpenAI 要用它的 SDK，调讯飞星火得换另一套接口，接入公司自研大模型又要适配新协议。团队里光是维护不同模型的调用代码就占了 30% 的工作量，更别说做模型切换、负载均衡了。
痛点 2：生态 "两张皮"，整合成本高Spring 生态的依赖注入、事务管理、安全控制是我们的 "舒适区"，但现有 AI 框架（比如 Python 的 LangChain）和 Spring 几乎零交集。想在 Spring 项目里加个 AI 功能，得手动写一堆胶水代码，还容易破坏原有架构的整洁性。
痛点 3：AI 门槛高，团队协作卡壳算法同事讲的 "向量检索""RAG 流程 "，业务开发者听得云里雾里；想改个提示词模板，还得懂 Python 的 Jinja 语法。技术栈割裂直接导致团队协作效率下降。
而 Spring AI 的出现，正是冲着解决这些问题来的：
统一 API 层：不管是 OpenAI、 Anthropic 还是本地模型，都通过
ModelClient接口调用，切换模型只改配置，不用动业务代码（类似 JDBC 对数据库的统一）。生态无缝融合：天然支持 Spring Boot 自动配置、Spring Cloud 服务发现，甚至能和 Spring Security 结合做 AI 接口的权限控制。你熟悉的@Autowired、@Value照样能用。低门槛上手：用 Java 开发者熟悉的方式做 AI 开发 —— 提示词模板用PromptTemplate（类似 Thymeleaf），向量存储用VectorStore（类似 Spring Data JPA），不用重新学一套工具链。
很多人会问：Java 里已有 LangChain4j，为什么还要用 Spring AI？这俩不是竞争关系，而是各有侧重，选错了可能多走半年弯路。
我整理了 3 个核心维度的对比，帮你快速选型：
| 维度 | Spring AI | LangChain4j |
|---|---|---|
| 设计理念 | 以 "Spring 生态为中心"，AI 功能作为 Spring 组件存在 | 以 "LLM 工作流为中心"，专注 AI 流程编排 |
| 生态绑定 | 深度依赖 Spring，适合 Spring 技术栈团队 | 无框架依赖，Java 项目都能接，但需手动整合 Spring |
| 功能侧重 | 强在模型适配、生态整合、企业级特性（安全、监控） | 强在链 (Chain)、代理 (Agent) 等 AI 流程设计 |
举个实际案例：如果你们是传统 Java 企业，已有 Spring Cloud 微服务集群，想在订单系统里加个 "AI 客服回复生成" 功能，选 Spring AI 更合适 —— 直接用@Service注入OpenAiChatClient，配合 Spring Cloud Config 管理 API 密钥，零成本集成。
但如果是纯 AI 项目，比如要做一个 "多模型协作的法律文书分析系统"，需要复杂的链编排，LangChain4j 的SequentialChain、RouterChain会更顺手。
一句话总结：Spring AI 是 "给 Spring 项目加 AI 功能" 的最优解，LangChain4j 是 "用 Java 做纯 AI 项目" 的利器。
Spring AI 的架构设计非常 "Spring"—— 分层清晰，组件解耦，核心就靠三大支柱：
不管底层是 OpenAI 的 GPT-4、阿里的通义千问，还是本地部署的 Llama3，ModelClient都能把它们的接口转换成统一的 Java 方法。
比如调用 Chat 模型，统一用chat()方法：
// 管它是哪个模型，调用方式都一样 ChatResponse response = chatClient.chat( new Prompt("用Java代码实现单例模式") ); System.out.println(response.getResult().getOutput().getContent());
背后的奥秘是ModelClient的 SPI 机制 —— 每个模型厂商只需要实现ChatClient接口，Spring AI 会通过自动配置加载对应的实现（类似 Spring Data 对不同数据库的适配）。
写提示词是 AI 开发的核心，但硬编码提示词既难维护又不灵活。PromptTemplate就像 AI 版的 Thymeleaf，支持变量替换、条件判断，还能从文件加载模板。
比如定义一个生成邮件回复的模板（email-template.st）：
你是客服助手，请回复用户邮件： 用户问题：{{userQuestion}} 订单号：{{orderId}} 回复要求：{{requirement}}
在代码中调用：
PromptTemplate template = new PromptTemplate( new ClassPathResource("email-template.st"), // 加载模板 Map.of( "userQuestion", "我的订单还没发货", "orderId", "OD123456", "requirement", "语气友好，说明物流进度" ) ); Prompt prompt = template.create(); // 生成最终提示词
这比直接字符串拼接优雅 10 倍，尤其适合需要频繁调整提示词的场景。
做 RAG（检索增强生成）时，需要把文档转成向量存起来，再根据用户问题的向量做相似检索。VectorStore就是干这个的，支持 Redis、Milvus、PostgreSQL 等多种存储。
以 Redis 为例，存文档、查相似内容只需 3 步：
// 1. 初始化向量存储（自动配置Redis连接） VectorStore vectorStore = new RedisVectorStore(redisTemplate, embeddingClient); // 2. 存储文档向量 vectorStore.add( Document.from("Spring AI是Spring生态的AI框架", Map.of("source", "官方文档")), Document.from("Spring AI支持统一模型接口", Map.of("source", "技术博客")) ); // 3. 检索相似文档（返回Top2） List<Document> docs = vectorStore.similaritySearch("Spring AI的核心功能", 2);
底层的向量计算、存储适配全由VectorStore搞定，开发者不用关心 "如何把文本转向量"" 如何计算余弦相似度 " 这些细节。
光说不练假把式，接下来手把手教你用 Spring Initializr 生成一个调用 OpenAI 的项目，全程不超过 10 分钟。
打开 Spring Initializr官网，配置如下：
Project: MavenLanguage: JavaSpring Boot: 3.2.xGroup: com.exampleArtifact: spring-ai-demo
关键依赖：在 "Dependencies" 搜索并添加：
Spring AI OpenAI（核心依赖，提供 OpenAI 模型适配）Spring Web（方便写接口测试）
生成的项目会自动引入依赖，核心部分如下（如果手动配置，参考这个）：
<dependencies> <!-- Spring AI核心 --> <dependency> <groupId>org.springframework.ai</groupId> <artifactId>spring-ai-core</artifactId> </dependency> <!-- OpenAI适配 --> <dependency> <groupId>org.springframework.ai</groupId> <artifactId>spring-ai-openai</artifactId> </dependency> <!-- Web依赖 --> <dependency> <groupId>org.springframework.boot</groupId> <artifactId>spring-boot-starter-web</artifactId> </dependency> </dependencies> <!-- Spring AI仓库（必须加，否则拉不到依赖） --> <repositories> <repository> <id>spring-milestones</id> <name>Spring Milestones</name> <url>https://repo.spring.io/milestone</url> </repository> </repositories>
在**application.properties**中添加：
# 你的OpenAI API密钥（从OpenAI官网获取） spring.ai.openai.api-key=sk-xxxxxxx # 可选：指定模型（默认gpt-3.5-turbo） spring.ai.openai.chat.model=gpt-3.5-turbo
创建AIController.java：
@RestController public class AIController { // 自动注入OpenAI聊天客户端 private final ChatClient chatClient; public AIController(ChatClient chatClient) { this.chatClient = chatClient; } // 暴露接口：/ai/chat?question=你的问题 @GetMapping("/ai/chat") public String chat(@RequestParam String question) { // 调用AI模型 return chatClient.chat(question); } }
启动项目后，访问：
http://localhost:8080/ai/chat?question=用Java写一个单例模式
不出意外，会收到 AI 返回的代码：
public class Singleton { // 私有静态实例，懒加载 private static volatile Singleton instance; // 私有构造方法，防止外部实例化 private Singleton() {} // 公共静态方法，获取实例 public static Singleton getInstance() { if (instance == null) { synchronized (Singleton.class) { if (instance == null) { instance = new Singleton(); } } } return instance; } }
搞定！从项目生成到成功调用 AI，全程不到 10 分钟，这就是 Spring AI 的低门槛魅力。
Spring 框架能统治 Java 生态 20 年，靠的不是技术多炫酷，而是 "降低开发者门槛，解决实际问题"。Spring AI 延续了这个基因 —— 它没发明新的 AI 算法，却把 AI 开发装进了 Java 开发者熟悉的 "Spring 壳子" 里。
如果你是 Java 团队，想在现有系统里平滑接入 AI 能力，不想重构技术栈，也不想让团队重新学一套工具链，Spring AI 就是最优解。
下一篇，我们会深入聊 环境搭建保姆级教程：从 JDK 到模型接入，敬请关注。
（如果觉得有用，欢迎点赞收藏，你的支持是我更新的动力～）
微信公众号「极客日志」，在微信中扫描左侧二维码关注。展示文案：极客日志 zeeklog
解析常见 curl 参数并生成 fetch、axios、PHP curl 或 Python requests 示例代码。 在线工具，curl 转代码在线工具，online
将字符串编码和解码为其 Base64 格式表示形式即可。 在线工具，Base64 字符串编码/解码在线工具，online
将字符串、文件或图像转换为其 Base64 表示形式。 在线工具，Base64 文件转换器在线工具，online
将 Markdown（GFM）转为 HTML 片段，浏览器内 marked 解析；与 HTML 转 Markdown 互为补充。 在线工具，Markdown 转 HTML在线工具，online
将 HTML 片段转为 GitHub Flavored Markdown，支持标题、列表、链接、代码块与表格等；浏览器内处理，可链接预填。 在线工具，HTML 转 Markdown在线工具，online
通过删除不必要的空白来缩小和压缩JSON。 在线工具，JSON 压缩在线工具，online