Spring AI 是连接 Java 生态与人工智能的桥梁，旨在简化企业级 AI 应用构建。它通过 ChatClient 实现对话交互，EmbeddingClient 与 VectorStore 支持语义检索与 RAG 架构，PromptTemplate 优化提示工程。1.1 版本引入 MCP 协议、提示缓存及递归 Advisors 增强工作流能力。该框架屏蔽底层模型差异，兼容 Spring Boot 生态，内置可观测性与安全控制。典型应用场景涵盖智能客服、金融风控及医疗诊断，能显著降低集成成本并提升业务效率，推动 Java 应用在 AI 时代的转型与升级。
Spring AI 并非从零构建的全新 AI 工具，而是深度嵌入 Spring 生态的 "AI 赋能层"。其核心目标是消除 AI 集成的技术壁垒，让开发者聚焦业务价值而非底层实现细节。 这一定位背后，是三大核心设计理念的支撑。首先是统一抽象，通过标准化 API 屏蔽 OpenAI、Google Gemini、Hugging Face 等不同服务商的接口差异，实现 "一套代码、多模型适配"。其次是原生集成，完美兼容 Spring Boot、Spring Cloud 等生态组件，依赖注入、自动配置等经典特性无缝复用，让 AI 功能像普通 Bean 一样易于管理。最后是企业级就绪，内置可观测性、安全控制、健康检查等生产环境必备能力，解决 AI 应用从原型到量产的落地痛点。 与 TensorFlow、PyTorch 等专注模型训练的传统框架不同，Spring AI 不涉及底层模型研发，而是聚焦 "AI 能力的业务化落地"；与 Python 生态的 LangChain 相比，它更侧重 Java 企业级场景的合规性、可维护性与运维适配，形成了差异化的技术定位。
Spring AI 的强大之处，在于通过模块化设计将复杂的 AI 技术封装为易用的组件，核心能力围绕五大关键接口展开，覆盖从对话交互到知识检索的全场景需求。
作为与 LLM 沟通的入口，ChatClient 提供简洁的链式 API，支持用户消息、系统指令、函数调用等复杂交互场景。一行代码即可完成 AI 调用，配合 MessageWindowChatMemory 组件，能自动维护多轮对话上下文，让交互更具连贯性。其底层实现由各厂商 Starter 提供，切换模型仅需修改配置，无需重构业务逻辑。
// 在 Spring Boot 应用中，ChatClient 会被自动配置
@Autowired
private ChatClient chatClient;
public String getChatResponse(String userMessage) {
return chatClient.prompt()
.user(userMessage)
.call()
.content();
}
// 带有系统指令和上下文记忆的多轮对话
public String getChatResponseWithMemory(String userMessage, String sessionId) {
// MessageWindowChatMemory 会根据 sessionId 维护不同会话的上下文
ChatMemory memory = new MessageWindowChatMemory(sessionId, 10);
// 保留最近 10 条消息
return chatClient.prompt()
.system("你是一位专业的 Java 技术顾问。")
.memory(memory)
.user(userMessage)
.call()
.content();
}
EmbeddingClient 负责将文本转化为捕获语义信息的高维向量，这是实现智能检索、分类聚类的核心技术。VectorStore 则提供向量数据的高效存储与检索能力，支持 PostgreSQL、Redis、Milvus 等主流向量数据库，为 RAG（检索增强生成）架构提供坚实基础，让 AI 能结合企业私有知识库生成精准答案。
@Autowired
private EmbeddingClient embeddingClient;
@Autowired
private VectorStore vectorStore;
// 假设已配置好连接到 Redis 或 PostgreSQL
// 1. 向量化并存储文档
public void addDocumentToKnowledgeBase(String documentId, String content) {
// 将文本内容转换为向量
Embedding embedding = embeddingClient.embed(content).call();
// 创建一个 Document 对象
Document document = new Document(documentId, content, embedding.getEmbedding());
// 存储到向量数据库
vectorStore.add(document);
}
// 2. 检索与生成（RAG 核心流程）
public String retrieveAndGenerateAnswer(String userQuery) {
// a. 将用户问题向量化
Embedding queryEmbedding = embeddingClient.embed(userQuery).call();
// b. 在向量库中查找最相似的文档
List<Document> similarDocs = vectorStore.similaritySearch(
new SearchRequest(queryEmbedding.getEmbedding(), 3));
// 获取 Top 3
// c. 构建包含上下文的 Prompt
String context = similarDocs.stream()
.map(Document::getContent)
.collect(Collectors.joining("\n\n"));
String prompt = String.format("基于以下提供的上下文信息，回答用户的问题。如果信息不足，请说不知道。\n\n上下文：%s\n\n用户问题：%s", context, userQuery);
// d. 调用 LLM 生成最终答案
return chatClient.prompt()
.user(prompt)
.call()
.content();
}
通过声明式语法支持提示词的动态生成与变量替换，避免硬编码带来的维护难题。开发者可灵活定义包含条件逻辑的提示模板，适配不同业务场景的 AI 交互需求，大幅降低提示工程的复杂度。
// 定义一个 Prompt 模板，可以从配置文件或数据库加载
private static final String EMAIL_TEMPLATE = "你是一位专业的邮件撰写助手。根据以下信息，为{customer_name}先生/女士撰写一封{email_type}邮件。邮件内容应简洁、专业，并包含以下要点：{key_points}。邮件开头要有问候，结尾要有署名。";
public String generateEmail(String customerName, String emailType, List<String> keyPoints) {
// 创建 PromptTemplate
PromptTemplate promptTemplate = new PromptTemplate(EMAIL_TEMPLATE);
// 填充变量
Map<String, Object> variables = new HashMap<>();
variables.put("customer_name", customerName);
variables.put("email_type", emailType);
variables.put("key_points", String.join(", ", keyPoints));
String resolvedPrompt = promptTemplate.render(variables);
// 调用 LLM 生成邮件内容
return chatClient.prompt()
.user(resolvedPrompt)
.call()
.content();
}
// 使用示例
// String email = generateEmail("张三", "产品更新通知", Arrays.asList("新功能 A", "性能优化", "请查阅附件"));
最新发布的 Spring AI 1.1 版本带来了三大革命性特性：Model Context Protocol（MCP）通过注解化方式标准化工具与资源连接，减少胶水代码；Prompt Caching 支持缓存重复提示内容，最高可降低 90% 的调用成本；递归 Advisors 允许构建多步骤 AI 工作流，实现自改进的智能体能力。此外，该版本还增强了推理过程透明度，支持 Ollama、ZhipuAI 等厂商的推理能力接入，让 AI 决策可追溯、可解释。
// 在 application.properties 中启用并配置缓存
spring.ai.prompt-caching.enabled=true
spring.ai.prompt-caching.cache-manager=caffeineCacheManager (需额外配置 Caffeine)
@Autowired
private PromptCache promptCache;
// 自动注入
public String getCachedResponse(String userInput) {
String cacheKey = "response_" + userInput.hashCode();
// 简单的缓存键生成策略
// 尝试从缓存获取
Optional<String> cachedResponse = promptCache.get(cacheKey, String.class);
if (cachedResponse.isPresent()) {
System.out.println("Cache hit!");
return cachedResponse.get();
}
// 缓存未命中，调用 LLM
System.out.println("Cache miss, calling LLM...");
String response = chatClient.prompt()
.user("你好，请介绍一下自己。")
.call()
.content();
// 将结果存入缓存（例如，设置 10 分钟过期）
promptCache.put(cacheKey, response, Duration.ofMinutes(10));
return response;
}
// 定义一个工具服务
@Service
public class WeatherService {
// @AiTool 注解将这个方法暴露为可供 AI 调用的工具
@AiTool(description = "获取指定城市未来 24 小时的天气预报")
public WeatherForecast getWeatherForecast(@AiParameter(description = "城市名称") String city) {
// 调用真实的天气 API...
System.out.println("Fetching weather for " + city);
return new WeatherForecast(city, "晴朗", 25);
}
}
// 在 AI 应用中使用
@Autowired
private ChatClient chatClient;
// Spring AI 会自动发现@AiTool 并将其注册到上下文中
public String askQuestionWithTools(String userQuestion) {
return chatClient.prompt()
.user(userQuestion)
.call()
.content();
}
// 使用示例
// 用户问：'北京明天天气怎么样？需要带伞吗？'
// Spring AI 会自动识别需要调用 WeatherService.getWeatherForecast("北京")，
// 并将结果整合到最终回答中。
Spring AI 的企业级特性使其在各行业落地中展现出强大价值，成为业务创新的核心驱动力。 在智能客服领域，某电商平台通过 Spring AI 构建的系统，将 60% 的重复咨询问题交由 AI 处理，响应时间从 10 分钟缩短至秒级，人力成本降低 70%。借助 RAG 架构对接产品手册与售后政策（如上述 retrieveAndGenerateAnswer 示例），结合工具调用能力直接查询 ERP 系统，对话准确率提升至 92%。 金融风控场景中，Spring AI 与实时特征平台结合，通过模型热部署能力将新风控模型的迭代周期从 3 天压缩至 2 小时，盗刷预警响应从 "事后审计" 升级为 "事前预警"，某银行年损失减少超千万元。其可观测性特性满足了金融行业的合规监控要求。 在医疗与智能制造领域，Spring AI 展现出跨模态处理与边缘部署能力：医疗辅助诊断系统可统一处理影像与文本病历，边缘计算确保患者数据隐私安全；工业预测性维护方案通过分析 IoT 传感器数据，提前 14 天预警设备故障，使维护成本降低 43%。 此外，在电商推荐、法律文档审查、教育个性化学习等场景，Spring AI 均通过与 Java 技术栈的深度融合，实现了业务效率的大幅提升与体验优化。
Spring AI 的崛起，不仅是技术框架的创新，更标志着 Java 生态在 AI 时代的强势回归。它解决了企业级 AI 应用开发的核心痛点：降低技术门槛，让传统 Java 开发者快速转型 AI 开发；打破供应商锁定，提供灵活的模型与数据库选择；适配现有技术体系，无需重构即可实现 AI 赋能。 随着生态的持续完善，Spring AI 正不断扩展模型支持范围与第三方集成能力，1.1 版本新增的 Google GenAI SDK、ElevenLabs 文本转语音等集成，进一步丰富了应用场景。未来，随着低代码能力的增强与社区插件的丰富，Spring AI 将推动 AI 技术在更多传统企业的深度渗透，让 "每个 Java 应用都能拥有 AI 能力" 成为现实。 对于 Java 技术栈主导的企业而言，Spring AI 不再是可选的技术尝试，而是实现数字化转型与智能升级的必然选择。它以生态协同为核心优势，以企业级落地为价值导向，正在开启一个 AI 与传统应用深度融合的全新开发时代。
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
查找任何按下的键的javascript键代码、代码、位置和修饰符。 在线工具，Keycode 信息在线工具，online
JavaScript 字符串转义/反转义；Java 风格 \uXXXX（Native2Ascii）编码与解码。 在线工具，Escape 与 Native 编解码在线工具，online
使用 Prettier 在浏览器内格式化 JavaScript 或 HTML 片段。 在线工具，JavaScript / HTML 格式化在线工具，online
Terser 压缩、变量名混淆，或 javascript-obfuscator 高强度混淆（体积会增大）。 在线工具，JavaScript 压缩与混淆在线工具，online
生成新的随机RSA私钥和公钥pem证书。 在线工具，RSA密钥对生成器在线工具，online
基于 Mermaid.js 实时预览流程图、时序图等图表，支持源码编辑与即时渲染。 在线工具，Mermaid 预览与可视化编辑在线工具，online