Spring AI：Java 生态的 AI 赋能与企业级智能应用开发

3. 提示工程利器：PromptTemplate

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"));

4. 1.1 版本核心突破

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。

三、典型场景落地：赋能全行业智能升级

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。

四、未来展望：Java 生态的 AI 普及之路

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。