2025年，你不能錯過Spring AI，那個汲取了LangChain靈感的家伙！
如何給Spring AI下定義呢？
在我看來，Spring AI和AI的關系，就像Spring Boot和Spring的關系一樣，旨在簡化包含AI功能的應用程序開發，避免不必要的復雜性。
據說，Spring AI是從著名的Python LangChain中汲取的靈感，就是為了讓生成式AI應用不僅僅面向Python開發者，使Java這個偉大的語言再次偉大！
通過Spring AI，可以更行之有效地解決企業數據、API與AI模型集成的根本挑戰。
圖片
Spring AI 提供了一些抽象層，這些具有多種實現方式的抽象層是開發AI應用程序的基礎，能夠以最少的代碼改動實現組件的輕松替換。
接下來我們看下Spring AI都具備哪些特性和能力。
1、主流模型支持
按照官網的說法，目前Spring AI支持所有主流的AI大模型提供商，包括：Anthropic、OpenAI、微軟、亞馬遜、谷歌和Ollama等。
其所支持的模型類型有：
- 聊天補全（Chat Completion）
- 嵌入（Embedding）
- 文本生成圖像（Text to Image）
- 音頻轉錄（Audio Transcription）
- 文本轉語音（Text to Speech）
- 內容審核（Moderation）
圖片
圖片
Spring AI支持這么多的大模型，并根據項目的實際需要在各個大模型間進行秒級切換，這對研發效率的提升是非常有幫助的。
我們就以對話機器人為例，來看下代碼的具體實現。
配置類及配置文件
我們在這里選擇Spring AI的1.0版本，并引入openai和ollama來實現大模型間的動態切換。
這里特別需要注意的是，不要用Spring AI的太高版本，我之前用的1.1.0-M7版本，里面各種maven依賴jar包不能下載。
圖片
圖片
圖片
圖片
Controller類
實現具體的大模型調用。
啟動類
訪問結果
我們在跑通上面的代碼后，就算完成了Spring AI的Hello World。
2、會話記憶
會話記憶（Conversational Memory）是Spring AI中非常好用的一個特性，可以使系統在對話過程中具有主動記錄、理解和利用上下文信息的能力。
其核心目標是讓AI能夠像人類一樣進行連貫、有邏輯的多輪交互，而非孤立地處理每一條用戶輸入。
我們繼續在剛才的代碼中進行實現。
配置類及配置文件在這里需要引入會話記憶的依賴，默認以內存的方式進行存儲實現。
圖片
圖片
Controller類
新增了一個completionMemory方法進行實驗，這里需要新增一個conversationId（會話ID），用于會話串聯并記憶。
圖片
訪問結果
我們首先輸入問題“托尼學長是誰”，并把會話ID設置為1。
圖片
接下來，我們輸入問題“我剛才輸入的是什么”，會話ID還是設置為1。
果然，大模型進行了正確的解答，證明我們的會話記憶功能跑通了。
圖片
然后我們再做一次實驗，輸入的問題還是“我剛才輸入的是什么”，但把會話ID設置為2。
從返回結果上來看，當會話ID變更之后，就無法實現會話記憶了。
圖片
除了內存之外，Spring AI還提供了MySQL、PostgreSQL、Cassandra、Neo4j等方式進行存儲，我們可以根據業務特性進行靈活選擇。
3、提示詞工程
在Spring AI中，提示詞工程（Prompt Engineering）是連接人類意圖與 AI 模型的核心橋梁，簡單說就是通過精心設計輸入給 AI 的指令（提示），讓模型更精準地輸出符合預期的結果。
做個比較形象的比喻，相當于把廣東人說的粵語，轉化為全國人民都通俗易懂的普通話。
提示工程的目標包括：
- 明確任務意圖（問答、總結、生成代碼）
- 控制輸出格式（JSON、表格、列表）
- 減少幻覺（模型生成錯誤信息）
- 適配特定領域（醫療、法律、金融等）
我們繼續通過代碼實現一個簡單的Demo。
Controller類
新增了一個completionPrompt方法進行實驗，該方法中共有三個步驟。
- 先創建一個提示詞模板，需要滿足四要素：角色、任務、上下文和輸出。
- 注入可變的參數。
- 調用大模型并返回結果。
圖片
訪問結果
1、我們首先輸入參數為“洞見”，返回結果是一篇現代文。
2、接下來我們輸入的參數為“李白”，返回結果變成了一篇文言文。
結語
本篇文章我們先介紹到這里，后續我們會繼續介紹Spring AI的RAG、多模態、MCP、向量存儲等相關內容。
