說實話，當我看到Spring AI 1.1正式發布的消息時，第一反應是，這個版本的變化比我想象的要大得多。

不是那種常規的功能更新，而是真正在改變Java開發者使用AI的方式。

這次 1.1 版本包含了超過850項改進，其中354個是新功能和集成，241個bug修復。

但最讓我感興趣的，是三個核心突破：Model Context Protocol（MCP）集成、Prompt Caching帶來的成本革命，以及遞歸Advisors帶來的自改進AI能力。

MCP全面升級適配

MCP（Model Context Protocol）可能是Spring AI 1.1最重要的新特性。簡單說，它讓AI應用能夠通過標準化的協議連接到各種外部工具、資源和提示模板。

之前如果你想在Spring應用中使用AI，可能需要自己寫很多膠水代碼來連接數據庫、API、文件系統等等。現在有了MCP，你可以用注解的方式直接定義這些連接：

? @McpTool - 定義AI可以調用的工具函數

? @McpResource - 定義AI可以訪問的資源

? @McpPrompt - 定義可復用的提示模板

這種設計的好處是，開發者不需要關心底層的通信細節。

Spring AI提供了多種傳輸方式：STDIO用于本地進程通信，HTTP SSE用于Web集成，還有 支持狀態管理的Streamable HTTP。

更實用的是，Spring Boot的自動配置讓這一切變得非常簡單。

你只需要添加相應的starter依賴，配置一下連接信息，就能讓AI應用訪問數據庫、調用API、讀取文件。這種標準化帶來的好處，可能比單個功能本身更重要。

Prompt Caching：成本降低90%的魔法

如果說MCP解決的是連接問題，那Prompt Caching解決的就是成本問題。

Spring AI 1.1現在支持Anthropic Claude和AWS Bedrock的提示緩存功能，可以將成本降低高達90%。

這個功能的工作原理其實挺直觀的。

在很多AI應用中，系統提示詞、工具定義這些內容每次對話都要重復發送，但實際上這些內容很少變化。Prompt Caching就是把這些重復的內容緩存起來，只發送變化的部分。

Spring AI提供了五種緩存策略：不緩存、只緩存系統消息、只緩存工具定義、緩存系統和工具、以及遵循Anthropic最佳實踐的增量對話歷史緩存。

你可以根據應用場景選擇最合適的策略。

對于企業級應用來說，這個功能的意義特別大。

想象一下，如果你的應用每天處理幾萬次對話，每次對話的系統提示詞有幾千個token，那緩存帶來的成本節省是非常可觀的。而且響應時間也會更快，因為需要傳輸的數據變少了。

遞歸Advisors：自改進的AI智能體

另一個讓我覺得有意思的功能是遞歸Advisors。這個功能讓Advisor可以調用其他Advisor，形成多步驟的AI工作流。

聽起來有點抽象，但實際應用場景很清晰。

比如你可以構建一個自改進的AI智能體：

第一個Advisor負責生成初始答案，第二個Advisor負責評估答案質量，第三個Advisor根據評估結果改進答案。這樣AI就能通過迭代處理不斷優化自己的輸出。

這個模式還可以用來實現LLM-as-a-Judge評估系統。

你可以讓一個模型生成內容，另一個模型評估內容質量，形成閉環的反饋機制。這對于需要高質量輸出的應用場景特別有用。

Spring AI提供了兩個內置的遞歸Advisor實現，覆蓋了常見的用例。而且支持可配置的觀察機制，方便你監控和調試整個工作流。

推理能力：讓AI真正"思考"

Spring AI 1.1還加強了對推理模型的支持。

現在可以原生支持多個提供商的推理能力：Ollama的思考模式、ZhipuAI的thinking參數、Anthropic的流式思考事件、OpenAI的推理內容訪問。

通過ReasoningContent API，應用可以檢查和利用模型的推理過程。

這對于需要理解AI如何得出答案的場景特別有價值，比如教育應用、代碼審查工具、或者需要可解釋性的企業應用。

我試了試這個功能，確實能看到模型在"思考"過程中的中間步驟。雖然這些步驟可能不是完全準確的，但至少能讓你理解模型是如何處理問題的。這種透明度對于構建可信的AI應用很重要。

生態系統的擴展

除了核心功能，Spring AI 1.1還擴展了模型提供商的生態系統。

新增了Google GenAI SDK集成，支持Gemini Pro、Gemini 1.5 Pro和Gemini 2.0 Flash模型。還有ElevenLabs的文本轉語音功能，支持流式音頻生成。

對現有提供商的增強也很全面：OpenAI支持GPT-5模型家族和文件API，Anthropic支持最新的Claude模型（Sonnet 4.5、Opus 4.1）和Citations API，Mistral AI增加了OCR API集成，ZhipuAI支持GLM-4.6等新模型。

向量數據庫和聊天記憶的改進也值得一提。新增了MariaDB向量存儲、OpenSearch近似k-NN搜索、GemFire元數據過濾等功能。聊天記憶現在支持MongoDB、Oracle JDBC、Azure Cosmos DB等多種存儲選項。

開發者體驗的提升

從開發者體驗的角度看，Spring AI 1.1做了很多細節優化。

統一的Builder模式讓EmbeddingOptions和ChatOptions的使用更加一致，自動重試配置提高了分布式部署的可靠性，Micrometer可觀測性增強讓監控和調試更容易。

文檔方面也有很大改進，新增了100個文檔改進，包括新的指南和示例。Spring AI示例倉庫現在有37個模塊，其中24個包含集成測試，這對學習如何使用這些功能很有幫助。

還有一個值得關注的變化是新的Spring AI社區GitHub組織。這個組織為社區驅動的項目提供了平臺，讓開發者可以更容易地擴展和分享Spring AI的功能。

對Java AI應用的影響

從更大的角度看，Spring AI 1.1的發布可能標志著Java生態在AI應用開發上的一個重要轉折點。

之前Java開發者想要集成AI功能，往往需要寫很多樣板代碼，處理各種兼容性問題。現在有了MCP這樣的標準化協議，有了完善的Spring Boot集成，開發AI應用的門檻大大降低了。

成本優化也是一個關鍵因素。

Prompt Caching帶來的90%成本降低，對于需要大規模部署AI應用的企業來說，可能意味著從"用不起"到"用得起"的轉變。這對于推動AI在企業級應用中的普及很重要。

遞歸Advisors和推理能力的支持，也讓Java開發者能夠構建更智能、更可靠的AI應用。這些功能之前可能需要在Python生態中才能方便地使用，現在Java開發者也有了同樣的能力。

總的來說，Spring AI 1.1不僅僅是一個功能更新，更像是在為Java AI應用開發建立新的基礎設施。

如果你正在考慮在Java應用中集成AI功能，或者已經在使用Spring AI，這個版本值得你花時間深入了解。特別是MCP和Prompt Caching這兩個功能，可能會直接改變你的應用架構和成本結構。