Spring AI 1.0 正式发布！核心内容和智能体详解
在经历了八个里程碑式的版本之后（M1~M8），Spring AI 1.0 正式版本，终于在 2025 年 5 月 20 日正式发布了，这是另一个新高度的里程碑式的版本，标志着 Spring 生态系统正式全面拥抱人工智能技术，并且意味着 Spring AI 将会给企业带来稳定 API 支持。1.核心特性
Spring AI 1.0 的核心是 ChatClient 接口，这是一个可移植且易于使用的 API，是与 AI 模型交互的主要接口。
它支持调用 20 多种 AI 模型，从 Anthropic 到 ZhiPu AI，并支持多模态输入和输出（当底层模型支持时）以及结构化响应（通常以 JSON 格式，便于应用程序处理输出）。
1.1 单模型ChatClient使用
在项目中只有一个模型时，创建全局的 ChatClient：
@RestController
class MyController {
private final ChatClient chatClient;
public MyController(ChatClient.Builder chatClientBuilder) {
this.chatClient = chatClientBuilder.build();
}
@GetMapping("/ai")
String generation(String userInput) {
return this.chatClient.prompt()
.user(userInput)
.call()
.content();
}
}1.2 多模型ChatClient使用
在项目中有多个模型时，为这一个模型创建全局的 ChatClient：
// Create ChatClient instances programmatically
ChatModel myChatModel = ... // already autoconfigured by Spring Boot
ChatClient chatClient = ChatClient.create(myChatModel);
// Or use the builder for more control
ChatClient.Builder builder = ChatClient.builder(myChatModel);
ChatClient customChatClient = builder
.defaultSystemPrompt("You are a helpful assistant.")
.build();1.3 不同模型类型的ChatClients
当项目中有多个模型时，为每个模型定义单独的 ChatClient：
import org.springframework.ai.chat.ChatClient;
import org.springframework.context.annotation.Bean;
import org.springframework.context.annotation.Configuration;
@Configuration
public class ChatClientConfig {
@Bean
public ChatClient openAiChatClient(OpenAiChatModel chatModel) {
return ChatClient.create(chatModel);
}
@Bean
public ChatClient anthropicChatClient(AnthropicChatModel chatModel) {
return ChatClient.create(chatModel);
}
}然后，您可以使用 @Qualifier 指定大模型对应的 ChatClient：
@Configuration
public class ChatClientExample {
@Bean
CommandLineRunner cli(
@Qualifier("openAiChatClient") ChatClient openAiChatClient,
@Qualifier("anthropicChatClient") ChatClient anthropicChatClient) {
return args -> {
var scanner = new Scanner(System.in);
ChatClient chat;
// Model selection
System.out.println("\nSelect your AI model:");
System.out.println("1. OpenAI");
System.out.println("2. Anthropic");
System.out.print("Enter your choice (1 or 2): ");
String choice = scanner.nextLine().trim();
if (choice.equals("1")) {
chat = openAiChatClient;
System.out.println("Using OpenAI model");
} else {
chat = anthropicChatClient;
System.out.println("Using Anthropic model");
}
// Use the selected chat client
System.out.print("\nEnter your question: ");
String input = scanner.nextLine();
String response = chat.prompt(input).call().content();
System.out.println("ASSISTANT: " + response);
scanner.close();
};
}
}2.主要功能亮点
[*]检索增强生成（RAG）：Spring AI 提供了便携式向量存储抽象，支持 20 种不同的向量数据库，从 Azure Cosmos DB 到 Weaviate，像常见的 Cassandra、PostgreSQL/PGVector、MongoDB Atlas、Milvus、Pinecone 和 Redis 等向量数据库存储都是支持的。还包括一个轻量级、可配置的 ETL 框架，用于将数据导入向量存储。
[*]对话记忆：通过 ChatMemory 接口管理消息的存储和检索，支持 JDBC、Cassandra 和 Neo4j 等持久化存储。
[*]工具调用：通过 @Tool 注解可以轻松定义工具，让 AI 模型能够获取外部信息或执行实际动作。
[*]评估与测试：提供 Evaluator 接口和内置的 RelevancyEvaluator、FactCheckingEvaluator，帮助开发者评估 AI 生成内容的准确性和相关性。
[*]可观测性：与 Micrometer 集成，提供模型延迟、令牌使用情况等关键指标的详细遥测数据。
3.模型上下文协议(MCP)支持
Spring AI 1.0 全面支持 Model Context Protocol (MCP)，这是一个标准化协议，使 AI 模型能够与外部工具、提示和资源进行交互。Spring AI 提供了客户端和服务器端的 MCP支持，简化了 MCP 工具的使用和创建。
最简单的 MCP 自定义服务器端实现：
@Service
public class WeatherService {
@Tool(description = "Get weather information by city name")
public String getWeather(String cityName) {
// 伪代码
return "The weather in " + cityName + " is 21°C and sunny.";
}
}
@SpringBootApplication
public class McpServerApplication {
private static final Logger logger = LoggerFactory.getLogger(McpServerApplication.class);
public static void main(String[] args) {
SpringApplication.run(McpServerApplication.class, args);
}
@Bean
public ToolCallbackProvider weatherTools(WeatherService weatherService) {
return MethodToolCallbackProvider.builder().toolObjects(weatherService).build();
}
}最简单的 MCP 客户端核心代码实现：
import org.springframework.ai.chat.client.ChatClient;
import org.springframework.beans.factory.annotation.Autowired;
import org.springframework.web.bind.annotation.RequestMapping;
import org.springframework.web.bind.annotation.RequestParam;
import org.springframework.web.bind.annotation.RestController;
@RestController
public class ClientController {
@Autowired
private ChatClient chatClient;
@RequestMapping("/chat")
public String chat(@RequestParam(value = "msg",defaultValue = "今天天气如何？") String msg) {
String response = chatClient.prompt()
.user(msg)
.call()
.content();
System.out.println("响应结果: " + response);
return response;
}
}4.AI Agent(智能体)支持
AI Agent 的核心是“利用 AI 模型与其环境交互，以解决用户定义的任务”。有效的 AI Agent 将规划、记忆和作相结合，以完成用户分配的任务。
Spring AI 1.0 支持两种主要类型的 Agent：
[*]工作流驱动代理：通过预定义路径编排 LLM 和工具，一种更可控的 Agents 实现方法，其中 LLM 和工具通过预定义的路径进行编排。这些工作流是规范性的，可指导 AI 完成既定的作序列以实现可预测的结果。
[*]自主驱动代理：允许 LLM 自主规划和执行处理步骤。这种方式代理将自己决定要调用的路径，决定使用哪些工具以及以什么顺序使用。
虽然完全自主代理的灵活性很有吸引力，但工作流为定义明确的任务提供了更好的可预测性和一致性。具体使用哪种类型，取决于您的具体要求和风险承受能力。
让我们看看 Spring AI 如何通过五种基本模式来实现这些概念，每种模式都服务于特定的用例：
4.1 Chain 工作流模式
该模式将复杂任务分解为一系列步骤，其中每个 LLM 调用都会处理前一个 LLM 调用的输出。
Chain Workflow 模式体现了将复杂任务分解为更简单、更易于管理的步骤的原则。
https://cdn.nlark.com/yuque/0/2025/webp/92791/1747821016131-c5b7753f-8b70-438d-8fbe-0a5142a72381.webp
使用场景
[*]具有明确顺序步骤的任务。
[*]当您想用延迟换取更高的准确性时。
[*]当每个步骤都基于上一步的输出时。
以下是 Spring AI 实现中的一个实际示例：
public class ChainWorkflow {
private final ChatClient chatClient;
private final String[] systemPrompts;
public String chain(String userInput) {
String response = userInput;
for (String prompt : systemPrompts) {
String input = String.format("{%s}\n {%s}", prompt, response);
response = chatClient.prompt(input).call().content();
}
return response;
}
}此实现演示了几个关键原则：
[*]每个步骤都有重点。
[*]一个步骤的输出成为下一个步骤的输入。
[*]该链易于扩展和维护。
4.2 并行化工作流
LLM 可以同时处理任务，并以编程方式聚合其输出。
https://cdn.nlark.com/yuque/0/2025/webp/92791/1747821016118-6b2281ec-148c-45a5-88d6-85d8569fbaee.webp
使用场景
[*]处理大量相似但独立的项目。
[*]需要多个独立视角的任务。
[*]当处理时间至关重要且任务可并行化时。
简单代码实现：
List<String> parallelResponse = new ParallelizationWorkflow(chatClient)
.parallel(
"Analyze how market changes will impact this stakeholder group.",
List.of(
"Customers: ...",
"Employees: ...",
"Investors: ...",
"Suppliers: ..."
),
4
);4.3 路由工作流
路由模式实现了智能任务分配，从而支持对不同类型的输入进行专门处理。
https://cdn.nlark.com/yuque/0/2025/webp/92791/1747821016241-4812e6d3-f02a-44e7-b52e-77517e734e05.webp
使用场景
[*]具有不同输入类别的复杂任务。
[*]当不同的输入需要专门处理时。
[*]何时可以准确处理分类。
简单代码实现：
@Autowired
private ChatClient chatClient;
RoutingWorkflow workflow = new RoutingWorkflow(chatClient);
Map<String, String> routes = Map.of(
"billing", "You are a billing specialist. Help resolve billing issues...",
"technical", "You are a technical support engineer. Help solve technical problems...",
"general", "You are a customer service representative. Help with general inquiries..."
);
String input = "My account was charged twice last week";
String response = workflow.route(input, routes);4.4 编排器
https://cdn.nlark.com/yuque/0/2025/webp/92791/1747821016093-6f0558da-aea6-4a47-b257-4ed0ea4fe588.webp
使用场景
[*]无法预先预测子任务的复杂任务。
[*]需要不同方法或观点的任务。
[*]需要适应性问题解决的情况。
简单实现代码：
public class OrchestratorWorkersWorkflow {
public WorkerResponse process(String taskDescription) {
// 1. Orchestrator analyzes task and determines subtasks
OrchestratorResponse orchestratorResponse = // ...
// 2. Workers process subtasks in parallel
List<String> workerResponses = // ...
// 3. Results are combined into final response
return new WorkerResponse(/*...*/);
}
}使用示例：
ChatClient chatClient = // ... initialize chat client
OrchestratorWorkersWorkflow workflow = new OrchestratorWorkersWorkflow(chatClient);
WorkerResponse response = workflow.process(
"Generate both technical and user-friendly documentation for a REST API endpoint"
);
System.out.println("Analysis: " + response.analysis());
System.out.println("Worker Outputs: " + response.workerResponses());4.5 评估器-优化器
https://cdn.nlark.com/yuque/0/2025/webp/92791/1747821016323-99fa2ef3-8b9c-45d2-8a81-4e7bee636395.webp
使用场景
[*]存在明确的评估标准。
[*]迭代优化提供可衡量的价值。
[*]任务受益于多轮批评。
public class EvaluatorOptimizerWorkflow {
public RefinedResponse loop(String task) {
Generation generation = generate(task, context);
EvaluationResponse evaluation = evaluate(generation.response(), task);
return new RefinedResponse(finalSolution, chainOfThought);
}
}使用示例：
ChatClient chatClient = // ... initialize chat client
EvaluatorOptimizerWorkflow workflow = new EvaluatorOptimizerWorkflow(chatClient);
RefinedResponse response = workflow.loop(
"Create a Java class implementing a thread-safe counter"
);
System.out.println("Final Solution: " + response.solution());
System.out.println("Evolution: " + response.chainOfThought());5.开始使用SpringAI
开发者可以通过 Maven 中央仓库获取 Spring AI 1.0 的所有组件。使用提供的 bom 导入依赖：
<dependencyManagement>
<dependencies>
<dependency>
<groupId>org.springframework.ai</groupId>
spring-ai-bom</artifactId>
<version>1.0.0</version>
<type>pom</type>
<scope>import</scope>
</dependency>
</dependencies>
</dependencyManagement>也可以在 Spring Initializr 网站上创建 1.0 GA 应用程序，并参考参考文档中的"Getting Started"部分。
小结
Spring AI 1.0 的发布标志着企业级 Java 应用程序开发进入了一个新时代，使开发者能够轻松地将最先进的 AI 能力集成到他们的 Spring 应用程序中。
本文已收录到我的技术小站 www.javacn.site，其中包含的内容有：Spring AI、LangChain4j、Dify、AI Agent、MCP、Function Call、RAG、向量数据库、Prompt、多模态、向量数据库、嵌入模型等内容。
http://icdn.apigo.cn/gitchat/rabbitmq.png?imageView2/0/w/500/h/400http://icdn.apigo.cn/myinfo/wchat-pay.png
关注公众号（加好友）：http://icdn.apigo.cn/gongzhonghao2.png?imageView2/0/w/120/h/120
作者： 王磊的博客
出处： http://vipstone.cnblogs.com/
来源：程序园用户自行投稿发布，如果侵权，请联系站长删除
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！
页:
[1]