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：

1. @RestController
2. class MyController {
4.     private final ChatClient chatClient;
6.     public MyController(ChatClient.Builder chatClientBuilder) {
7.         this.chatClient = chatClientBuilder.build();
8.     }
10.     @GetMapping("/ai")
11.     String generation(String userInput) {
12.         return this.chatClient.prompt()
13.             .user(userInput)
14.             .call()
15.             .content();
16.     }
17. }

复制代码

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：

1. // Create ChatClient instances programmatically
2. ChatModel myChatModel = ... // already autoconfigured by Spring Boot
3. ChatClient chatClient = ChatClient.create(myChatModel);
5. // Or use the builder for more control
6. ChatClient.Builder builder = ChatClient.builder(myChatModel);
7. ChatClient customChatClient = builder
8.     .defaultSystemPrompt("You are a helpful assistant.")
9.     .build();

复制代码

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：

1. import org.springframework.ai.chat.ChatClient;
2. import org.springframework.context.annotation.Bean;
3. import org.springframework.context.annotation.Configuration;
5. @Configuration
6. public class ChatClientConfig {
8.     @Bean
9.     public ChatClient openAiChatClient(OpenAiChatModel chatModel) {
10.         return ChatClient.create(chatModel);
11.     }
13.     @Bean
14.     public ChatClient anthropicChatClient(AnthropicChatModel chatModel) {
15.         return ChatClient.create(chatModel);
16.     }
17. }

复制代码

然后，您可以使用 @Qualifier 指定大模型对应的 ChatClient：

1. @Configuration
2. public class ChatClientExample {
4.     @Bean
5.     CommandLineRunner cli(
6.             @Qualifier("openAiChatClient") ChatClient openAiChatClient,
7.             @Qualifier("anthropicChatClient") ChatClient anthropicChatClient) {
9.         return args -> {
10.             var scanner = new Scanner(System.in);
11.             ChatClient chat;
13.             // Model selection
14.             System.out.println("\nSelect your AI model:");
15.             System.out.println("1. OpenAI");
16.             System.out.println("2. Anthropic");
17.             System.out.print("Enter your choice (1 or 2): ");
19.             String choice = scanner.nextLine().trim();
21.             if (choice.equals("1")) {
22.                 chat = openAiChatClient;
23.                 System.out.println("Using OpenAI model");
24.             } else {
25.                 chat = anthropicChatClient;
26.                 System.out.println("Using Anthropic model");
27.             }
29.             // Use the selected chat client
30.             System.out.print("\nEnter your question: ");
31.             String input = scanner.nextLine();
32.             String response = chat.prompt(input).call().content();
33.             System.out.println("ASSISTANT: " + response);
35.             scanner.close();
36.         };
37.     }
38. }

复制代码

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：

1. @Service
2. public class WeatherService {
4.     @Tool(description = "Get weather information by city name")
5.     public String getWeather(String cityName) {
6.         // 伪代码
7.         return "The weather in " + cityName + " is 21°C and sunny.";
8.     }
9. }
11. @SpringBootApplication
12. public class McpServerApplication {
14.     private static final Logger logger = LoggerFactory.getLogger(McpServerApplication.class);
16.     public static void main(String[] args) {
17.         SpringApplication.run(McpServerApplication.class, args);
18.     }
20.         @Bean
21.         public ToolCallbackProvider weatherTools(WeatherService weatherService) {
22.                 return MethodToolCallbackProvider.builder().toolObjects(weatherService).build();
23.         }
24. }

复制代码

最简单的 MCP 客户端核心代码实现：

1. import org.springframework.ai.chat.client.ChatClient;
2. import org.springframework.beans.factory.annotation.Autowired;
3. import org.springframework.web.bind.annotation.RequestMapping;
4. import org.springframework.web.bind.annotation.RequestParam;
5. import org.springframework.web.bind.annotation.RestController;
7. @RestController
8. public class ClientController {
9.     @Autowired
10.     private ChatClient chatClient;
12.     @RequestMapping("/chat")
13.     public String chat(@RequestParam(value = "msg",defaultValue = "今天天气如何？") String msg) {
14.         String response = chatClient.prompt()
15.         .user(msg)
16.         .call()
17.         .content();
18.         System.out.println("响应结果: " + response);
19.         return response;
20.     }
21. }

复制代码

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。

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：

1. public class ChainWorkflow {
2.     private final ChatClient chatClient;
3.     private final String[] systemPrompts;
5.     public String chain(String userInput) {
6.         String response = userInput;
7.         for (String prompt : systemPrompts) {
8.             String input = String.format("{%s}\n {%s}", prompt, response);
9.             response = chatClient.prompt(input).call().content();
10.         }
11.         return response;
12.     }
13. }

复制代码

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。

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：

1. List<String> parallelResponse = new ParallelizationWorkflow(chatClient)
2. .parallel(
3.     "Analyze how market changes will impact this stakeholder group.",
4.     List.of(
5.         "Customers: ...",
6.         "Employees: ...",
7.         "Investors: ...",
8.         "Suppliers: ..."
9.     ),
10.     4
11. );

复制代码

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。

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：

1. @Autowired
2. private ChatClient chatClient;
4. RoutingWorkflow workflow = new RoutingWorkflow(chatClient);
6. Map<String, String> routes = Map.of(
7.     "billing", "You are a billing specialist. Help resolve billing issues...",
8.     "technical", "You are a technical support engineer. Help solve technical problems...",
9.     "general", "You are a customer service representative. Help with general inquiries..."
10. );
12. String input = "My account was charged twice last week";
13. String response = workflow.route(input, routes);

复制代码

4.4 编排器

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：

1. public class OrchestratorWorkersWorkflow {
2.     public WorkerResponse process(String taskDescription) {
3.         // 1. Orchestrator analyzes task and determines subtasks
4.         OrchestratorResponse orchestratorResponse = // ...
6.         // 2. Workers process subtasks in parallel
7.         List<String> workerResponses = // ...
9.         // 3. Results are combined into final response
10.         return new WorkerResponse(/*...*/);
11.     }
12. }

复制代码

使用示例：

1. ChatClient chatClient = // ... initialize chat client
2. OrchestratorWorkersWorkflow workflow = new OrchestratorWorkersWorkflow(chatClient);
4. WorkerResponse response = workflow.process(
5.     "Generate both technical and user-friendly documentation for a REST API endpoint"
6. );
8. System.out.println("Analysis: " + response.analysis());
9. System.out.println("Worker Outputs: " + response.workerResponses());

复制代码

4.5 评估器-优化器

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。
  

1. public class EvaluatorOptimizerWorkflow {
2.     public RefinedResponse loop(String task) {
3.         Generation generation = generate(task, context);
4.         EvaluationResponse evaluation = evaluate(generation.response(), task);
5.         return new RefinedResponse(finalSolution, chainOfThought);
6.     }
7. }

复制代码

使用示例：

1. ChatClient chatClient = // ... initialize chat client
2. EvaluatorOptimizerWorkflow workflow = new EvaluatorOptimizerWorkflow(chatClient);
4. RefinedResponse response = workflow.loop(
5.     "Create a Java class implementing a thread-safe counter"
6. );
8. System.out.println("Final Solution: " + response.solution());
9. System.out.println("Evolution: " + response.chainOfThought());

复制代码

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：

1. <dependencyManagement>
2.   <dependencies>
3.     <dependency>
4.       <groupId>org.springframework.ai</groupId>
5.       spring-ai-bom</artifactId>
6.       <version>1.0.0</version>
7.       <type>pom</type>
8.       <scope>import</scope>
9.     </dependency>
10.   </dependencies>
11. </dependencyManagement>

复制代码

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。

   

关注公众号（加好友）：

            
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！