Spring AI 入门：Java 开发者的生成式 AI 实践之路

 一、Spring AI 简介

在人工智能技术快速迭代的今天，Spring AI 作为 Spring 生态系统的新生力量，正在成为 Java 开发者拥抱生成式 AI 的最佳选择。该框架通过模块化设计实现了与主流 AI 服务（如 OpenAI、Anthropic）的无缝对接，同时支持本地模型部署（如 Ollama），为开发者提供了灵活高效的 AI 集成方案。

 

 核心价值体现：

- 生态融合：完美继承 Spring Boot 的自动配置特性，通过简单配置即可接入 AI 服务

- 多模型支持：统一抽象层兼容 OpenAI GPT、Mistral 等 20+主流模型

- 企业级特性：内置重试机制、限流策略、监控指标等生产级功能

- 全栈能力：覆盖文本生成、图像处理、向量检索等完整 AI 应用场景

 

 二、环境准备

 1. 开发环境要求

- JDK 17+（推荐 Azul Zulu JDK）

- Spring Boot 3.2.x

- Maven 3.8.6+ 或 Gradle 8.5+

 

 2. 项目初始化

通过 Spring Initializr 创建项目时选择：

bash

Project: Maven Project

Language: Java

Spring Boot: 3.2.1

Dependencies: Spring Web, Spring AI Starter

 

 3. 依赖配置

在 `pom.xml` 中添加核心依赖：

xml

<dependency>

    <groupId>org.springframework.ai</groupId>

    <artifactId>spring-ai-starter</artifactId>

    <version>0.8.1</version>

</dependency>

<!-- OpenAI 服务支持 -->

<dependency>

    <groupId>org.springframework.ai</groupId>

    <artifactId>spring-ai-openai-spring-boot-starter</artifactId>

    <version>0.8.1</version>

</dependency>

 

 三、快速入门实践

 1. 配置 API 密钥

在 `application.yml` 中设置服务凭证：

yaml

spring:

  ai:

    openai:

      api-key: sk-your-api-key-here

      chat:

        options:

          model: gpt-3.5-turbo

          temperature: 0.7

 

 2. 创建聊天服务

java

@Service

public class ChatService {

    

    @Autowired

    private ChatClient chatClient;

 

    public String generateResponse(String prompt) {

        ChatResponse response = chatClient.call(prompt);

        return response.getResult().getOutput().getContent();

    }

}

 

 3. 控制器实现

java

@RestController

@RequestMapping("/api/chat")

public class ChatController {

    

    @Autowired

    private ChatService chatService;

 

    @GetMapping

    public String chat(@RequestParam String message) {

        return chatService.generateResponse(message);

    }

}

 

 4. 测试接口

通过 curl 发送请求：

bash

curl "http://localhost:8080/api/chat?message=用Java实现快速排序"

 

 四、核心功能解析

 1. 模型管理

Spring AI 提供统一的模型访问接口：

java

@Autowired

private ModelManager modelManager;

 

// 加载本地模型

TensorFlowModel model = modelManager.loadModel("classpath:model.pb");

 

// 调用远程服务

OpenAiChatOptions options = OpenAiChatOptions.builder()

    .withTemperature(0.5)

    .build();

 

 2. 提示工程

通过模板化提示提升输出质量：

java

PromptTemplate template = new PromptTemplate("作为{role}，请用{language}解释{topic}");

template.addVariable("role", "资深架构师");

template.addVariable("language", "中文");

template.addVariable("topic", "微服务架构设计");

 

 3. 向量处理

文本向量化实现语义检索：

java

TextEmbedding embedding = new OpenAiTextEmbedding();

float vector = embedding.embed("Spring AI 入门指南");

 

 4. RAG 增强

结合检索增强生成技术：

java

RetrievalChain chain = RetrievalChain.builder()

    .withRetriever(vectorRetriever)

    .withPromptTemplate(promptTemplate)

    .build();