当前位置: 首页 > article >正文

Spring AI Alibaba 快速开始:5分钟跑通第一个应用

Spring AI Alibaba 快速开始5分钟用智谱 GLM 跑通第一个聊天应用题外话最近因为有功能有上线这几天都忙着在整理投产资料。属实是更新不动了当然还有一个原因就是之前发库存发的太爽了现在地主家也没有余粮了。之前学完spring AI后我其实就想结合我熟悉的领域开源一个项目目前还在开发中…里就有用到spring AI Alibaba于是就有了这个系列。正文说实话Java 开发者接入大模型这事儿门槛早就该降下来了。Spring AI 就是干这个的——让你用写 Spring Boot 的手感直接调大模型。这个系列依旧坚持能白嫖就白嫖原则才不是因为阿里的账户欠了0.3使用智谱的 GLM-4.7 免费调用0 成本就能跑通整条链路。这篇文章就用它来做示范一步一步带你从零搭出一个能聊天、能记住上下文的应用。5 分钟开始。写在前面环境要求就两个硬性条件JDK 17 及以上我用的是 JDK 17一个智谱开放平台的 API Key注册就送免费额度JDK 版本低于 17 的话先升级后面全是白搭。智谱 API Key 去 open.bigmodel.cn 注册获取登录后点右上角钥匙图标进 API Key 管理页面创建一个就行。GLM-4 是免费模型不用担心扣费。第一步创建项目用 IDEA 新建一个 Spring Boot 3.x 项目或者直接用 Spring Initializr。JDK 选 17打包方式选 Maven。项目基本信息随便填关键是 pom.xml 里的依赖和版本。打开pom.xml按下面这个来parentgroupIdorg.springframework.boot/groupIdartifactIdspring-boot-starter-parent/artifactIdversion3.5.7/versionrelativePath//parentpropertiesjava.version17/java.versionspring-ai.version1.1.2/spring-ai.versionspring-ai-alibaba.version1.1.2.2/spring-ai-alibaba.versionspring-ai-alibaba-extensions.version1.1.2.2/spring-ai-alibaba-extensions.version/properties版本号说明一下spring-ai 1.1.2是 Spring AI 的正式版本spring-ai-alibaba 1.1.2.2是阿里对 Spring AI 的扩展包。虽然这篇文章用的是智谱模型但后续如果想接入通义千问或其他能力扩展包已经提前准备好了。接着是 BOM 管理和仓库配置dependencyManagementdependencies!-- Spring AI 核心依赖管理 --dependencygroupIdorg.springframework.ai/groupIdartifactIdspring-ai-bom/artifactIdversion${spring-ai.version}/versiontypepom/typescopeimport/scope/dependency!-- Spring AI Alibaba 扩展依赖管理 --dependencygroupIdcom.alibaba.cloud.ai/groupIdartifactIdspring-ai-alibaba-bom/artifactIdversion${spring-ai-alibaba.version}/versiontypepom/typescopeimport/scope/dependencydependencygroupIdcom.alibaba.cloud.ai/groupIdartifactIdspring-ai-alibaba-extensions-bom/artifactIdversion${spring-ai-alibaba-extensions.version}/versiontypepom/typescopeimport/scope/dependency/dependencies/dependencyManagementrepositoriesrepositoryidspring-milestones/idnameSpring Milestones/nameurlhttps://repo.spring.io/milestone/urlsnapshotsenabledfalse/enabled/snapshots/repositoryrepositoryidsonatype-snapshots/idnameSonatype Snapshot Repository/nameurlhttps://oss.sonatype.org/content/repositories/snapshots/urlsnapshotsenabledtrue/enabled/snapshotsreleasesenabledfalse/enabled/releases/repository/repositoriesBOM 的作用是统一管理版本号不用在各个依赖里手动对齐升级的时候只改properties就行。最后是实际依赖——这次只用两个dependencies!-- 智谱模型支持 --dependencygroupIdorg.springframework.ai/groupIdartifactIdspring-ai-starter-model-zhipuai/artifactId/dependency!-- Web 支持 --dependencygroupIdorg.springframework.boot/groupIdartifactIdspring-boot-starter-web/artifactId/dependency/dependencies就这两个没了。spring-ai-starter-model-zhipuai会通过 Spring Boot 自动装配机制帮你初始化好ChatClient、ChatModel这些核心 Bean不用你手动创建。第二步配置 API Key 和模型在src/main/resources/application.yml里写上server:port:8080spring:application:name:spring-ai-alibaba-helloai:zhipuai:api-key:${ZHIPUAI_API_KEY:your-api-key-here}chat:options:model:glm-4temperature:0.7max-tokens:2000这里有个小细节${ZHIPUAI_API_KEY:your-api-key-here}用的 SpEL 表达式冒号后面是默认值。开发阶段图省事可以直接把 Key 写在默认值里但正式项目别这么干。设置环境变量# macOS / LinuxexportZHIPUAI_API_KEY你的智谱API-KEY# Windows PowerShell$env:ZHIPUAI_API_KEY你的智谱API-KEY第三步写 Controller新建ChatController.javapackagecom.alibaba.cloud.ai.examples.chatbot;importorg.springframework.ai.chat.client.ChatClient;importorg.springframework.ai.chat.client.advisor.MessageChatMemoryAdvisor;importorg.springframework.ai.chat.client.advisor.SimpleLoggerAdvisor;importorg.springframework.ai.chat.memory.MessageWindowChatMemory;importorg.springframework.web.bind.annotation.GetMapping;importorg.springframework.web.bind.annotation.RequestMapping;importorg.springframework.web.bind.annotation.RequestParam;importorg.springframework.web.bind.annotation.RestController;RestControllerRequestMapping(/chat)publicclassChatController{privatestaticfinalStringDEFAULT_PROMPT你是一个博学的智能聊天助手请根据用户提问回答;privatefinalChatClientchatClient;publicChatController(ChatClient.BuilderchatClientBuilder){this.chatClientchatClientBuilder.defaultSystem(DEFAULT_PROMPT)// 支持对话记忆——模型能记住上下文.defaultAdvisors(MessageChatMemoryAdvisor.builder(MessageWindowChatMemory.builder().maxMessages(50).build()).build())// 开启日志方便调试.defaultAdvisors(newSimpleLoggerAdvisor()).build();}GetMapping(/simple)publicStringsimpleChat(RequestParamStringquery){returnchatClient.prompt(query).call().content();}}这段代码核心就一个东西ChatClient。构造方法里通过chatClientBuilder注入配了三个东西System Prompt告诉模型你是一个博学的助手设定角色MessageChatMemoryAdvisor对话记忆用了MessageWindowChatMemorymaxMessages(50)表示保留最近 50 条消息的上下文。这样你连续问多个问题模型能记住之前聊了什么SimpleLoggerAdvisor日志调试时能看到每次请求和响应的详情请求进来时chatClient.prompt(query).call().content()这一行就搞定了——组装请求、调 API、解析响应Spring AI 全自动处理不需要你手写任何 HTTP 调用或 JSON 拼装。第四步启动跑通第一个请求./mvnw spring-boot:run启动成功后会打印 ✅ Application is ready! Chat with you agent: http://localhost:8080/chat/simple?query你好 浏览器打开这个链接或者直接访问http://localhost:8080/chat/simple?query给我讲一个笑话吧模型返回了一个笑话恭喜链路通了。全程 0 费用。再试试连续对话http://localhost:8080/chat/simple?query我叫小明 http://localhost:8080/chat/simple?query我叫什么名字第二个请求如果回答你叫小明说明 ChatMemory 生效了——模型记住了你刚才说过的话。项目结构总览spring-ai-alibaba-hello/ ├── pom.xml ├── src/main/java/.../chatbot/ │ ├── ChatbotApplication.java # 启动类 │ └── ChatController.java # 聊天接口 └── src/main/resources/ └── application.yml # 配置文件就这么简单。一个启动类、一个 Controller、一个配置文件3 个文件跑通 AI 聊天。常见坑依赖拉不下来→ 检查 pom.xml 里有没有补spring-milestones和sonatype-snapshots仓库网络不通配国内镜像。返回 401 Unauthorized→ API Key 没配对。检查环境变量名是ZHIPUAI_API_KEY值是从 open.bigmodel.cn 复制的完整 Key。返回空或报模型不存在→ 模型名写错了。确认是glm-4别写成GLM-4大小写敏感或glm-4.7-flash除非你确实要用这个版本。JDK 版本报错→ 必须 JDK 1714/15/16 直接放弃。想换通义千问→ 把spring-ai-starter-model-zhipuai换成spring-ai-alibaba-starter配置前缀改成spring.ai.dashscope环境变量改成AI_DASHSCOPE_API_KEYController 代码不用动。Spring AI 的 ChatClient 是模型无关的换模型只换配置。下一步可以玩什么基础链路通了之后可以继续往深了走咱们之前用spring AI实现的功能都会重新实现一遍Function Calling— 让模型主动调用你写好的 Java 方法把 AI 嵌进业务流程Prompt 模板— 构造更复杂的提示词告别硬编码RAG 知识库问答— 把自己的文档喂给模型定制专属问答助手流式输出— 用chatClient.prompt(query).stream().content()实现打字机效果说实话Function Calling 才是生产环境里最有价值的部分——让大模型调用你写好的接口而不是简单问答。Spring AI 这套东西的设计思路很清晰ChatClient 抽象把模型选择和业务代码彻底解耦今天用免费 GLM明天换付费 Qwen代码基本不用动。三个文件5 分钟0 费用这就是 Java 开发者接入大模型该有的体验。刚开始按照官方文档拉的示例demo在换模型的过程中遇到了不少坑这不下篇的素材就有了-_-官方文档https://java2ai.com/docs/1.0.0-M6.1/get-started/有问题欢迎评论区见。 收藏关注持续更新如果觉得有帮助请⭐收藏本文—— 方便后续查阅随时回顾核心概念关注同名公众号—— 点击菜单「获取源码」获取完整代码Gitee 仓库分享给同事—— 一起学习 Spring AI Alibaba少走弯路系列更新不迷路下篇推荐[Spring AI Alibaba 报错合集我踩过的坑]

相关文章:

Spring AI Alibaba 快速开始:5分钟跑通第一个应用

Spring AI Alibaba 快速开始:5分钟用智谱 GLM 跑通第一个聊天应用 题外话 最近因为有功能有上线,这几天都忙着在整理投产资料。属实是更新不动了,当然还有一个原因就是之前发库存发的太爽了,现在地主家也没有余粮了。之前学完sp…...

别再写冗长路径了!QML资源管理实战:用Prefix和Alias简化你的图片引用

QML资源管理实战:用Prefix和Alias重构你的资源引用体系 在QML界面开发中,资源路径管理往往成为项目规模扩大后的隐形痛点。当你的工程积累到上百个图标、图片和字体文件时,类似"../../assets/images/theme/light/home/icon.png"的路…...

Python异步爬虫实战:巧用Session池化解ServerDisconnectedError连接风暴

1. 为什么你的异步爬虫总被服务器断开? 最近在帮一个朋友优化爬虫时,发现他遇到了典型的ServerDisconnectedError问题。每次运行到2000多个请求时,服务器就会无情地断开连接。这种情况在高并发爬虫中特别常见,特别是当你像大多数教…...

从MNIST到实战:拆解PyTorch CNN模型中的每一行代码,新手也能懂

从MNIST到实战:拆解PyTorch CNN模型中的每一行代码,新手也能懂 当你第一次看到PyTorch的CNN代码时,是否感觉像在读天书?那些Conv2d、view、optim.SGD背后究竟藏着什么秘密?让我们像拆解精密钟表一样,逐行剖…...

uni-app集成优博讯DT50U:串口与广播模式下的硬件功能开发实践

1. 优博讯DT50U与uni-app开发基础 优博讯DT50U是一款工业级PDA设备,集成了RFID读写、条码扫描等实用功能。对于需要在移动端实现硬件集成的开发者来说,通过uni-app框架调用这些硬件功能是个不错的选择。uni-app作为跨平台开发框架,可以一套代…...

为什么你的Windows和Office激活总是失败?5分钟掌握终极解决方案

为什么你的Windows和Office激活总是失败?5分钟掌握终极解决方案 【免费下载链接】KMS_VL_ALL_AIO Smart Activation Script 项目地址: https://gitcode.com/gh_mirrors/km/KMS_VL_ALL_AIO 还在为系统激活问题而烦恼吗?Windows弹出激活提醒、Offic…...

在线考试系统国产化适配|信创考试系统全栈落地与实战方案(管鲍 V8.0 国产化版)

一、前言随着信创产业全面推进,党政机关、国企、金融、电力、教育等行业对自主可控、安全合规、稳定高效的在线考试系统需求持续升级。传统考试系统依赖国外操作系统、数据库与中间件,在兼容适配、数据安全、政策合规层面存在明显风险。本文以管鲍考试学…...

终极清净体验:3步告别Windows音量弹窗干扰的完整指南

终极清净体验:3步告别Windows音量弹窗干扰的完整指南 【免费下载链接】HideVolumeOSD Hide the Windows 10 volume bar 项目地址: https://gitcode.com/gh_mirrors/hi/HideVolumeOSD 开篇引子:那个总是在关键时刻跳出来的"不速之客" 想…...

从蓝牙到5G:一文搞懂日常无线技术背后的频率秘密(附实用对照表)

从蓝牙到5G:一文搞懂日常无线技术背后的频率秘密(附实用对照表) 每次打开手机连接WiFi时,是否想过为什么2.4GHz频段总是拥挤不堪?当蓝牙耳机偶尔断连,又是否意识到这与微波炉的工作频率有关?现代…...

BilibiliDown:终极B站视频下载解决方案,轻松获取高清资源

BilibiliDown:终极B站视频下载解决方案,轻松获取高清资源 【免费下载链接】BilibiliDown (GUI-多平台支持) B站 哔哩哔哩 视频下载器。支持稍后再看、收藏夹、UP主视频批量下载|Bilibili Video Downloader 😳 项目地址: https://gitcode.co…...

用PyTorch从零实现DQN算法:以CartPole游戏为例(附完整代码)

用PyTorch从零实现DQN算法:以CartPole游戏为例(附完整代码) 在强化学习领域,深度Q网络(DQN)算法无疑是一座重要的里程碑。它将深度学习的强大表征能力与强化学习的决策框架完美结合,为解决复杂环…...

别再让CPU等外设了!用Multi-Layer AHB搭建一个不堵车的片上‘高速公路网’

用Multi-Layer AHB构建片上系统的高效数据通道 堵在早高峰的高架桥上时,你有没有想过——芯片里的数据流其实也面临着类似的拥堵问题?当多个处理器核心、DMA控制器同时争抢总线带宽时,传统的单层AHB架构就像只有两条车道的城市主干道&#xf…...

深度解密Jsxer:JSXBIN反编译器的技术原理与工程实现

深度解密Jsxer:JSXBIN反编译器的技术原理与工程实现 【免费下载链接】jsxer A fast and accurate JSXBIN decompiler. 项目地址: https://gitcode.com/gh_mirrors/js/jsxer 在Adobe创意套件生态中,ExtendScript二进制格式(JSXBIN&…...

Linux性能优化之内存管理基础知识

写在前面 本文看下Linux内存管理相关基础内容。 1:linux是如何管理的内存的? 我们平时所说的内存多大的内存,指的是物理内存,物理上就是一个内存条:物理内存,也叫主存,现在的主存一般是动态随机…...

数字IC设计中的TCL实战:用列表操作实现引脚自动排序

数字IC设计中的TCL实战:用列表操作实现引脚自动排序 在数字集成电路设计流程中,处理海量引脚信息是每位工程师的日常挑战。当面对数百个需要按特定规则排序的引脚时,手动操作不仅效率低下,还容易引入人为错误。TCL脚本作为EDA工具…...

XINGLIGHT成兴光 0603 球头正贴 LED 聚光透镜凸头球灯珠 高亮定向指示贴片 LED

XINGLIGHT 0603 球头正贴 LED 产品图 发光颜色 型号 红色 XL-TD1608SURC 黄色 XL-TD1608UYC 普绿 XL-TD1608SYGC 翠绿 XL-TD1608UGC 蓝色 XL-TD1608UBC XINGLIGHT 0603 球头正贴 LED,标准 0603 正装基底 顶部球面透镜一体封装,光线聚焦定向射出、视角集…...

高端工厂生产线储能与削峰系统功率器件选型方案:高效可靠能量转换系统适配指南

随着工业智能化与绿色制造的持续升级,工厂生产线储能与削峰填谷系统已成为保障连续生产、降低用能成本、提升电网韧性的核心设施。其功率转换系统作为整机“心脏”,需为电池管理、双向变流、负载切换等关键环节提供高效、可靠的电能变换,而功…...

告别结构体!手把手教你用Simulink.Signal配置汽车软件输入输出信号(含代码生成实战)

告别结构体!手把手教你用Simulink.Signal配置汽车软件输入输出信号(含代码生成实战) 在汽车电子控制单元(ECU)开发中,Simulink模型到C代码的转换是核心环节。许多工程师第一次生成代码时会发现,…...

OLED字库的构建与移植:从点阵数据到嵌入式显示

1. OLED字库的基础概念与工作原理 第一次接触OLED字库时,我也被那一串串十六进制数字搞得头晕眼花。直到后来才发现,这些看似复杂的数据背后,其实是一套非常直观的图形表达方式。OLED字库本质上就是字符的图形化表示,每个字符都被…...

从面试官视角看嵌入式C/C++:那些年我们踩过的坑与避开的雷

嵌入式C/C面试官的深度思考:技术考察背后的逻辑与实战智慧 在嵌入式开发领域,技术面试往往是一场无声的博弈。作为面试官,我们设计的每一个问题都像精心布置的棋盘,等待着候选人展示他们的思维路径。但这场博弈的目的不是难倒对方…...

别再死磕卡尔曼滤波了!用RBPF粒子滤波搞定机器人SLAM建图(附避坑指南)

粒子滤波实战:用RBPF突破SLAM建图瓶颈的工程指南 当你在ROS中运行gmapping节点时,是否遇到过地图突然扭曲变形的情况?或是发现粒子群在重采样后迅速退化,导致定位完全失败?这些正是传统卡尔曼滤波方法在复杂环境中暴露…...

Harness层接口签名:防篡改设计

Harness层接口签名:防篡改设计一、引言 (Introduction) 1.1 钩子:从微服务架构中那起“无声无息的100万元损失”说起 各位读者好,我是资深软件架构师、开源社区安全方向贡献者,同时也是「云原生与微服务安全实践」技术专栏的作者。…...

MAA自动化框架技术揭秘:计算机视觉驱动的游戏任务智能调度系统实现原理

MAA自动化框架技术揭秘:计算机视觉驱动的游戏任务智能调度系统实现原理 【免费下载链接】MaaAssistantArknights 《明日方舟》小助手,全日常一键长草!| A one-click tool for the daily tasks of Arknights, supporting all clients. 项目地…...

CloudCompare实战:点云二次曲面拟合精度分析与优化策略

1. 二次曲面拟合基础与CloudCompare实现 点云数据处理中,曲面拟合是个绕不开的话题。我第一次接触CloudCompare的二次曲面拟合功能时,就被它的简洁界面吸引,但实际用起来发现没那么简单。二次曲面拟合的本质,是用数学方程来描述点…...

从零部署MinerU文档解析服务:GPU加速、防OOM配置与Docker打包全攻略

从零部署MinerU文档解析服务:GPU加速、防OOM配置与Docker打包全攻略 在AI模型服务化的浪潮中,文档解析作为企业数字化转型的关键环节,正经历着从实验室Demo到生产级服务的蜕变。MinerU-OpenAPI以其多模态处理能力和工业级稳定性,成…...

PLC西门子杯比赛:三部十层电梯博图v15.1程序设计与WinCC界面展示

PLC西门子杯比赛,三部十层电梯博图v15.1程序,带wincc画面。凌晨三点的实验室里,咖啡杯在工控机旁边堆成了防御工事。我盯着博图V15.1里那三台虚拟电梯的运行轨迹,突然发现它们像极了三个不愿加班的打工人——总想着偷懒却又要假装…...

**发散创新:基于RBAC模型的权限管理系统在Python中的高效实现**在现代软件系统中,权限管理是保障数

发散创新:基于RBAC模型的权限管理系统在Python中的高效实现 在现代软件系统中,权限管理是保障数据安全和业务逻辑隔离的核心模块。传统的角色-权限绑定方式容易导致冗余与耦合,而**基于角色的访问控制(Role-Based Access Control,…...

Lv驱动库底层实际使用 Q8定点及其定点实现

目录 一、定点化 二、数据节点规划 三、Lv Q8定点计算代码实现 四、数据线性插值 ISP Pipeline中Lv实现方式探究之一ISP Pipeline中Lv实现方式探究之二ISP Pipeline中Lv实现方式探究之三--lv计算定点实现ISP Pipeline中Lv实现方式探究之四----正LV值定点实现 一、定点化 如上…...

**梯度压缩实战:用PyTorch实现高效分布式训练中的通信优化**在大规模深度学习模型训练中,**梯度同步**

梯度压缩实战:用PyTorch实现高效分布式训练中的通信优化 在大规模深度学习模型训练中,梯度同步是分布式训练的核心瓶颈之一。尤其是在多节点环境下,梯度数据传输消耗大量带宽和时间,严重影响训练效率。梯度压缩技术应运而生——它…...

直接撸代码才是硬道理!搞工控的都懂,IO监控画面最烦的就是一个个按钮指示灯拖到画面上。今天分享个骚操作——用下拉菜单+SCL动态绑定,直接一页搞定所有IO监控

西门子博途HMI监控1200或1500的IO状态时做成一页,IO监控画面做在一页显示,通过下拉菜单选择,方便快捷,不用一个一个去摆放了,是HMI及PLC源程序(SCL编写)先说PLC端的核心逻辑。用SCL搞个循环把IO状态打包成数组&#xf…...