摘要：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
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。
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）。
在项目中只有一个模型时，创建全局的 ChatClient：
@RestControllerclass 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; }}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 programmaticallyChatModel myChatModel = ... // already autoconfigured by Spring BootChatClient chatClient = ChatClient.create(myChatModel);// Or use the builder for more controlChatClient.Builder builder = ChatClient.builder(myChatModel);ChatClient customChatClient = builder .defaultSystemPrompt("You are a helpful assistant.") .build;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;@Configurationpublic 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：
@Configurationpublic 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; }; }}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。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：
@Servicepublic 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."; }}@SpringBootApplicationpublic 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;@RestControllerpublic 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; }}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：
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。
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。LLM 可以同时处理任务，并以编程方式聚合其输出。
简单代码实现：
List parallelResponse = new ParallelizationWorkflow(chatClient).parallel( "Analyze how market changes will impact this stakeholder group.", List.of( "Customers: ...", "Employees: ...", "Investors: ...", "Suppliers: ..." ), 4);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。
简单代码实现：
@Autowiredprivate ChatClient chatClient;RoutingWorkflow workflow = new RoutingWorkflow(chatClient);Map 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);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 workerResponses = // ... // 3. Results are combined into final response return new WorkerResponse(/*...*/); }}使用示例：
ChatClient chatClient = // ... initialize chat clientOrchestratorWorkersWorkflow 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);使用示例：
ChatClient chatClient = // ... initialize chat clientEvaluatorOptimizerWorkflow 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);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：
org.springframework.ai spring-ai-bom 1.0.0 pom import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。
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](https://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。
来源：磊哥聊编程