Pre

大模型开发 - 01 Spring AI 核心特性一览

大模型开发 - 02 Spring AI Concepts

大模型开发 - 03 QuickStart_借助DeepSeekChatModel实现Spring AI 集成 DeepSeek

大模型开发 - 04 QuickStart_DeepSeek 模型调用流程源码解析：从 Prompt 到远程请求

大模型开发 - 05 QuickStart_接入阿里百炼平台：Spring AI Alibaba 与 DashScope SDK

大模型开发 - 06 QuickStart_本地大模型私有化部署实战：Ollama + Spring AI 全栈指南

大模型开发 - 07 ChatClient：构建统一、优雅的大模型交互接口

大模型开发 - 08 ChatClient：构建智能对话应用的流畅 API

大模型开发 - 09 ChatClient：基于 Spring AI 的多平台多模型动态切换实战

大模型开发 - 10 ChatClient：Advisors API 构建可插拔、可组合的智能对话增强体系

大模型开发 - 11 ChatClient：Advisor 机制详解：拦截、增强与自定义 AI 对话流程

大模型开发 - 12 Prompt：Spring AI 中的提示（Prompt）系统详解_从基础概念到高级工程实践

大模型开发 - 13 Prompt：提示词工程实战指南_Spring AI 中的提示设计、模板化与最佳实践

大模型开发 - 14 Chat Memory：实现跨轮次对话上下文管理

大模型开发 - 15 Tool Calling ：从入门到实战，一步步构建智能Agent系统

大模型开发 - 16 Chat Memory：借助 ChatMemory + PromptChatMemoryAdvisor轻松实现大模型多轮对话记忆

大模型开发 - 17 Structured Output Converter：结构化输出转换器_从文本到结构化数据的可靠桥梁

大模型开发 - 18 Chat Memory：集成 JdbcChatMemoryRepository 实现大模型多轮对话记忆

大模型开发 - 19 Chat Memory：集成 BaseRedisChatMemoryRepository实现大模型多轮对话记忆

大模型开发 - 20 Chat Memory：多层次记忆架构_突破大模型对话中的 Token 上限瓶颈

大模型开发 - 21 Structured Output Converter：结构化输出功能实战指南

大模型开发 - 22 Multimodality API：多模态大模型与 Spring AI 的融合

大模型开发 - 23 Chat Model API：深入解析 Spring AI Chat Model API_构建统一、灵活、可扩展的 AI 对话系统

大模型开发 - 24 Embeddings Model API：深入解析 Spring AI Embeddings Model API_构建语义理解的基石

大模型开发 - 25 Image Model API：深入解析 Spring AI Image Model API_构建统一、灵活的 AI 图像生成系统

大模型开发 - 26 Origin Tools： Spring AI 结构化多聊天客户端实战

大模型开发 - 27 Tool Calling：Spring AI 中的工具调用指南

大模型开发 - 28 Tool Calling：Spring AI 工具调用执行外部操作实战

大模型开发 - 29 Tool Calling：大模型与业务系统集成的利器 _Tool Calling 实战指南

大模型开发 - 30 Tool Calling：Spring AI Tool Calling 工作原理及源码详解

大模型开发 - 31 Tool Calling：解决大模型“工具选择困难症”_基于 RAG 的动态工具加载方案解读

大模型开发 - 32 Tool Calling：Spring AI 工具调用最佳实践完整指南

大模型开发 - 33 MCP：深入理解 Model Context Protocol（MCP）及其在 Spring AI 中的实践指南

大模型开发 - 34 MCP：Spring AI MCP 客户端启动器（MCP Client Boot Starter）深度指南

大模型开发 - 35 MCP：Spring AI MCP 服务端启动器（MCP Server Boot Starter）完全指南

大模型开发 - 36 MCP：深入理解 MCP Utilities ：同步与异步工具回调

大模型开发 - 37 RAG：Retrieval Augmented Generation（RAG）详解与实战指南

---

概述

现代应用越来越多地集成大语言模型，以构建智能化解决方案。虽然单个LLM可以处理多类任务，但仅依赖一种模型并非最优方案。不同模型在技术分析、创意写作等领域各有专长，此外我们也可能希望用轻量且低成本的模型处理由简单任务，将高性能模型用于复杂场景。

本文将讲解如何在Spring Boot应用中利用Spring AI集成多个LLM。涵盖如何配置不同厂商的模型，以及同一厂商下的多个模型，在此基础上构建弹性聊天机器人，实现模型自动切换与故障转移。

---

一、配置不同厂商的LLM

以OpenAI和Anthropic为例，分别配置它们的LLM。

1.1 配置主模型（OpenAI）

首先在pom.xml引入OpenAI依赖：

<dependency>
  <groupId>org.springframework.ai</groupId>
  <artifactId>spring-ai-starter-model-openai</artifactId>
  <version>1.0.2</version>
</dependency>

在application.yaml中配置API Key和模型：

spring:
  ai:
    open-ai:
      api-key: ${OPENAI_API_KEY}
      chat:
        options:
          model: ${PRIMARY_LLM}
          temperature: 1

配置后，Spring AI会自动创建OpenAiChatModel bean。可用来定义ChatClient，即与LLM交互的入口：

@Configuration
class ChatbotConfiguration {
  @Bean
  @Primary
  ChatClient primaryChatClient(OpenAiChatModel chatModel) {
    return ChatClient.create(chatModel);
  }
}

通过@Primary注解，Spring Boot会优先注入该ChatClient。

1.2 配置第二模型（Anthropic）

添加Anthropic依赖（即你选中的 <artifactId>spring-ai-starter-model-anthropic</artifactId>）：

<dependency>
  <groupId>org.springframework.ai</groupId>
  <artifactId>spring-ai-starter-model-anthropic</artifactId>
  <version>1.0.2</version>
</dependency>

在application.yaml配置Anthropic API key和模型：

spring:
  ai:
    anthropic:
      api-key: ${ANTHROPIC_API_KEY}
      chat:
        options:
          model: ${SECONDARY_LLM}

定义Anthropic模型对应的ChatClient Bean：

@Bean
ChatClient secondaryChatClient(AnthropicChatModel chatModel) {
  return ChatClient.create(chatModel);
}

---

二、配置同一厂商的多个LLM

Spring AI默认每个厂商只自动创建一个ChatModel，如需同厂商多个模型需手动定义：

1. 先在application.yaml中为第三模型留自定义字段：

   spring:
     ai:
       anthropic:
         chat:
           options:
             tertiary-model: ${TERTIARY_LLM}
   

2. 配置第三模型对应Bean，复用AnthropicApi与默认AnthropicChatModel，设置模型名：

   @Bean
   ChatModel tertiaryChatModel(
     AnthropicApi anthropicApi,
   
     AnthropicChatModel anthropicChatModel,
     @Value("${spring.ai.anthropic.chat.options.tertiary-model}")
     String tertiaryModelName) {
     AnthropicChatOptions chatOptions = anthropicChatModel.getDefaultOptions().copy();
     chatOptions.setModel(tertiaryModelName);
     return AnthropicChatModel.builder()
       .anthropicApi(anthropicApi)
       .defaultOptions(chatOptions)
       .build();
   }
   
   @Bean
   ChatClient tertiaryChatClient(
     @Qualifier("tertiaryChatModel") ChatModel tertiaryChatModel) {
     return ChatClient.create(tertiaryChatModel);
   }
   

如果需要不同API Key或配置，可进一步定制AnthropicChatOptions。

---

三、实际案例：弹性聊天机器人

实现一个聊天机器人，主模型失败时，自动切换备用模型，再失败还可切换至第三模型，使用Spring Retry实现故障转移。

3.1 服务层实现

创建服务类，自动注入三个ChatClient：

@Retryable(retryFor = Exception.class, maxAttempts = 3)
String chat(String prompt) {
  logger.debug("用主模型处理: '{}', 尝试#{}", prompt, RetrySynchronizationManager.getContext().getRetryCount() + 1);
  return primaryChatClient.prompt(prompt).call().content();
}

@Recover
String chat(Exception exception, String prompt) {
  logger.warn("主模型失败: {}", exception.getMessage());
  logger.debug("尝试备用模型处理: '{}'", prompt);
  try {
    return secondaryChatClient.prompt(prompt).call().content();
  } catch (Exception e) {
    logger.warn("备用模型失败: {}", e.getMessage());
    logger.debug("尝试第三模型处理: '{}'", prompt);
    return tertiaryChatClient.prompt(prompt).call().content();
  }
}

3.2 REST API暴露

@PostMapping("/api/chatbot/chat")
ChatResponse chat(@RequestBody ChatRequest request) {
  String response = chatbotService.chat(request.prompt);
  return new ChatResponse(response);
}
record ChatRequest(String prompt) {}
record ChatResponse(String response) {}

---

四、测试与验证

启动应用时，主模型和副模型可故意用无效名称，第三模型使用有效名称。例如：

OPENAI_API_KEY=...
ANTHROPIC_API_KEY=...
PRIMARY_LLM=gpt-100
SECONDARY_LLM=claude-opus-200
TERTIARY_LLM=claude-3-haiku-20240307
mvn spring-boot:run

用HTTPie命令行调用API：

http POST :8080/api/chatbot/chat prompt="法国的首都是哪里？"

返回：

{
  "response": "法国的首都是巴黎。"
}

日志可见主模型尝试三次失败，备用模型失败，第三模型成功响应，验证故障转移链路。

---

五、总结

本文演示了如何在Spring AI应用中集成多个LLM实现弹性伸缩，既可用不同厂商模型，也可配置同厂商多个模型，进而构建高可用的聊天机器人服务，并详细阐述实现步骤和代码细节，便于开发者落地。1

---