Spring AI 基础开发流程

SpringAI开发流程概述：通过添加spring-ai-spring-boot-starter核心依赖和模型提供商启动器(如OpenAI)，配置API密钥后即可使用ChatClient接口与AI模型交互。典型流程包括项目初始化、API配置、调用ChatClient发送请求。高级功能支持RAG流程，包含数据加载、切分、向量化存储及检索生成。SpringAI提供统一的客户端抽象，简化不同AI服务的集

It's now

228人浏览 · 2025-12-10 11:34:08

It's now · 2025-12-10 11:34:08 发布

Spring AI 的基础开发流程旨在简化将人工智能功能集成到 Spring 应用程序中的过程，其设计理念是提供一个类似于 JdbcTemplate 或 RestClient 的客户端抽象。

以下是一个典型的 Spring AI 基础开发流程概览：

1. 项目设置和依赖管理

首先，你需要使用 Spring Initializr 创建一个新的 Spring Boot 项目。

核心依赖项：

你需要添加核心的 spring-ai-spring-boot-starter 依赖，以及选择使用的模型提供商（例如 OpenAI、Google Gemini、Anthropic 等）的特定启动器依赖。

以 Maven 为例，如果使用 OpenAI：

<dependencies>
    <!-- 核心 Spring AI 启动器 -->
    <dependency>
        <groupId>org.springframework.ai</groupId>
        <artifactId>spring-ai-spring-boot-starter</artifactId>
    </dependency>
    <!-- OpenAI 特定的启动器 -->
    <dependency>
        <groupId>org.springframework.ai</groupId>
        <artifactId>spring-ai-openai-spring-boot-starter</artifactId>
    </dependency>
</dependencies>
<dependencyManagement>
    <dependencies>
        <dependency>
            <groupId>org.springframework.ai</groupId>
            <artifactId>spring-ai-bom</artifactId>
            <version>${spring-ai.version}</version>
            <type>pom</type>
            <scope>import</scope>
        </dependency>
    </dependencies>
</dependencyManagement>

2. 配置 API 密钥

在 src/main/resources/application.properties 文件中配置 API 密钥。Spring AI 会自动读取这些属性来配置底层的 ChatClient bean。

# 以 OpenAI 为例
spring.ai.openai.api-key=YOUR_API_KEY
# 也可以配置默认使用的模型，例如 gpt-4o 等
spring.ai.openai.chat.options.model=gpt-4o

3. 使用 `ChatClient` 发送请求

Spring AI 的核心接口是 ChatClient，它代表了与 AI 模型的对话客户端。可以将其注入到服务或控制器中。

这是一个简单的 REST 控制器示例，演示了如何发送一个提示并接收回复：

import org.springframework.ai.chat.client.ChatClient;
import org.springframework.web.bind.annotation.GetMapping;
import org.springframework.web.bind.annotation.RequestParam;
import org.springframework.web.bind.annotation.RestController;

@RestController
public class AIController {

    private final ChatClient chatClient;

    // 构造函数注入 ChatClient
    public AIController(ChatClient chatClient) {
        this.chatClient = chatClient;
    }

    @GetMapping("/generate")
    public String generate(@RequestParam(value = "message", defaultValue = "请解释一下 Spring Framework 7.0 的主要新特性。") String message) {
        // 使用流式 API 构建请求并获取响应
        String response = chatClient.prompt()
            .user(message)
            .call()
            .content(); // 提取回复内容
        return response;
    }
}

4. 高级流程：RAG（检索增强生成）

对于更复杂的应用场景，例如基于私有文档回答问题，Spring AI 提供了一整套工具来实现 RAG 流程：

数据加载 (Data Loading)：从文件、数据库等源加载文档。
数据切分 (Text Splitting)：将长文档切分成适合嵌入（Embedding）的小块。
向量化与存储 (Embedding & Vector Store)：使用 EmbeddingClient 将文本块转换为向量，并存储在向量数据库（如 Chroma、Pinecone、PostgreSQL PGVector 等）中。
检索与生成 (Retrieval & Generation)：在接收到用户查询时，检索最相关的文档片段，并将这些片段作为“上下文”添加到发送给 AI 模型的提示中，从而生成准确的答案。