“春天来了，AI也来了。”
第一次听说 Spring AI，我还以为只是个玩票的项目，结果一试之下，我的表情是这样的：惊呆了！
作为一个日常用 Spring Boot 打杂的后端工程师，我一边敲着接口一边琢磨：AI 能不能集成得更丝滑一点？能不能像调用数据库、写 controller 一样简单？
答案就是 —— Spring AI！
今天这篇文章，我就用“讲故事”的方式，分享我这段用 Spring AI 开发智能应用的全过程。内容可能有点长，但我保证干货多多，别眨眼！
故事的开始：从一个小需求说起
某天我们产品经理说：
“我们想搞一个文档问答助手，用户上传个 PDF，我们自动提取内容、生成 Embedding 存入向量数据库，然后接入 Chat 模型来智能回答问题。”
听起来是不是挺酷？
我当时心想：“这不就是大模型 + RAG（Retrieval Augmented Generation）那一套么？”
于是，项目开搞。而就在这个过程中，我遇到了 Spring AI，然后就被它“套牢”了……
特性一：模型支持，一网打尽！
你知道现在 AI 模型百花齐放：OpenAI、Anthropic、Azure、Cohere、本地 Ollama、HuggingFace……眼花缭乱吧？
以前用哪个模型都要单独写接入逻辑，搞得很乱。Spring AI 直接内置了模型适配器（Model Providers） ，你只需要选个 starter，引个配置，就能跑：
然后一个 ChatClient 就跑起来了：
不光是 Chat 模型，还有 Embedding 模型、Text-to-Image、Text-to-Speech 都支持。统一接口，真正做到“模型无关”。
特性二：模型提供商，灵活切换
Spring AI 的厉害之处还在于：你只要换一个 provider 实现类，就可以在多个模型之间灵活切换。
比如你用的是 OpenAI：
如果你后来想试试 Ollama 或者 Mistral，只要换个实现类，其他业务逻辑不动！
支持的模型包括：
- OpenAI / Azure OpenAI
- Anthropic Claude
- HuggingFace Inference API
- Cohere
- Ollama（本地模型）
- Together.ai
- Mistral
- VertexAI（Google）
- Bedrock（AWS）
简直像选数据库一样简单！
特性三：结构化输出，告别正则解析！
大模型吐出来一堆文字，我们以前只能用正则、小模型再处理，费时费力。Spring AI 现在支持结构化输出！
怎么实现？只要给定一个目标 POJO 类，然后：
它会自动让大模型输出一个 JSON，然后反序列化成 Java 对象！这一幕，我差点感动到哭……
特性四：向量数据库支持，多种选择！
搞问答，肯定绕不过向量数据库。Spring AI 已经帮你适配了以下主流向量数据库：
- Postgres + pgvector
- Milvus
- Pinecone
- Qdrant
- Weaviate
- Redis (向量搜索模块)
- Chroma
使用方式也很简单，你只需要实现个 EmbeddingStore 或使用默认配置，然后用 VectorStoreRetriever 配合即可。
再也不用自己拼嵌入、手动算距离、写 topK 查询啦！
特性五：工具与函数调用，AI 能“动”起来！
还记得 OpenAI Function Calling 吗？GPT 不再只是聊天，它还能“调用函数”！
Spring AI 对这一能力进行了封装，提供了 ToolSpecification 和自动注册机制。例如：
然后注入进 ChatClient：
这时模型会自主决定是否调用工具函数，并把结果融合到回答中。智能体时代，指日可待！
特性六：可观测性，放心上生产！
你是不是也担心 AI 应用上线后出什么幺蛾子？别怕，Spring AI 支持 Micrometer 可观测性！
比如你可以监控：
- Prompt 的输入长度
- 模型响应时间
- Tokens 用量
- 错误率
- Embedding 存储次数
配合 Spring Boot Actuator，部署后你就能在 Grafana 上看见所有关键指标，简直是 AI DevOps 的福音！
特性七：ETL框架，管道处理更丝滑！
处理文档、图片、PDF、网页等非结构化数据是 RAG 中最麻烦的事。
Spring AI 内置了一个轻量级 ETL 流程支持，你可以这样处理流程：
- 文档上传（PDF、TXT）
- 分段 Chunking（按 token）
- Embedding 嵌入
- 存入向量数据库
用一套管道式 API 实现，比如：
你甚至可以用 Spring Batch 把它变成批处理流程，处理 TB 级数据都没问题！
特性八：模型评估，提示优化神器！
Spring AI 提供了模型评估（Evaluation）能力，帮你评估不同 Prompt、模型、RAG 策略的效果。
你可以这样使用：
你还可以定义评价标准（如 BLEU、ROUGE、Cosine 等）甚至写个自定义评分器！
终于可以科学调优了，不再靠拍脑袋！
特性九：Spring Boot 集成，熟悉的味道！
Spring AI 是原生支持 Spring Boot 的，只需加上 starter：
然后你就能像用 JdbcTemplate 一样，用 ChatClient 和 EmbeddingClient 做 AI 调用。
配置、注入、观察、管理，都用你熟悉的 Spring 风格。没有门槛，快乐起飞！
特性十：ChatClient API，真正的聊天大脑！
ChatClient 是 Spring AI 中心组件，它封装了所有对话模型的交互逻辑。
你可以调用：
还可以：
- 传上下文历史
- 设置系统提示（system prompt）
- 控制温度、top_p 等参数
甚至支持多轮对话状态管理！
ChatClient 不再是简单 API 封装，它已经是你的“聊天业务中台”了。
特性十一：Advisors API，业务逻辑有建议！
Spring AI 中一个非常有趣的新特性叫做 Advisors API。
它是把 AI 看成一个“建议生成器”，比如：
你可以在业务流程中注入这种“智能建议”，例如商品描述生成、评论摘要、邮件草稿、翻译等。
把 AI 变成你业务流程里的“智能顾问”！
特性十二：记忆与RAG，让AI更聪明！
最后，我们说说最重要的——记忆与 RAG（检索增强生成） 。
Spring AI 提供了 MemoryStore、RetrievalAugmentedGenerationClient 等组件，你可以轻松实现以下场景：
- 记住用户的历史对话（记忆）
- 在回答问题时去外部知识库查找资料（RAG）
比如我做的文档问答项目，完整流程是这样的：
- 用户上传 PDF
- 用 PdfDocumentReader 读取并切分
- 用 EmbeddingClient 提取向量
- 存入 VectorStore
- 使用 RetrievalAugmentedGenerationClient 来根据查询检索 + 生成答案
Spring AI 把所有这些都模块化封装了，开发体验超赞！
结语：我真的用它搞定了！
这个文档问答小项目，不到三天时间我就从 0 到 MVP 搞出来了，全靠 Spring AI 的强大生态。
它不是一个“玩具项目”，而是一个面向工程的、可上生产的 AI 平台扩展。
END
如果你也想开始做 AI 项目，或者想在现有系统中无痛接入大模型，不妨试试 Spring AI。
我是小米，一个喜欢分享技术的31岁程序员。如果你喜欢我的文章，欢迎关注我的微信公众号“软件求生”，获取更多技术干货！
