跟着我入门 Spring AISpring AI：从入门到实战，我踩过的坑与收获最近半年一直在探索 Spring

Spring AI：从入门到实战，我踩过的坑与收获

最近半年一直在探索 Spring 生态与 AI 的结合。从最开始的“AI 离后端开发太远”的偏见，到现在能用 Spring AI 快速实现对话机器人、文本生成等功能，中间踩了不少坑，也积累了一些实用经验

Spring AI 到底是什么？

刚开始接触的时候，我以为 Spring AI 是个“大而全的 AI 框架”，上手才发现理解错了。其实它更像是一个“AI 集成工具包”，核心作用是帮我们把各种主流 AI 模型（OpenAI、Azure OpenAI、本地部署的 Llama 等）快速集成到 Spring 项目中，不用我们自己去写复杂的 API 调用、签名验证、请求重试逻辑。

举个通俗的例子：以前我们要调用 OpenAI 的接口，得自己用 RestTemplate 或者 OkHttp 构造请求体、处理 API Key、解析返回的 JSON 数据，还得考虑超时、限流这些问题。现在用 Spring AI，只需要简单配置一下，就能像调用 Spring 里的普通 Bean 一样使用 AI 能力，完全符合我们后端开发者的使用习惯。

这里插一句我的踩坑经历：最开始我直接去啃 Spring AI 的官方文档，看了半天没看懂核心逻辑，后来发现应该先从“集成一个简单的 AI 模型”开始动手，跑通第一个 Demo 后，很多概念自然就理解了。所以建议新手别上来就死磕理论，先动手实践！

3 步在 Spring Boot 中集成 AI 能力

下面以“集成 OpenAI 的 GPT-3.5 模型，实现一个简单的文本生成接口”为例，跟大家分享具体的实现步骤。我会把关键代码和注意事项都写清楚，新手跟着做就能跑通。

1. 准备工作：获取 OpenAI API Key

首先得有一个 OpenAI 的 API Key，获取方式很简单：登录 OpenAI 官网（需要科学上网），进入个人中心的 API Keys 页面，创建一个新的 Key 即可。注意：这个 Key 要妥善保管，不要泄露到代码仓库里！

2. 项目依赖配置

创建一个普通的 Spring Boot 项目，然后在 pom.xml 中添加 Spring AI 相关的依赖。这里我用的是 Spring Boot 3.2.x 版本，Spring AI 版本对应 1.0.0-M1（不同版本可能有差异，建议参考官方最新文档）：

<dependency>
    <groupId>org.springframework.ai</groupId>
    <artifactId>spring-ai-openai-spring-boot-starter</artifactId>
    <version>1.0.0-M1</version>
</dependency>

<!-- Web 依赖，用于暴露接口 -->
<dependency>
    <groupId>org.springframework.boot</groupId>
    <artifactId>spring-boot-starter-web</artifactId>
</dependency>

这里有个坑要提醒大家：Spring AI 目前还处于里程碑版本（M 版本），部分功能可能不稳定，而且 Maven 中央仓库可能没有，需要在 pom.xml 中添加 Spring 的快照仓库：

<repositories>
    <repository>
        <id>spring-snapshots</id>
        <name>Spring Snapshots</name>
        <url>https://repo.spring.io/snapshot</url>
        <snapshots>
            <enabled>true</enabled>
        </snapshots>
    </repository>
</repositories>

3. 核心代码实现

第一步：在 application.yml 中配置 OpenAI 的 API Key 和模型信息：

spring:
  ai:
    openai:
      api-key: 你的 OpenAI API Key
      chat:
        model: gpt-3.5-turbo
        temperature: 0.7 # 温度，0-2 之间，值越高生成内容越随机，越低越严谨

第二步：编写一个 Controller，直接注入 Spring AI 提供的 ChatClient 接口，就能调用 AI 模型了：

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

import javax.annotation.Resource;

@RestController
public class AIController {

    // 直接注入 Spring AI 提供的 ChatClient，自动根据配置连接 OpenAI
    @Resource
    private ChatClient chatClient;

    // 暴露一个文本生成接口，参数是用户的提示词
    @GetMapping("/generate")
    public String generateText(@RequestParam String prompt) {
        // 调用 chatClient.generate 方法，传入提示词即可获取 AI 生成的内容
        return chatClient.generate(prompt);
    }
}

第三步：启动项目，测试接口。用 Postman 或者浏览器访问：http://localhost:8080/generate?prompt=用 Java 写一个单例模式的懒加载实现，带注释，，就能看到 AI 生成的代码了！是不是超级简单？

我第一次跑通这个 Demo 的时候特别兴奋，因为以前要自己写很多冗余代码，现在几行配置+几行代码就搞定了，这就是 Spring 生态的魅力——简化开发流程。

Spring AI 的核心能力与实际应用场景

上面的 Demo 只是入门，Spring AI 还有很多强大的功能，我结合自己的使用经历，跟大家分享几个实用的核心能力和应用场景。

1. 提示词工程（Prompt Engineering）

AI 生成内容的质量，很大程度上取决于提示词。Spring AI 提供了 Prompt 类，可以帮我们更灵活地构造提示词，比如添加系统指令、历史对话上下文等。

比如我之前做的“解析数据库表结构生成 CRUD 代码”的功能，就用了 Prompt 来构造复杂的提示词：

Prompt prompt = Prompt.from(
    // 系统指令：告诉 AI 它的角色和任务要求
    SystemPrompt.from("你是一个资深 Java 后端开发工程师，擅长根据数据库表结构生成规范的 Spring Boot CRUD 代码，包含实体类、Mapper 接口、Service 层、Controller 层，代码要符合阿里巴巴开发规范，带详细注释。"),
    // 用户指令：传入数据库表结构信息
    UserPrompt.from("数据库表结构：表名 user，字段：id (bigint, 主键)、username (varchar(50), 非空)、password (varchar(100), 非空)、create_time (datetime)，生成对应的 CRUD 代码。")
);
// 调用 AI 生成代码
String crudCode = chatClient.generate(prompt);}

通过这种方式，AI 生成的代码质量会高很多，基本不用我们再做太多修改。

2. 支持多种 AI 模型，可灵活切换

Spring AI 支持 OpenAI、Azure OpenAI、Google Gemini、本地部署的 Llama 2、通义千问等多种 AI 模型。而且由于 Spring AI 做了抽象封装，切换模型的时候，核心代码基本不用改，只需要修改配置即可。

比如我后来因为某些原因，需要把 OpenAI 换成本地部署的 Llama 2，只需要修改 pom.xml 依赖（添加 spring-ai-llama2 依赖），然后修改 application.yml 中的配置，核心的 Controller 代码完全没变。这种“面向接口编程”的设计，让我们的项目更灵活，不用担心绑定某个具体的 AI 服务商。

3. 实际应用场景推荐

结合我的实践，给大家推荐几个 Spring 与 AI 结合的实用应用场景：

接口文档自动生成：根据 Controller 代码的注释和方法定义，自动生成 Swagger 文档或者 Markdown 格式的接口文档，省去手动编写的麻烦。
日志分析与异常诊断：集成 AI 能力，让系统能自动分析日志中的异常信息，给出可能的原因和解决方案，帮助运维和开发快速定位问题。
智能客服/帮助中心：基于公司的产品文档、FAQ 等内容，训练一个专属的 AI 客服，集成到 Spring Boot 项目中，为用户提供智能问答服务。
代码生成与重构：除了前面提到的 CRUD 代码，还能让 AI 帮我们做代码重构、优化，比如把冗余的代码简化，或者把旧的代码升级到新的语法规范。

四、踩过的坑与避坑指南

在探索 Spring 与 AI 结合的过程中，我踩了不少坑，这里总结几个常见的，希望能帮大家避坑：

版本兼容问题：Spring AI 目前的版本迭代比较快，不同版本对应的 Spring Boot 版本有要求，比如 Spring AI 1.0.0-M1 建议搭配 Spring Boot 3.2.x，用低版本的 Spring Boot 可能会出现依赖冲突。建议严格按照官方文档的版本要求来配置。
API Key 泄露风险：很多新手会把 API Key 直接写在代码里，或者提交到 Git 仓库，这是非常危险的。正确的做法是用配置文件、环境变量或者 Spring Cloud Config 来管理敏感信息。
AI 生成内容的不确定性：有时候 AI 会生成错误的代码或者不准确的信息，所以不能完全依赖 AI，生成的内容一定要经过人工审核。尤其是在生产环境中，更要谨慎。
网络问题：如果使用 OpenAI、Google Gemini 等国外的 AI 模型，可能会遇到网络延迟、连接不稳定的问题。可以考虑使用国内的 AI 模型（比如通义千问、文心一言），或者搭建代理服务。

跟着我 入门 Spring AI