Spring AI 介绍 :简化Java AI开发的统一接口解决方案
在过去,使用Java开发AI应用时面临的主要困境是没有统一且标准的封装库,导致开发者需要针对不同的AI服务提供商分别学习和对接各自的API,这增加了开发难度与迁移成本。而Spring AI的出现解决了这一问题,它提供了一套兼容市面上主要生成任务(如文本、图像生成)的标准接口。通过采用Spring AI,开发者只需编写一次代码,并通过修改配置即可轻松切换至不同AI供应商的服务,极大简化了AI功能集成过程,使得基于Java Spring的应用能够更加便捷地利用先进的AI能力。
Spring AI Alibaba:阿里的Spring AI最佳实践集合
Spring AI Alibaba 是基于 Spring AI 的实现,专为阿里云的百炼系列大模型提供接入服务。它继承了 Spring 生态系统的设计原则,如可移植性和模块化设计,并将其应用于人工智能领域。Spring AI 的核心优势在于其标准化了不同AI提供商(如OpenAI、Azure、阿里云等)的接口实现,使得开发者只需编写一次代码,通过修改配置即可轻松切换不同的AI后端。此外,Spring AI 直接兼容Flux流输出,简化了与市面上大多数基于流的机器人模型的集成过程。这不仅大幅减少了开发和迁移时的工作量,也提高了应用程序的灵活性和适应性。通过使用 Spring AI Alibaba,开发者可以更高效地构建并扩展利用通义千问等大模型的应用程序。
Spring AI函数调用(function calling) 机制探秘
在Spring AI中实现函数调用的原理是,用户首先定义一个实现了Function
接口的Java类,该类通过特定的注解如@JsonProperty
和@JsonPropertyDescription
来描述其输入参数、输出结果以及函数的具体作用。这些注解使得开发者能够明确指定函数的行为及其预期用途,为后续步骤打下基础。
当应用程序启动时,Spring AI会自动读取并解析这些注解信息,将它们转换成一种易于大模型理解的文字描述形式,并作为上下文的一部分传递给大模型。这样做是为了让大模型能够根据当前对话或任务的需求,判断是否需要调用某个已定义好的函数来完成更复杂的任务。如果大模型决定调用某项功能,则会在响应中明确指出希望调用哪个具体的函数及所需的参数值。
接下来,Spring AI接收到这一指示后,在本地环境中执行相应的Java方法,获取到执行结果。随后,它不仅将该结果反馈给大模型,同时还会一并将之前的对话历史或相关信息再次提交给大模型,以确保整个交互过程中的连贯性和一致性。这种方式有效地增强了AI系统的功能性与灵活性,使其能够利用外部工具或服务完成更加多样化且复杂的工作流程。
构建后端:Spring Boot集成Spring AI Alibaba实现第三方API调用优化利润分析
实现步骤
1. 环境准备与依赖添加
首先确保JDK版本为17及以上,Spring Boot版本为3.3.x以上。接着,在项目中添加必要的仓库和依赖。
仓库配置
<repositories>
<repository>
<id>sonatype-snapshots</id>
<url>https://oss.sonatype.org/content/repositories/snapshots</url>
<snapshots>
<enabled>true</enabled>
</snapshots>
</repository>
<repository>
<id>spring-milestones</id>
<name>Spring Milestones</name>
<url>https://repo.spring.io/milestone</url>
<snapshots>
<enabled>false</enabled>
</snapshots>
</repository>
<repository>
<id>spring-snapshots</id>
<name>Spring Snapshots</name>
<url>https://repo.spring.io/snapshot</url>
<releases>
<enabled>false</enabled>
</releases>
</repository>
</repositories>
依赖配置
<dependencies>
<dependency>
<groupId>com.alibaba.cloud.ai</groupId>
<artifactId>spring-ai-alibaba-starter</artifactId>
<version>1.0.0-M2</version>
</dependency>
<!-- 其他必需依赖 -->
</dependencies>
2. 配置阿里云API Key
在application.properties
文件中设置阿里云通义大模型的API Key。
spring.ai.dashscope.api-key=YOUR_API_KEY
3. 创建函数定义
定义一个用于查询雪球股票利润表的Java函数。此函数将被注册给LLM使用。
import com.fasterxml.jackson.annotation.JsonProperty;
import com.fasterxml.jackson.annotation.JsonPropertyDescription;
import org.springframework.web.client.RestTemplate;
public class XueQiuStockService implements Function<XueQiuStockService.StockRequest, String> {
private final RestTemplate restTemplate = new RestTemplate();
@Override
public String apply(StockRequest request) {
String url = "https://stock.xueqiu.com/v5/stock/finance/cn/income.json?symbol=" + request.getSymbol() + "&type=all&is_detail=true&count=1";
String response = restTemplate.getForObject(url, String.class);
// 对返回的数据进行简单处理或直接返回
return response;
}
public static class StockRequest {
@JsonProperty(required = true, value = "股票代码")
@JsonPropertyDescription("股票代码, 如SH600900")
private String symbol;
public StockRequest() {}
public StockRequest(String symbol) { this.symbol = symbol; }
public String getSymbol() { return symbol; }
public void setSymbol(String symbol) { this.symbol = symbol; }
}
}
4. 注册函数
通过Spring配置类将上述定义的函数注册为一个Bean。
@Configuration
public class AppConfig {
@Bean
@Description("查询指定股票代码的利润表")
public Function<XueQiuStockService.StockRequest, String> xueQiuStockFunction() {
return new XueQiuStockService();
}
}
5. 使用Prompt Template结合函数提供服务
创建Controller来接收请求并结合Prompt和已注册的函数执行操作。
@RestController
@RequestMapping("/ai")
@CrossOrigin(origins = "*")
public class ChatController {
private final ChatClient chatClient;
public ChatController(ChatClient.Builder builder) {
this.chatClient = builder.build();
}
@GetMapping("/chatSteam")
public Flux<String> chatSteam(@RequestParam String input) {
PromptTemplate promptTemplate = new PromptTemplate("{input} 的利润率是多少?请给出详细分析。");
DashScopeChatOptionsBuilder opsBuilder = DashScopeChatOptions.builder()
.withFunction("xueQiuStockFunction");
DashScopeChatOptions ops = opsBuilder.build();
Map<String, Object> map = Map.of("input", input);
Prompt prompt = promptTemplate.create(map, ops);
return chatClient.prompt(prompt).stream().content();
}
}
步骤解释
- 环境准备:确保开发环境满足基本要求(JDK、Spring Boot版本)。
- 依赖添加:添加了Spring AI Alibaba和其他必要依赖。
- 配置API Key:设置了阿里云API Key以启用大模型服务。
- 函数定义与注册:创建了一个简单的HTTP客户端函数来获取股票财务数据,并将其作为Spring Bean注册。
- 服务实现:编写了一个控制器方法,该方法接受用户输入(股票代码),构建带有特定提示的Prompt,并指示大模型调用之前注册的功能来获取所需数据。最终,返回模型生成的内容流。
这样就完成了基于Spring Boot集成Spring AI Alibaba以及使用其Function Calling能力完成对话和分析模型的任务。
构建前端:一个简单的对话基于React
为了构建一个基于React的简单前端项目,支持从后端接收流数据(flux<String>
),可以按照以下步骤进行操作。此示例假设你的后端接口地址为 http://.../ai/chatStream?input=...
并且返回的是一个字符串流。
创建并初始化项目
首先,你需要创建一个新的 React 应用,并安装所有必要的依赖项。打开终端并运行以下命令:
npx create-react-app frontend
cd frontend
npm install
这将生成一个新的 React 项目结构,并自动安装基本的开发环境。
配置基础文件
确保你有如下几个基础文件设置好。这些文件通常不需要做过多修改,但确认它们的存在是重要的一步。
-
<!DOCTYPE html> <html lang="en"> <head> <meta charset="UTF-8"> <meta name="viewport" content="width=device-width, initial-scale=1.0"> <title>Chat App</title> </head> <body> </body> </html>public/index.html
-
src/index.js
import React from 'react';
import ReactDOM from 'react-dom';
import App from './App';ReactDOM.render(
<React.StrictMode>
<App />
</React.StrictMode>,
document.getElementById('root')
); -
src/App.js
import React from 'react';
import ChatComponent from './components/ChatComponent';function App() {
return (
<ChatComponent />
);
}
export default App;
实现聊天组件
关键部分在于实现一个能够发送请求到后端并处理响应流的组件。这里我们定义了 ChatComponent
来完成这个任务。
-
src/components/ChatComponent.js
import React, { useState } from 'react';
function ChatComponent() {
const [input, setInput] = useState('');
const [messages, setMessages] = useState('');const handleInputChange = (event) => { setInput(event.target.value); }; const handleSendMessage = async () => { try { // 注意这里的URL应该替换为你实际使用的后端服务地址 const response = await fetch(`http://.../ai/chatStream?input=${input}`, { method: 'GET', // 或者POST根据实际情况调整 headers: { 'Content-Type': 'application/json', // 如果需要认证信息或其他头信息,请在此添加 }, }); if (!response.ok) throw new Error('Network response was not ok'); const reader = response.body.getReader(); const decoder = new TextDecoder('utf-8'); let done = false; while (!done) { const { value, done: readerDone } = await reader.read(); done = readerDone; const chunk = decoder.decode(value, { stream: true }); setMessages((prevMessages) => prevMessages + chunk); // 将接收到的数据拼接到现有消息中 } } catch (error) { console.error('Failed to fetch:', error); } }; const handleClearMessages = () => { setMessages(''); }; return ( <div> <input type="text" value={input} onChange={handleInputChange} placeholder="Enter your message" /> <button onClick={handleSendMessage}>Send</button> <button onClick={handleClearMessages}>Clear</button> <div> <h3>Messages:</h3> <pre>{messages}</pre> {/* 显示接收到的消息 */} </div> </div> );
}
export default ChatComponent;
这段代码实现了向指定URL发送请求,并通过流式读取响应内容逐步更新状态中的消息列表的功能。注意,如果您的后端API要求特定的HTTP方法或头部信息,则需相应地调整 fetch
请求的配置。
运行项目
最后,启动你的前端应用以查看效果:
npm start
以上步骤详细描述了如何基于React构建一个简单的支持流输出的前端项目。其中涉及到的主要技术包括使用React Hooks管理状态、利用Fetch API与后端通信以及处理服务器返回的流数据。确保在开发过程中保持前后端之间的良好协作,特别是关于CORS策略的设置,以便前端能够顺利访问到后端提供的资源。