【AI微服务】【Spring AI Alibaba】 ① 技术内核全解析：架构、组件与无缝扩展新模型能力

小毅&Nora2025-11-21 23:34

📖目录

  • 前言
  • [1. Spring AI Alibaba 架构总览](#1. Spring AI Alibaba 架构总览)
  • [2. 核心组件详解](#2. 核心组件详解)
    • [2.1 ChatClient：对话模型抽象层](#2.1 ChatClient：对话模型抽象层)
    • [2.2 VectorStore：向量存储与检索](#2.2 VectorStore：向量存储与检索)
    • [2.3 Function Calling：工具调用机制](#2.3 Function Calling：工具调用机制)
  • [3. 新增特性与创新点（Spring AI Alibaba 特有）](#3. 新增特性与创新点（Spring AI Alibaba 特有）)
  • [4. 架构图展示](#4. 架构图展示)
    • [4.1 Spring AI Alibaba 整体架构](#4.1 Spring AI Alibaba 整体架构)
    • [4.2 RAG 工作流程](#4.2 RAG 工作流程)
  • [5. 关键源码剖析（附真实代码）](#5. 关键源码剖析（附真实代码）)
    • [5.1 ChatClient 核心调用逻辑](#5.1 ChatClient 核心调用逻辑)
    • [5.2 VectorStore 文档检索实现](#5.2 VectorStore 文档检索实现)
    • [5.4 实战示例：基础 ReactAgent 使用](#5.4 实战示例：基础 ReactAgent 使用)
  • [6. 快速上手示例：基于Spring AI Alibaba的深度研究Agent应用](#6. 快速上手示例：基于Spring AI Alibaba的深度研究Agent应用)
    • [6.1 添加依赖（Maven）](#6.1 添加依赖（Maven）)
    • [6.2 配置 application.yml](#6.2 配置 application.yml)
    • [6.3 加载Agent实例](#6.3 加载Agent实例)
    • [6.4 执行结果](#6.4 执行结果)
  • [7. 模型无关性与扩展机制：无需修改源码即可接入新模型](#7. 模型无关性与扩展机制：无需修改源码即可接入新模型)
    • [7.1 设计哲学：抽象先行](#7.1 设计哲学：抽象先行)
    • [7.2 实战示例：接入新模型](#7.2 实战示例：接入新模型)
      • [7.2.1 实现 `ChatClient`](#7.2.1 实现 ChatClient)
      • [7.2.2 配置 API 信息](#7.2.2 配置 API 信息)
      • [7.2.3 业务代码无感使用](#7.2.3 业务代码无感使用)
    • [7.3 旧模型下线](#7.3 旧模型下线)
    • [7.4 扩展性总结](#7.4 扩展性总结)
    • [7.5 实战示例：为 Agent 添加自定义工具回调](#7.5 实战示例：为 Agent 添加自定义工具回调)
  • [8. 未来趋势与社区演进](#8. 未来趋势与社区演进)
  • [9. 福利资源](#9. 福利资源)
  • [10. 结语与学习建议](#10. 结语与学习建议)

前言

📌 本文基于 Spring AI Alibaba 最新版本（2025 年 11 月，兼容 Spring Boot 3.x / Spring Cloud Alibaba 2023.0.x）

✅ 适合中高级 Java 开发者、AI 应用架构师、云原生工程师阅读

🔗 官方文档：https://sca.aliyun.com/en/docs/ai/overview/

随着大模型（LLM）技术的爆发，AI 能力正从"科研玩具"走向"企业级生产力"。然而，Java 生态长期缺乏一套标准化、生产级、云原生友好的 AI 应用开发框架。Spring AI Alibaba 应运而生 ------它不仅是 Spring AI 的阿里云增强版，更是通义千问（Qwen）、百炼平台与 Spring Cloud Alibaba 深度融合的产物。其目标是：让 Java 开发者像写 REST API 一样轻松集成 AI 能力。

本文将从架构设计、核心组件、源码实现、实战示例四个维度，系统剖析 Spring AI Alibaba 的技术内核。

1. Spring AI Alibaba 架构总览

Spring AI Alibaba 在 Spring AI 基础上，深度集成阿里云通义大模型服务（如 Qwen-Max、Qwen-Plus）和百炼平台，并强化了云原生、可观测性、插件化三大能力。

整体架构分为三层：

复制代码 
┌───────────────────────────────────────────────┐
│            Application Layer                   │
│ (Your Business Code: Chat, RAG, Agent...)     │
└───────────────────────────────────────────────┘
┌───────────────────────────────────────────────┐
│          Spring AI Alibaba Core               │ ← Fluent API + Abstraction
│ ┌─────────────┬─────────────┬─────────────┐ │
│ │ ChatClient  │ VectorStore │ Function    │ │
│ │             │             │ Calling     │ │
│ └─────────────┴─────────────┴─────────────┘ │
└───────────────────────────────────────────────┘
┌───────────────────────────────────────────────┐
│         Model & Service Adapters              │ ← 阿里云适配器
│ ┌───────────────────────┬─────────────────┐ │
│ │ Qwen (via Bailian)    │ OpenAI (兼容)   │ │
│ │ DashScope             │ Ollama          │ │
│ └───────────────────────┴─────────────────┘ │
└───────────────────────────────────────────────┘

💡 关键理念：解耦模型实现与业务逻辑，通过统一 API 支持多模型无缝切换。

2. 核心组件详解

2.1 ChatClient：对话模型抽象层

ChatClient 是 Spring AI Alibaba 的核心入口，提供同步/异步/流式三种调用方式，支持结构化输出（POJO 映射）。

关键能力：

  • 自动序列化 Prompt 到模型输入
  • 支持 @Prompt 注解模板
  • 输出自动反序列化为 Java 对象（Structured Output）
  • 内置 Retry、Observability（Micrometer）

2.2 VectorStore：向量存储与检索

用于 RAG（Retrieval-Augmented Generation）场景，支持：

  • 文档分块（Splitter）
  • 向量化（Embedding）
  • 存储到 Milvus / Redis / FAISS / 阿里云 OpenSearch
  • 相似度检索（Top-K）

2.3 Function Calling：工具调用机制

允许 LLM 主动调用外部函数（如查询数据库、调用 API、调用shell），是构建 AI Agent 的基石。

工作流程：

  1. LLM 识别需调用工具 → 返回 tool_calls
  2. 框架执行对应 Java 方法
  3. 将结果回传给 LLM 继续生成

3. 新增特性与创新点（Spring AI Alibaba 特有）

特性 描述 价值
通义百炼深度集成 一键对接 Qwen 系列模型，支持 Token 流控、计费监控 降低企业接入成本
阿里云向量引擎支持 原生支持 OpenSearch 向量检索 无需自建 Milvus
AI Observability 自动上报 Prompt/Response 到 ARMS / SLS 可审计、可追踪
Function Calling 插件化 支持动态注册/注销工具函数 运行时灵活扩展

4. 架构图展示

4.1 Spring AI Alibaba 整体架构

Application ChatClient VectorStore FunctionCallback Model Adapter Embedding Model Vector DB Qwen via Bailian DashScope OpenAI/Ollama Text Embedding Model Milvus Redis OpenSearch

4.2 RAG 工作流程

User App VectorStore ChatClient Qwen "航班 MU5101 什么时候起飞？" 检索相关文档片段 返回 Top-3 文本块 Prompt + Context 调用大模型 生成答案 结构化响应 "MU5101 今日 14:30 起飞..." User App VectorStore ChatClient Qwen

5. 关键源码剖析（附真实代码）

源码基于 spring-ai-alibaba:1.1.0.0-SNAPSHOT（GitHub: alibaba/spring-cloud-alibaba）

5.1 ChatClient 核心调用逻辑

java 复制代码 
// org.springframework.ai.autoconfigure.alicloud.QwenChatAutoConfiguration
@Bean
@ConditionalOnMissingBean
public ChatClient chatClient(QwenChatModel chatModel) {
    return new AiClientBuilder()
        .withChatModel(chatModel)
        .withDefaultFunctions(functionCallbackContext.getCallbacks())
        .build()
        .chatClient();
}

5.2 VectorStore 文档检索实现

java 复制代码 
    // com.alibaba.cloud.ai.dashscope.rag.DashScopeCloudStore
    public List<Document> similaritySearch(SearchRequest request) {
        String pipelineId = this.dashScopeApi.getPipelineIdByName(this.options.getIndexName());
        if (pipelineId == null) {
            throw new DashScopeException("Index:" + this.options.getIndexName() + " NotExist");
        } else {
            DashScopeDocumentRetrieverOptions searchOption = this.options.getRetrieverOptions();
            if (searchOption == null) {
                searchOption = new DashScopeDocumentRetrieverOptions();
            }

            searchOption.setRerankTopN(request.getTopK());
            return this.dashScopeApi.retriever(pipelineId, request.getQuery(), searchOption);
        }
    }

5.4 实战示例：基础 ReactAgent 使用

下面我们来看一个完整的 Java 示例，演示如何使用 ReactAgent 构建一个简单的天气助手应用。这个例子不需要任何外部工具，直接利用通义千问回答问题。

POM文件

xml 复制代码 
	<dependencies>
		<dependency>
			<groupId>com.alibaba.cloud.ai</groupId>
			<artifactId>spring-ai-alibaba-studio</artifactId>
		</dependency>

		<dependency>
			<groupId>com.alibaba.cloud.ai</groupId>
			<artifactId>spring-ai-alibaba-starter-dashscope</artifactId>
		</dependency>

		<dependency>
			<groupId>com.alibaba.cloud.ai</groupId>
			<artifactId>spring-ai-alibaba-agent-framework</artifactId>
		</dependency>

		<dependency>
			<groupId>org.springframework.ai</groupId>
			<artifactId>spring-ai-starter-mcp-client</artifactId>
		</dependency>

		<dependency>
			<groupId>org.springframework.boot</groupId>
			<artifactId>spring-boot-starter-web</artifactId>
		</dependency>

		<dependency>
			<groupId>org.springframework.boot</groupId>
			<artifactId>spring-boot-starter-test</artifactId>
			<scope>test</scope>
		</dependency>
	</dependencies>

核心代码

java 复制代码 
// sample2/AgentExample.java
public class AgentExample {

    public static void main(String[] args) throws Exception {
        // 创建模型实例
        DashScopeApi dashScopeApi = DashScopeApi.builder()
                .apiKey("your-api-key-here")
                .build();
        ChatModel chatModel = DashScopeChatModel.builder()
                .dashScopeApi(dashScopeApi)
                .build();

        // 创建 Agent
        ReactAgent agent = ReactAgent.builder()
                .name("weather_agent")
                .model(chatModel)
                .instruction("You are a helpful weather forecast assistant.")
                .build();

        // 运行 Agent
        AssistantMessage response = agent.call("what is the weather in Hangzhou?");
        System.out.println(response.getText());
    }
}

application.yml

yml 复制代码 
spring:
  application:
    name: DeepResearch
  ai:
    dashscope:
      api-key: your-api-key-here

这段代码展示了最基本的 Agent 创建和调用过程，适用于简单的问答场景。

执行结果：

6. 快速上手示例：基于Spring AI Alibaba的深度研究Agent应用

6.1 添加依赖（Maven）

xml 复制代码 
	<dependencies>
		<dependency>
			<groupId>com.alibaba.cloud.ai</groupId>
			<artifactId>spring-ai-alibaba-studio</artifactId>
		</dependency>

		<dependency>
			<groupId>com.alibaba.cloud.ai</groupId>
			<artifactId>spring-ai-alibaba-starter-dashscope</artifactId>
		</dependency>

		<dependency>
			<groupId>com.alibaba.cloud.ai</groupId>
			<artifactId>spring-ai-alibaba-agent-framework</artifactId>
		</dependency>

		<dependency>
			<groupId>org.springframework.ai</groupId>
			<artifactId>spring-ai-starter-mcp-client</artifactId>
		</dependency>

		<dependency>
			<groupId>org.springframework.boot</groupId>
			<artifactId>spring-boot-starter-web</artifactId>
		</dependency>

		<dependency>
			<groupId>org.springframework.boot</groupId>
			<artifactId>spring-boot-starter-test</artifactId>
			<scope>test</scope>
		</dependency>
	</dependencies>

6.2 配置 application.yml

yaml 复制代码 
spring:
  application:
    name: DeepResearch
  ai:
    dashscope:
      api-key: your-api-key-here
    mcp:
      client:
        enabled: true
        toolcallback:
          enabled: true
        sse:
          connections:
            jina:
              url: "https://mcp.jina.ai"
        request-timeout: 60000

server:
  port: 8080

6.3 加载Agent实例

  • AgentStaticLoader 类
    作用：静态Agent加载器，实现 AgentLoader 接口
    功能：管理和加载预创建的Agent实例；通过 ToolCallbackProvider 获取MCP工具回调；创建并注册名为 research_agent 的深度研究Agent；提供Agent列表查询和按名称加载功能
java 复制代码 
@Component
class AgentStaticLoader implements AgentLoader {

	private Map<String, BaseAgent> agents = new ConcurrentHashMap<>();

//	public AgentStaticLoader(){}

	public AgentStaticLoader(ToolCallbackProvider toolCallbackProvider) {

		List<ToolCallback> toolCallbacks = Arrays.asList(toolCallbackProvider.getToolCallbacks());

		System.out.println("Loaded MCP tool callbacks: " + toolCallbacks.size());

		ReactAgent researchAgent = new DeepResearchAgent().getResearchAgent(toolCallbacks);
		GraphRepresentation representation = researchAgent.getAndCompileGraph().stateGraph.getGraph(GraphRepresentation.Type.PLANTUML);

		System.out.println(representation.content());

		this.agents.put("research_agent", researchAgent);
	}

	@Override
	@Nonnull
	public List<String> listAgents() {
		return agents.keySet().stream().toList();
	}

	@Override
	public BaseAgent loadAgent(String name) {
		if (name == null || name.trim().isEmpty()) {
			throw new IllegalArgumentException("Agent name cannot be null or empty");
		}

		BaseAgent agent = agents.get(name);
		if (agent == null) {
			throw new NoSuchElementException("Agent not found: " + name);
		}

		return agent;
	}
}
  • DeepResearchAgent 类
    作用：深度研究Agent的构建器类
    功能：创建配置DashScope API和聊天模型；设置复杂的Agent行为，包括多种拦截器(Interceptor)和钩子(Hook)；构建包含子Agent的研究Agent，专门用于深入研究和撰写报告；定义研究工作流提示词，指导Agent完成从研究到撰写再到评审的完整流程
java 复制代码 
public class DeepResearchAgent {
	private static final String BASE_AGENT_PROMPT =
			"In order to complete the objective that the user asks of you, " +
					"you have access to a number of standard tools.";

	private String systemPrompt;
	private ChatModel chatModel;

	// Interceptors
	private LargeResultEvictionInterceptor largeResultEvictionInterceptor;
	private FilesystemInterceptor filesystemInterceptor;
	private TodoListInterceptor todoListInterceptor;
	private PatchToolCallsInterceptor patchToolCallsInterceptor;
	private ContextEditingInterceptor contextEditingInterceptor;
	private ToolRetryInterceptor toolRetryInterceptor;

	// Hooks
	private SummarizationHook summarizationHook;
	private HumanInTheLoopHook humanInTheLoopHook;
	private ToolCallLimitHook toolCallLimitHook;
	private ShellToolAgentHook shellToolAgent;

//	private ShellTool shellTool = ShellTool.builder().build();

	public DeepResearchAgent() {
		// Create DashScopeApi instance using the API key from environment variable
		DashScopeApi dashScopeApi = DashScopeApi.builder().apiKey("your-api-key-here").build();
		// Create DashScope ChatModel instance
		this.chatModel = DashScopeChatModel.builder().dashScopeApi(dashScopeApi).build();

		this.systemPrompt = researchInstructions + "\n\n" + BASE_AGENT_PROMPT;

		// Initialize interceptors
		this.largeResultEvictionInterceptor = LargeResultEvictionInterceptor
				.builder()
				.excludeFilesystemTools()
				.toolTokenLimitBeforeEvict(5000)
				.build();

		this.filesystemInterceptor = FilesystemInterceptor.builder()
				.readOnly(false)
				.build();

		this.todoListInterceptor = TodoListInterceptor.builder().build();

		this.patchToolCallsInterceptor = PatchToolCallsInterceptor.builder().build();

		this.toolRetryInterceptor = ToolRetryInterceptor.builder()
				.maxRetries(1).onFailure(ToolRetryInterceptor.OnFailureBehavior.RETURN_MESSAGE)
				.build();

		// Initialize hooks
		this.summarizationHook = SummarizationHook.builder()
				.model(chatModel) // should use another model for summarization
				.maxTokensBeforeSummary(120000)
				.messagesToKeep(6)
				.build();

		this.humanInTheLoopHook = HumanInTheLoopHook.builder()
				.approvalOn("search_web", "Please approve the search_web tool.")
				.build();

		this.toolCallLimitHook = ToolCallLimitHook.builder()
				.runLimit(25)
				.build();

		this.shellToolAgent = ShellToolAgentHook.builder().build();

		this.contextEditingInterceptor = ContextEditingInterceptor.builder()
				.trigger(10000)
				.clearAtLeast(6000)
				.keep(4)
				.excludeTools("write_todos")
				.build();

	}

	private static SubAgentSpec createCritiqueAgent(String subCritiquePrompt) {
		return SubAgentSpec.builder()
				.name("critique-agent")
				.description("Used to critique the final report. Provide information about " +
						"how you want the report to be critiqued.")
				.systemPrompt(subCritiquePrompt)
				.enableLoopingLog(true)
				.build();
	}

	private static SubAgentSpec createResearchAgent(List<ToolCallback> toolsFromMcp, String subResearchPrompt) {
		return SubAgentSpec.builder()
				.name("research-agent")
				.description("Used to research in-depth questions. Only give one topic at a time. " +
						"Break down large topics into components and call multiple research agents " +
						"in parallel for each sub-question.")
				.systemPrompt(subResearchPrompt)
				.tools(toolsFromMcp)
				.enableLoopingLog(true)
				.build();
	}

	public ReactAgent getResearchAgent(List<ToolCallback> toolsFromMcp) {
		// Build the ReactAgent with all interceptors
		return ReactAgent.builder()
				.name("DeepResearchAgent")
				.model(chatModel)
				.tools(toolsFromMcp)
				.systemPrompt(systemPrompt)
				.enableLogging(true)
				.interceptors(todoListInterceptor,
						filesystemInterceptor,
						largeResultEvictionInterceptor,
						patchToolCallsInterceptor,
//						contextEditingInterceptor,
						toolRetryInterceptor,
						subAgentAsInterceptors(toolsFromMcp))
				.hooks(humanInTheLoopHook, summarizationHook, toolCallLimitHook)
				.saver(new MemorySaver())
				.build();

	}

	private Interceptor subAgentAsInterceptors(List<ToolCallback> toolsFromMcp) {
		SubAgentSpec researchAgent = createResearchAgent(toolsFromMcp, subResearchPrompt);
		SubAgentSpec critiqueAgent = createCritiqueAgent(subCritiquePrompt);

		SubAgentInterceptor.Builder subAgentBuilder = SubAgentInterceptor.builder()
				.defaultModel(chatModel)
				.defaultInterceptors(
						todoListInterceptor,
						filesystemInterceptor,
//						contextEditingInterceptor,
						patchToolCallsInterceptor,
						largeResultEvictionInterceptor
				)
				.defaultHooks(summarizationHook, toolCallLimitHook)
				.addSubAgent(researchAgent)
				.includeGeneralPurpose(true)
				.addSubAgent(critiqueAgent);
		return subAgentBuilder.build();
	}

	public static class Prompts {
		// Main research instructions
		public static String researchInstructions = "内容略，可下载源码查看";

		// Sub-agent prompt for research
		public static String subResearchPrompt = "提示词内容略，可下载源码查看";

		// Sub-agent prompt for critique
		public static String subCritiquePrompt = "提示词内容略，可下载源码查看";
				
	}
}

6.4 执行结果

打开：http://localhost:8080/chatui/index.html

7. 模型无关性与扩展机制：无需修改源码即可接入新模型

Spring AI Alibaba 的强大之处不仅在于对阿里云生态的深度集成，更在于其面向接口的插件化架构 ，使得新增或移除大模型完全无需修改框架源码。

7.1 设计哲学：抽象先行

Spring AI 定义了如 ChatClient、EmbeddingClient 等高层接口，所有模型适配器（包括官方和第三方）均基于这些接口实现。这意味着：

  • 业务代码只依赖接口，不绑定具体模型；
  • 新模型只需实现接口，即可无缝接入；
  • 模型切换成本极低，通常只需更换依赖和配置。

7.2 实战示例：接入新模型

假设 DeepSeek 发布了新的 API，我们可通过以下步骤接入：

7.2.1 实现 ChatClient

java 复制代码 
@Component
public class DeepSeekChatClient implements ChatClient {
    // ... 实现 call() 方法，封装 DeepSeek API 调用
    // 转换请求/响应格式，使用 RestTemplate 发送 HTTP
}

7.2.2 配置 API 信息

yaml 复制代码 
spring:
  ai:
    deepseek:
      api-url: https://api.deepseek.com/v1/chat/completions
      api-key: sk-xxxxxx

7.2.3 业务代码无感使用

java 复制代码 
public class AiController {
    private final ChatClient chatClient; // 自动注入 DeepSeek 实现

    public String chat(String msg) {
        return chatClient.call(new Prompt(msg)).getContent();
    }
}

💡 关键优势 ：若未来切换为 Ollama 或通义千问，只需替换 ChatClient 实现，业务代码一行不改。

7.3 旧模型下线

若某模型（如 Meta Llama API）停止服务，应该怎么处理？

  • 官方可弃用对应 starter；
  • 老项目不受影响（只要不升级依赖）；
  • 新项目可切换至 Ollama 本地部署版本；
  • 因统一接口，迁移成本几乎为零。

7.4 扩展性总结

场景 解决方案 是否需改 Spring AI 源码
新增模型（如 DeepSeek） 实现 ChatClient + 自定义 starter ❌ 不需要
模型下线（如 Meta API 停服） 移除对应 starter，切换实现 ❌ 不需要
多模型共存 使用 @Qualifier 或命名 Bean ❌ 不需要
统一配置管理 通过 application.yml 配置 endpoint/key ✅ 开箱即用

Spring AI 的目标不是"包揽所有模型"，而是"让接入任何模型变得简单"。

7.5 实战示例：为 Agent 添加自定义工具回调

除了基本的问答功能外，Agent 还可以通过自定义工具实现更复杂的功能。下面的例子展示了如何为 Agent 添加一个天气查询工具：

  1. 核心调用流程：
java 复制代码 
// sample3/WeatherTool.java
// 定义天气查询工具
public class WeatherTool implements BiFunction<String, ToolContext, String> {
    @Override
    public String apply(String city, ToolContext toolContext) {
        return "It's always sunny in " + city + "!";
    }
}

// sample3/AgentExample3.java
public class AgentExample3 {
    public static void main(String[] args) {
        // 初始化 ChatModel
        DashScopeApi dashScopeApi = DashScopeApi.builder()
                .apiKey("your-api-key-here")
                .build();

        ChatModel chatModel = DashScopeChatModel.builder()
                .dashScopeApi(dashScopeApi)
                .build();
                
        // 关键点：自定义天气工具类
        ToolCallback weatherTool = FunctionToolCallback.builder("get_weather", new WeatherTool())
                .description("Get weather for a given city")
                .inputType(String.class)
                .build();

        // 创建 agent
        ReactAgent agent = ReactAgent.builder()
                .name("weather_agent")
                .model(chatModel)
                .tools(weatherTool)
                .systemPrompt("You are a helpful assistant")
                .saver(new MemorySaver())
                .build();

        // 运行 agent
        AssistantMessage response = null;
        try {
            response = agent.call("what is the weather in San Francisco");
        } catch (GraphRunnerException e) {
            throw new RuntimeException(e);
        }
        System.out.println(response.getText());
    }
}
  1. 自定义天气工具类：
java 复制代码 
public class WeatherTool implements BiFunction<String, ToolContext, String> {
    @Override
    public String apply(String city, ToolContext toolContext) {
        return "It's always sunny in " + city + "!";
    }
}

执行结果：

在这个例子中，我们创建在WeaterTool类中定义了一个名为 apply 的工具函数，当 Agent 需要查询天气时会自动调用这个函数。这种机制使得 Agent 可以与外部系统交互，比如做远程调用、执行shell脚本、文本处理，大大增强了其实用性。

8. 未来趋势与社区演进

Spring AI Alibaba 的 2025+ 路线图聚焦三大方向：

  • AI Agent 框架：支持记忆（Memory）、规划（Planning）、多工具协同
  • Serverless Native：与 FC（函数计算）深度集成，按需加载模型
  • 企业级治理：Prompt 审计、Token 配额管理、敏感词过滤

9. 福利资源

完整的代码已上传为附件，可在Intellij IDEA中导入并直接运行，欢迎交流讨论。如果你对该框架感兴趣或者有任何疑问，或者有更好的实现方案，欢迎留言交流！

10. 结语与学习建议

Spring AI Alibaba 不仅是一个 SDK，更是 Java 生态拥抱 AI 时代的桥梁。其设计哲学值得深思：

  • 为什么用 ChatClient 而不是直接调 HTTP？
    → 抽象模型差异，统一可观测性，支持未来扩展。
  • 为什么 VectorStore 独立于 Embedding？
    → 解耦向量化与存储，适配不同基础设施。
  • Function Calling 如何保证安全？
    → 通过注解白名单 + 参数校验，防止任意代码执行。

🛠️ 动手建议：

  • 克隆官方示例：spring-cloud-alibaba-ai-samples
  • 在阿里云百炼平台申请 Qwen API Key
  • 尝试替换 VectorStore 为 OpenSearch，体验云原生向量检索

📝 版权声明 ：本文为原创，遵循 CC 4.0 BY-SA 协议。转载请附原文链接及本声明。

🔖 关键词：#SpringAI #AlibabaCloud #Qwen #RAG #AI微服务 #JavaAI #向量数据库

相关推荐
q***76661 小时前
SDN架构详解
架构
D***t1311 小时前
DeepSeek模型在自然语言处理中的创新应用
人工智能·自然语言处理
WWZZ20251 小时前
快速上手大模型：深度学习10（卷积神经网络2、模型训练实践、批量归一化）
人工智能·深度学习·神经网络·算法·机器人·大模型·具身智能
2501_941404311 小时前
绿色科技与可持续发展：科技如何推动环境保护与资源管理
大数据·人工智能
希露菲叶特格雷拉特2 小时前
PyTorch深度学习进阶（四）（数据增广）
人工智能·pytorch·深度学习
强盛小灵通专卖员2 小时前
基于RT-DETR的电力设备过热故障红外图像检测
人工智能·目标检测·sci·研究生·小论文·大论文·延毕
倔强青铜三2 小时前
AI编程革命：React + shadcn/ui 将终结前端框架之战
前端·人工智能·ai编程
喵个咪2 小时前
基于 Go-Kratos 与 MCP 的推荐服务实战指南
后端·深度学习·微服务
二川bro2 小时前
第57节：Three.js企业级应用架构
开发语言·javascript·架构
热门推荐
01GitHub 镜像站点02Google Antigravity：无法登录？早期错误、登录修复和用户反馈指南03UV安装并设置国内源04今天 Cloudflare 全球事故，连 GPT 和你的网站都一起“掉线”了05【保姆级教程】免费使用Gemini3的5种方法！免翻墙/国内直连06BongoCat - 跨平台键盘猫动画工具07安娜的档案(Anna’s Archive) 镜像网站/国内最新可访问入口（持续更新）08Linux下V2Ray安装配置指南09全球最强模型Grok4，国内已可免费使用！（附教程）1046个Nano-banana 精选提示词，持续更新中