Spring AI vs Spring AI Alibaba

文章目录

引言
[SAA继承Spring AI: 扩展开发AI agent的边界](#SAA继承Spring AI: 扩展开发AI agent的边界)
- [原生Spring AI为什么"不行"](#原生Spring AI为什么“不行”)
- [Spring AI Alibaba又做了什么？](#Spring AI Alibaba又做了什么？)
[**SAA 解决或扩展的问题/能力**](#SAA 解决或扩展的问题/能力)
- SAA的架构
- [Agent Studio：AI Agent 开发与管理平台](#Agent Studio：AI Agent 开发与管理平台)
- [Agent FrameWork: 更加简单快速地构建Agent](#Agent FrameWork: 更加简单快速地构建Agent)
- [Graph: 更复杂，更精准](#Graph: 更复杂，更精准)
- [企业级 AI 应用生态集成](#企业级 AI 应用生态集成)
- [Spring Boot Starters 简化开发部署](#Spring Boot Starters 简化开发部署)
总结

引言

最近Java非常火的AI agent智能体开发框架Spring AI 和 Spring AI Alibaba，我们到底该选谁呢？它们到底有什么区别呢？希望这篇文章能给你的技术选型带来帮助，让我们一起来讨论一下吧！

SAA继承Spring AI: 扩展开发AI agent的边界

原生Spring AI为什么"不行"

原生 Spring AI 非常轻量，适合写简单的 AI 调用。但一旦进入复杂的企业级生产环境，你会发现原生框架在"编排"、"运维"和"治理"上是缺失的。也就是说，原生的SA注重提供构建AI的组件能力，但是对企业实际开发中所需要的的智能体编排能力抽象不够，不够简单易用，开发者不能很快地上手开发。

Spring AI Alibaba又做了什么？

Spring AI Alibaba 基于 Spring AI 构建，因此它继承了 Spring AI 的所有原子能力抽象，如模型通信（ChatModel）、提示词（Prompt）、检索增强生成（RAG）、记忆（ChatMemory）、工具（Tool）、模型上下文协议（MCP）等，帮助 Java 开发者快速构建 AI 应用。这使得开发者在使用 SAA 时可以利用 Spring AI 提供的基础组件，同时享受 SAA 带来的额外功能。

上面说了两者是继承的关系，那么SAA又扩展了什么？

重点是提供了智能体编排能力，用户不需要自己再定义Node，Egde等等(也就是一系列复杂逻辑底层轮子)，可以直接复用，专业且可靠！

Spring AI Alibaba Graph 是其核心实现之一，在设计理念上区别于 Spring AI 只做底层原子抽象，旨在帮助开发者更容易地构建智能体应用，支持工作流和多智能体应用开发。原生 Spring AI 更侧重于提供构建 AI 能力的原子组件，而 SAA 则在这些原子组件之上构建了更高级的智能体编排能力。

我在下面列出来一些代码你一眼就知道了区别，哪个更加容易上手，可操作性更强：

原生 Spring AI (简单的线性调用):

java 复制代码

// 只能做简单的问答，复杂逻辑得自己用 Java 写
String response = chatClient.prompt("你好").call().content();

Spring AI Alibaba (Graph 编排 - 伪代码):

java 复制代码

// 声明一个复杂的 Agent 工作流
Graph graph = new Graph()
    .addNode("input_guard", new SecurityCheckNode()) // 1. 先做安全检查
    .addNode("search", new RAGSearchNode())          // 2. 再做搜索
    .addNode("generate", new LLMGenerateNode())      // 3. 最后生成
    .addEdge("input_guard", "search")                // 定义流转
    .addEdge("search", "generate");

// 运行
graph.run("用户的复杂请求");

SAA 解决或扩展的问题/能力

上面简单讲了两者的区别与联系，接下来让我们详细讲讲SAA到底扩展了什么，解决了什么问题。

SAA的架构

我们先来分析一波SAA当前的架构，以便你更好地听懂下面的内容。

Spring AI Alibaba 项目从架构上包含如下四层：

Admin，是一个一站式代理平台，支持可视化代理开发、可观测性、评估和 MCP 管理等功能。它还集成了 Dify 等开源低代码平台，实现了从 DSL 快速迁移到 Spring AI Alibaba 项目
Agent Framework，是一个以 ReactAgent 设计理念为核心的 Agent 开发框架，使开发者能够构建具备自动上下文工程和人机交互等核心能力的Agent。
Graph，graph 是一个低级别的工作流和多代理协调框架，能够帮助开发者实现复杂的应用程序编排，它具备丰富的预置节点和简化的图状态定义，Graph 是 Agent Framework 的底层运行时基座。
Augmented LLM，以 Spring AI 框架底层原子抽象为基础，为构建大型语言模型（LLM）应用提供基础抽象，例如模型（Model）、工具（Tool）、多模态组件（MCP）、消息（Message）、向量存储（Vector Store）等

Agent Studio：AI Agent 开发与管理平台

Spring AI Alibaba 提供了一个完整的 AI Agent 开发与评估平台 (Agent Studio)，支持从 Prompt 工程、数据集管理、评估器配置到实验执行和结果分析的完整工作流。这个平台解决了原生框架在 Agent 全生命周期管理方面的空白。

Prompt 管理：支持 Prompt 模板的创建、更新、删除、版本控制、实时调试和会话管理。
数据集管理：支持多种格式的数据集导入、版本管理、细粒度的数据项 CRUD 操作，并支持从 OpenTelemetry 链路数据创建数据集。
评估器管理：支持评估器的创建、配置、模板系统、在线调试、测试和版本管理。
实验管理：自动化执行评估实验，提供详细的实验结果分析和统计，并支持批量处理。
模型配置：支持 OpenAI、DashScope、DeepSeek 等主流 AI 模型，提供统一的参数配置和运行时动态切换功能

Agent FrameWork: 更加简单快速地构建Agent

Agent Framework，是一个以 ReactAgent 设计理念为核心的 Agent 开发框架，使开发者能够构建具备自动上下文工程和人机交互等核心能力的Agent。

支持 Multi-agent ，内置 ReAct Agent、Supervisor 等常规智能体模式。实现了基本的代理交互和工具执行，可以快速开发具有内置上下文工程 和人机交互支持的代理。

对于需要更复杂流程控制的场景，Agent Framework 提供了内置的工作流，例如SequentialAgent、ParallelAgent、RoutingAgent、LoopAgent和SupervisorAgent，SAA官方推荐直接使用这套高级抽象来直接构建agent。当然如果你有更加复杂的场景和更精准的需求，则需要使用我接下来讲的Graph框架。

Graph: 更复杂，更精准

Graph，是一个低级别的工作流和多代理协调框架，能够帮助开发者实现复杂的应用程序编排，它具备丰富的预置节点和简化的图状态定义，Graph 是 Agent Framework 的底层运行时基座。与 Agent Framework 相比，用户可以基于 Graph API 构建更灵活的多代理工作流。

那么总的来说，SAA Graph 解决了原生框架在复杂任务编排和多智能体协作方面的不足。它借鉴 Langgraph，是 Java 版的类 Langgraph 实现，使开发者无需关心流程编排、上下文记忆管理等底层实现。

支持工作流：内置大量预置节点，与主流低代码平台对齐，例如 LlmNode（大模型节点）、QuestionClassifierNode（问题分类节点）、ToolNode（工具节点）。
原生支持 Streaming：提供流式处理能力。
Human-in-the-loop：通过人类确认节点，支持修改状态、恢复执行。
记忆与持久存储：支持记忆管理与持久化存储，
流程快照、嵌套分支、并行分支：提供了复杂工作流所需的控制能力

企业级 AI 应用生态集成

MCP 集成 ：原生 Spring AI 提供了 MCP (Model Context Protocol) 客户端，而 SAA 在此基础上扩展了企业级的 MCP 集成，包括 Nacos MCP Registry 分布式注册与发现、自动 Router 路由，支持存量 Spring Cloud、Dubbo 等应用零代码改造实现 API 到 MCP 服务发布。 McpManager 负责处理 MCP 客户端的创建、工具检索和工具调用
RAG 知识库：深度集成了百炼平台，提供 RAG 知识库管理能力，支持数据解析、切片、向量化预处理，并与向量检索数据库结合。
可观测性 (Observability) ：通过集成 OpenTelemetry、ARMS 等，提供完整的链路追踪、服务监控、Trace 分析等功能，解决了 AI Agent 生产落地过程中的可观测性问题。
AI 网关：通过集成 Higress AI 网关，提升模型调用的稳定性与灵活性。
Nl2sql 模块：基于大模型的 ChatBI 技术，帮助用户轻松实现自然语言交互的数据分析，自动生成 SQL 查询语句。

这就是阿里长期构成的生态护城河，这就是为什么他们有能力做出SAA！

Spring Boot Starters 简化开发部署

SAA 提供了 spring-boot-starters，简化了 AI 应用的开发和部署，解决了原生框架在分布式 Agent 间通信、动态配置管理、高级 AI 图处理和可观测性等方面的便捷性问题。
集成了 Nacos 进行分布式 Agent 部署、服务注册与发现、负载均衡。
支持动态配置 AI Agent，通过 YAML 配置动态加载和修改 AI 模型设置、Prompt 模板和工具定义

总结

总之，Spring AI Alibaba 在 Spring AI 提供的基础能力之上，提供了更完善的 AI Agent 开发生态系统，特别是在多智能体编排、企业级集成和全生命周期管理方面进行了显著的扩展和优化，旨在加速企业 AI 应用的落地。

虽然目前SAA还有很多细节没有修饰好，但是随着几个大版本的再迭代，我相信SAA就是未来Java AI Agent开发框架的代表！

如果你觉得这篇文章给你带来了不错的体感，那就给我点赞+收藏+关注吧，这是我继续更新的最大动力❤️