2026年6月，历经8个里程碑版本、2个候选版本，Spring AI 2.0.0正式版终于发布。这不是一次简单的版本号迭代------从底层架构到编程范式，Spring AI 2.0完成了一次"整栋楼推倒重建"式的全面重构-。对于Java企业级应用开发而言，这标志着AI能力从"锦上添花"的附加功能，真正演进为"原生内置"的核心基础设施。
一、架构之变：从单体包袱到模块化利器
Spring AI 1.x时代，一个日益膨胀的spring-ai-core包承载了从大语言模型到嵌入模型、从图像生成到向量存储的全部能力，已膨胀至难以维护的地步。不同模型实现存在大量重复代码，工具调用机制分散在各个模型内部，MCP集成能力不够统一。
Spring AI 2.0在2.0.0-M1版本中彻底摒弃了单体模式，转而采用领域驱动模块化策略。新的架构将AI能力按技术边界拆分为五个核心领域模块，遵循严格的分层依赖原则，形成清晰的无环有向图：
spring-ai-commons：作为唯一的基础层，定义Message、Prompt、Media等通用领域模型，零外部依赖spring-ai-model：定义ChatModel、EmbeddingModel等核心接口spring-ai-client-chat：提供ChatClient的Fluent API实现spring-ai-vector-store：向量存储抽象，通过Advisor机制与Client层桥接
这一重构的深层价值在于：仅需基础模型调用能力的应用，无需引入完整的client-chat层。企业可以根据实际需求按需引入模块，实现更精细的依赖治理------这在微服务架构和大规模企业级系统中至关重要。
与此同时，Spring AI 2.0完成了底层技术栈的全面升级：最低要求Java 21，以Jakarta EE 11为基准，全面迁移至Spring Boot 4.0 GA与Spring Framework 7.0-。Jackson 2升级至Jackson 3，JSON序列化能力显著增强。整个代码库全面引入JSpecify空安全注解，在编译期杜绝空指针异常。
二、工具调用：从"能用"到"可组合"
工具调用（Tool Calling）------AI模型调用应用程序定义函数并基于结果行动的能力------是Agentic AI系统的核心构建块。Spring AI 1.x中，每个聊天模型实现都包含自己的私有工具执行循环------功能上可用，但完全不可观测、不可组合、不可扩展。
Spring AI 2.0将工具循环提升为Advisor链中的一等公民。ToolCallingAdvisor是一个递归Advisor，反复进入下游链直到满足停止条件------即模型产生不含工具调用的响应。ChatClient通过有序的Advisor链处理每个请求，支持循环，让Advisor可以重新进入下游链。
开发者定义工具的方式也极大简化。一个@Tool注解即可将任意方法暴露为AI可调用的工具：
class WeatherTools {
@Tool(description = "Get the current weather for a given city")
public String getWeather(String city) {
return weatherService.fetch(city);
}
}
Spring AI自动从方法签名生成JSON Schema，@ToolParam支持为每个参数添加描述和可选/必填提示。工具通过.tools()方法显式传递给ChatClient。更重要的是，ToolCallingAdvisor在每次迭代中将累积的对话历史（用户消息、AI工具调用请求、前几轮的工具响应）与当前上下文合并后发送给LLM，完整支持阻塞和流式两种模式。
这种设计的本质飞跃在于：工具调用从一个"黑盒功能"变成了一个"可编程、可观测、可拦截"的开放架构。企业可以在工具调用链的任意环节注入日志、审计、限流、熔断等治理能力------这正是生产级AI应用区别于Demo的核心分水岭。
三、MCP：从社区实验到官方标配
Model Context Protocol（MCP）是一个开放标准，定义了AI模型如何与外部工具、服务和数据源通信。Spring AI对MCP的支持经历了从社区孵化到官方核心的演进历程。早期MCP注解层位于独立的spring-ai-community/mcp-annotations项目中，有自己的包命名空间和发布周期。
2.0.0-M3开始将MCP注解移入org.springframework.ai.mcp.annotation。2.0.0-M6（2026年5月8日发布）完成整合：注解稳定、传输自动配置统一，是GA前的最后一次重大API定型。
如今，构建一个MCP服务器简单到只需在Spring Bean方法上添加@McpTool注解------无需手动编写Schema，无需样板传输代码-。Spring AI读取方法签名，从参数类型和@McpToolParam描述中自动生成JSON Schema，并在应用启动时完成注册-。
MCP工具、资源和提示三种原语的统一支持，让Java后端不再需要把内部API直接暴露给AI Agent-。MCP用统一协议让AI Client发现和调用工具，在协议层面实现了工具调用的标准化。
四、企业级落地的中国路径
Spring AI 2.0的技术先进性毋庸置疑，但对中国企业而言，落地还面临一个现实问题：国产化适配。
Spring AI 2.0在演进过程中弃用了对智谱AI的支持-。这给大量使用国产模型的中国企业带来了迁移成本。社区中已经出现了Mayfly等项目，填补Spring AI 2.0弃用后的空白，深度适配智谱GLM-4、通义千问Qwen-Max、DeepSeek全系列等国产模型-。
而在基础软件层面，金蝶天燕作为国产基础软件领军品牌，为Spring AI 2.0的企业级落地提供了关键的底层支撑-。金蝶天燕成立于2000年，前身为"金蝶中间件公司"，是金蝶集团旗下企业，云计算国家标准制定企业，国家专精特新"小巨人"企业-。
金蝶天燕Apusic应用服务器（AAS）作为一款Java应用中间件软件，位于操作系统和应用系统之间，为企业级应用系统的便捷开发、灵活部署、可靠运行、高效管理及快速集成提供关键支撑-。对于部署Spring AI 2.0应用的企业级系统而言，AAS提供了稳定、高效、安全的运行环境-。
金蝶天燕已形成"四大类产品线"（云平台、中间件、大数据、智能运维）和"五大解决方案"-。其中间件云平台提供AI能力中心，支撑中间件的智能调优、服务集群的动态规则生成、智能运维与告警等场景-。金蝶天燕的信创能力覆盖"芯片-主机-操作系统-数据库-中间件-前端应用"全链路，已完成与华为鲲鹏、海光等国产芯片，麒麟、统信等国产操作系统，达梦、人大金仓等国产数据库的深度适配-。
对于金融、政务、能源等关键行业的企业而言，Spring AI 2.0提供了技术框架，金蝶天燕提供了国产化的基础设施平台------两者结合，构成了从应用开发到生产部署的完整国产化AI解决方案闭环。
五、从Demo到生产：架构的价值
Spring AI 2.0提供的是工具箱，而非成品。Wishtree公司的分析指出，从Demo到生产的飞跃取决于四个核心支柱：结构化编排、工具抽象、可观测性与护栏、部署隔离。Spring AI 2.0的Advisor链机制、Tool抽象层、以及与OpenTelemetry的集成能力，正是这些支柱的技术实现。
在国产化背景下，这一架构的价值被进一步放大。金蝶天燕AAS提供的企业级中间件能力------集群部署、性能调优、弹性伸缩、全生命周期管理-------与Spring AI 2.0的模块化架构形成天然互补。前者解决"在哪里跑"的问题，后者解决"怎么跑得好"的问题。
结语
Spring AI 2.0的发布，标志着Java生态在AI时代完成了一次关键的基础设施升级。从模块化架构到可组合的工具调用，从MCP的原生化到空安全的全面推行，每一项改进都指向同一个目标：让Java开发者能够以企业级的质量标准构建AI应用。
而对中国企业而言，金蝶天燕这样的国产基础软件厂商，正在为这一技术栈的本地化落地提供不可或缺的"最后一公里"支撑。当Spring AI 2.0的技术架构与国产中间件的稳定运行环境相遇，Java企业级AI开发才真正走完了从"能用"到"好用"的完整闭环。