spring ai

Spring AI（2）—— 发送消息的APISpring AI中提供了四种消息角色：源码中对消息角色的定义：ChatModel对象通常可以通过调用call()方法发送消息，ChatModel接口中对应的call()方法主要包括：

Spring AI（3）——Chat Memory大型语言模型（LLM）是无状态的，这意味着它们不保留关于以前互动的信息。为了解决这个问题，Spring AI提供了Chat Memory（聊天记忆）功能。通过Chat Memory，用户可以实现在与LLM的多次交互中存储和检索信息。

在未来等你

互联网大厂Java求职面试：基于RAG的智能问答系统设计与实现-2郑薪苦是一名Java开发者，拥有丰富的项目经验，但在面试中总喜欢用奇葩比喻解释技术问题。今天他面对的是某大厂技术总监张总，面试主题为“基于RAG的智能问答系统设计与实现”。

Spring AI（1）—— 基本使用Spring AI 是一个用于 AI 工程的应用程序框架。其目标是将 Spring 生态系统设计原则应用于 AI 领域。

小码农叔叔

【AI大模型】SpringBoot整合Spring AI 核心组件使用详解目录一、前言二、Spring AI介绍2.1 Spring AI介绍2.2 Spring AI主要特点

Spring AI 快速入门：从环境搭建到核心组件集成对于Java生态的开发者来说，将人工智能技术融入企业级应用往往面临技术栈割裂、依赖管理复杂、多模型适配困难等挑战。Spring AI的出现彻底改变了这一局面——作为Spring家族专为AI场景设计的子项目，它通过标准化的依赖管理、与Spring Boot的深度集成以及丰富的开箱即用组件，让Java开发者能够像开发传统Spring应用一样快速构建AI功能。本文将基于官方最新文档，带您从零开始掌握Spring AI的核心入门知识。

小可爱的大笨蛋

Spring AI - Redis缓存对话对话过程被缓存到了Redis 中。在上一节我们快速入门了SpringAI，具体文章请查看：快速入门Spring AI

基于LangChain4J的AI Services实践：用声明式接口重构LLM应用开发在LLM应用开发领域，Java开发者常面临两大痛点：一是需要手动编排Prompt工程、记忆管理和结果解析等底层组件，二是复杂业务逻辑导致代码臃肿难维护。某电商平台的客服系统曾因直接调用底层API，导致单个服务类膨胀到2000+行代码，维护成本急剧上升。本文将揭秘如何通过LangChain4J的AI Services技术，用声明式接口实现LLM应用的优雅重构。

何似在人间575

SpringAI+DeepSeek大模型应用开发——5 ChatPDF由于训练大模型非常耗时，再加上训练语料本身比较滞后，所以大模型存在知识限制问题：知识数据比较落后，往往是几个月之前的；不包含太过专业领域或者企业私有的数据；

何似在人间575

SpringAI+DeepSeek大模型应用开发——4 对话机器人目录项目初始化pom文件配置模型ChatClient同步调用流式调用日志功能对接前端解决跨域会话记忆功能

何似在人间575

SpringAI+DeepSeek大模型应用开发——3 SpringAI简介SpringAI整合了全球（主要是国外）的大多数大模型，而且对于大模型开发的三种技术架构都有比较好的封装和支持，开发起来非常方便；

Spring AI与DeepSeek实战四：系统API调用在 AI 应用开发中，工具调用 Tool Calling 是增强大模型能力的核心技术。通过让模型与外部 API 或工具交互，可实现实时信息检索（如天气查询、新闻获取）、系统操作（如创建任务、发送邮件）等功能。

本地部署大模型（ollama模式）分享记录一下本地部署大模型步骤。大模型应用部署可以选择 ollama 或者 LM Studio。本文介绍ollama本地部署 ollama官网为：https://ollama.com/ 进入官网，下载ollama。

SpringAI整合Ollama集成DeepSeekgithub api官网

Spring AI Alibaba 对话记忆使用”大模型的对话记忆”这一概念，根植于人工智能与自然语言处理领域，特别是针对具有深度学习能力的大型语言模型而言，它指的是模型在与用户进行交互式对话过程中，能够追踪、理解并利用先前对话上下文的能力。

Spring AI ToolCalling 扩展模型能力边界工具调用（也称为函数调用）是AI应用程序中的一种常见模式，允许模型与一组API或工具进行交互，从而增强其功能。

大龄码农有梦想

Spring AI如何调用Function Calling在 AI 智能体开发的过程中，RAG（Retrieval-Augmented Generation）和功能调用（Function Calling）已经成为两种至关重要的模式。RAG 通过结合检索技术和生成模型的强大能力，使智能体能够实时从外部数据源获取信息，并在生成过程中增强其知识深度和推理能力。Function Calling模式为智能体提供了调用外部工具的能力，极大地扩展了其应用范围。智能体可以通过调用外部工具（如数据库操作、业务规则执行、算法工具调用等），完成更为复杂的任务和操作。这种灵活性使

大龄码农有梦想

Springboot集成Spring AI和Milvus，验证RAG构建过程在当今信息爆炸的时代，如何高效地管理和利用海量的知识数据成为了企业和开发者面临的重大挑战。基于AI的大模型和检索增强生成（RAG, Retrieval-Augmented Generation）技术为这一难题提供了全新的解决方案。通过结合向量数据库、Embedding技术以及先进的大语言模型，我们可以构建一个强大的本地知识库系统，并实现高效的检索增强生成流程。

大龄码农有梦想

Springboot集成Milvus和Embedding服务，实现向量化检索Milvus 是一款开源向量数据库，专为支持大规模向量检索而设计，特别适用于大模型领域中的应用。本文详细介绍如何利用 Spring Boot 框架集成 Milvus 向量数据库，并通过调用阿里云百炼大模型服务平台所提供的 Embedding服务，实现数据的向量化存储与高效检索。此过程不仅验证了 Milvus 向量数据库的基本能力，还展示了其与先进 AI 服务无缝对接的灵活性。

大龄码农有梦想

Spring AI提示词模板PromptTemplate的使用本文重点介绍Prompt提示词和PromptTemplate提示词模板，在Spring AI框架里，Prompt类的设计旨在简化与LLM之间的交互过程，同时提供了足够的灵活性来满足不同类型的对话需求。通过合理利用Prompt及其内部的消息结构，开发者可以有效地引导LLM生成高质量的回答，提升用户体验。