spring ai

Spring AI Chat Memory 实战：用 JDBC 给 Java Agent 加会话记忆摘要：很多 Java AI Demo 都是一次性问答：用户问一句，模型回一句，请求结束后上下文也没了。真实业务里的客服助手、需求分析助手、运维问答 Agent，往往需要按会话保存历史消息，让第二轮、第三轮回答能接上前面的语境。本文基于 Spring AI 官方 Chat Memory / Advisor 文档，演示如何用 MessageWindowChatMemory、JdbcChatMemoryRepository 和 MessageChatMemoryAdvisor 给 Spring Boot + S

Spring AI Structured Output 实战：把大模型返回稳定转成 Java DTO摘要：很多 Java 项目接入大模型后，第一版代码通常是拿到一段自然语言，然后在业务里硬切字符串、找关键字、甚至让前端自己猜字段。Demo 可以这样玩，生产系统不行。只要后续要落库、走审批流、触发任务、展示结构化卡片，就必须把模型输出稳定转换成 Java DTO。本文基于 Spring AI 官方 Structured Output Converter 文档，演示如何用 BeanOutputConverter / MapOutputConverter 把模型输出约束为结构化 JSON，并补充字段校验、解析

Spring AI：把大模型接进 Spring 应用很多 Java 团队开始做大模型应用时，第一反应是去看 Python 生态。LangChain、LlamaIndex 很成熟，示例也多，但当系统真正要接入登录态、权限、订单、工单、知识库、审计和发布流程时，问题往往不在“怎么调一次模型”，而在“怎么把模型能力放进已有后端工程”。

行者-全栈开发

Spring AI RAG 效果评估：如何科学衡量 RAG 系统的准确率和召回率？（附评估代码）💡 摘要：本文基于我在某电商客服系统和企业知识库的评估实践，深入讲解 RAG 系统的四大核心评估指标：检索准确率（Precision）、召回率（Recall）、F1 分数、归一化折损累计增益（NDCG）。通过真实数据集实测，展示如何构建评估框架、标注测试集、计算各项指标、生成可视化报告。全文包含 6 个代码示例、5 个评估公式、3 个 Mermaid 图表，适合有 RAG 基础的开发者学习参考。

Spring AI Tool Calling 实战：让 Java Agent 调用本地 Bean 工具方法摘要：很多 Java 后端已经听过 Agent、MCP、工具调用，但真正落地到 Spring Boot 项目时，第一步通常不是接一套复杂的远程工具协议，而是先把本地服务里的一个 Bean 方法安全地暴露给模型调用。本文基于 Spring AI 官方 Tool Calling 文档，演示如何用 @Tool 把普通 Java 方法注册成工具，并补充参数、返回值、异常、上下文、日志和生产边界。读完后，你应该能搭出一个最小可用的 Spring AI Tool Calling 骨架，并知道哪些代码不能直接交给模型调

小沈同学呀

SpringAI+MCPClient实战-MiniMax模型打造智能AIAgent各位好，上一篇我们聊了 MCP Server 端的架构设计和实战代码，今天来聊聊 MCP Client 端。在实际项目中，MCP Client 才是真正面向用户的 AI 应用核心，它负责连接各种 MCP Server，自动发现并调用工具，让大模型具备"动手"的能力。

没有腰的嘟嘟嘟

Easy-agent介绍目前，我的工作主要聚焦于 Agent 和 SKILL 相关领域。随着公司多个项目完成 Agent 化升级，我将项目集成 Agent 架构的经验进行总结和封装，最终开发出一个可复用组件——Easy-agent。

大厂 Java 面试实战：从 Spring Boot 微服务到 AI RAG 音视频平台全链路解析场景：互联网大厂——“云声视频内容社区”（音视频 + UGC + AIGC）角色：老程：我们是做音视频内容社区的，类似短视频 + 直播 + UGC 图文内容，还有 AIGC 文本 + 图片生成，做推荐、搜索、IM、支付和本地生活服务，你就按你熟悉的技术栈来聊。准备好了我们开始。

要开心吖ZSH

AI医疗分诊与健康咨询助手agent开发——（2）让AI输出可控：结构化分诊与安全规则上一篇： AI医疗分诊与健康咨询助手agent开发——（1）从零搭建SpringBoot与AI对话系统:后端骨架 + 前端对话页 + SSE流式输出下一篇：AI医疗分诊与健康咨询助手agent开发——（3）从零到一，终于搞懂了 Agent 是什么？

Spring AI MCP Client 实战：让 Java 后端通过 stdio 调用本地工具服务摘要：本文用一个最小可落地的 Spring Boot 示例，讲清楚 Java 后端如何通过 Spring AI MCP Client 以 stdio 方式连接本地 MCP 工具服务。适合已经了解 Spring Boot，但还没把 MCP 真正接入 Java 项目的后端工程师。读完后你会知道依赖怎么加、配置怎么写、stdio server 怎么启动、工具如何暴露给 ChatClient，以及生产落地时最容易踩的超时、路径、进程和 Windows 命令包装问题。

MateCloud微服务

从源码设计看 MateClaw v1.5.0：Goal Checklist、LLM Wiki 自维护与 Memory 隔离MateClaw v1.5.0 的核心不是简单增加几个功能入口，而是把 Agent 运行时里的三个关键状态结构化：目标从完成度评分变成 checklist 验收；LLM Wiki 从检索型知识库升级为可互联、可分层、可触发流水线的知识引擎；Memory 增加 owner/scope，支持多人使用时的记忆隔离。本文从设计思路、源码模块和运行截图三个角度拆解这次更新。

IT空门:门主

Java AI 开发框架终极对比：Spring AI vs Spring AI Alibaba vs AgentScope-Java最近在技术群里被问爆的一个问题：“门主，Spring AI、Spring AI Alibaba、AgentScope-Java 这三个到底学哪个？Spring AI 是不是要被淘汰了？要不要直接转 Python？”

Agent开发理解普通的大模型调用很简单，发起一次简单的LLM Api调用即可。Agent区分于普通的LLM Api调用，其关键在于让无状态的LLM Api调用能好用，不仅能够像有状态一样有记忆，还能分析思考，正确执行。与之延伸而来就有所谓的「记忆（历史会话）管理」、「工具调用（Mcp）」，Agent开发范式（react、plan&excute等），让LLM Api调用能够拆解问题，多次请求，共享会话，最终实现目标。想要模型能够结合实时知识，进而又出现RAG。基本能力开发好了，想节省token成本，需要利用好LLM 的

ai-agent框架spring ai/alibaba源码原理分析(二) 模型，chat模型，chatclientsaa是java的ai agent框架，本系列将深入剖析 Spring AI Alibaba 的源码实现与核心原理，不仅可以指导agent的开发，更可以改造框架，增加新特性

DeepSeek RAG&MCP + Agent智能体项目 —— 动态决策策略的接口对接至此，对于动态决策的基本逻辑我们都写完了，接下来就是完善和写对接前端的接口了。这里我们要加上流式响应，所以稍微还要修改一下前面的代码。

Spring AI多模型路由实战：企业级智能路由+自动降本指南同一个 AI 应用里，所有请求都丢给最贵的模型，其实很像让高级架构师每天只处理“怎么重置密码”。企业 AI 应用上线后，常见问题通常不是“模型不够强”，而是：

Spring Boot 接入 MCP 实战：用 Spring AI 调用本地工具的最小闭环摘要：本文讲清楚 Spring Boot 项目如何通过 Spring AI 接入 MCP，把外部工具变成大模型可调用的 Tool。内容基于 Spring AI 1.1.7 官方 MCP Client Boot Starter 文档，重点放在 STDIO 本地工具接入、配置结构、工具发现、ChatClient 调用链路和常见排查点。适合 Java 后端、Spring Boot 开发者和正在把 Agent 能力落到工程系统里的同学。

GraphRAG vs 传统向量RAG：Spring AI实战对比传统向量RAG找答案快，但多跳推理弱。GraphRAG能理清实体关系，但构建成本高。什么时候用什么？看完这篇你就清楚了。

从零搭建Spring Ai多智能体后端应用在AI逐步渗透企业级Java后端开发的今天，Spring AI作为Spring官方的AI模块，为构建多智能体应用提供了一站式支持。但从零落地到企业可用，不仅需要理解框架，更要实际应对开发、通信、集成与运维的系列难题。本文聚焦Spring AI多智能体后端应用的实战搭建，深入解析常见技术坑点、通信排查、模型集成和运维问题及最佳实践，助力Java开发者高效构建和优化AI驱动的后端能力。

ai-agent框架spring ai/alibaba(四) RAGsaa是java的ai agent框架，本系列将深入剖析 Spring AI Alibaba 的源码实现与核心原理，不仅可以指导agent的开发，更可以改造框架，增加新特性