spring ai

最初的↘那颗心

Prompt 工程实战：五要素框架与 Spring AI 模板化落地Prompt 不是随便写一句话发给模型就完事——它直接决定了大模型能力的上限。本文从一个真实的 Code Review 场景出发，演示"差 Prompt"与"好 Prompt"的效果差距，提炼出 Prompt 五要素框架（角色、任务、约束、格式、示例），并通过 Spring AI 的多种模板化手段将其工程化落地。面向有 Spring Boot 基础、正在用 Spring AI 做大模型应用开发的后端工程师。

01-milvus版本：v1.0 | 适用人群：Java AI 开发小白/企业级 RAG 开发工程师 | 前置环境：JDK17+、Docker、Maven/Gradle

Spring with AI (3): 定制对话——Prompt模板引入本文代码：https://github.com/JunTeamCom/ai-demo/tree/release-3.0 Spring with AI系列，只关注上层AI的应用程序（基于JAVA搭建），不关注底层的LLM原理、搭建等技术。

最初的↘那颗心

Spring AI 生产避坑指南与 RAG 内存向量库实战本文覆盖 Spring AI 应用落地过程中最常踩的五个生产级陷阱——Token 成本失控、API Key 泄露、并发限流、输出不稳定、日志监控缺失，并给出对应的解决方案与代码实现。随后从零讲解 RAG（检索增强生成）的核心原理，并基于 Spring AI 的 SimpleVectorStore 完成一个内存向量库的完整实战。面向有 Spring Boot 基础、正在用 Spring AI 做大模型应用开发的后端工程师。

最初的↘那颗心

Spring AI Alibaba 多模态全家桶：图片理解、图片生成与语音合成实战本文围绕 Spring AI Alibaba 的三大多模态能力——图片理解（Vision）、图片生成（通义万象）和语音合成（CosyVoice），从项目搭建到完整业务实战，覆盖发票 OCR、商品鉴定、电商配图生成、风格化出图、文字转语音、AI 语音对话和定时语音播报七个真实场景。面向有 Spring Boot 基础、正在用 Spring AI 做大模型应用开发的后端工程师。

【Spring AI -01】Spring AI 2.0 架构重构深度解析：从单体核心到模块化领域的演进Spring AI 2.0并非简单的版本号迭代，而是一次架构哲学的根本转变。在1.x时代，Spring AI采用相对集中的单体架构设计，随着AI模型生态的爆发式增长（从大语言模型到嵌入模型、从图像生成到向量存储），原有的spring-ai-core包已膨胀至难以维护的地步。 Spring AI 2.0.0-M1版本彻底摒弃了单体模式，转而采用领域驱动模块化（Domain-Driven Modularization）策略，将AI能力按技术边界拆分为五个核心领域模块。这一重构不仅契合Spring Boot 4

Spring with AI (2): 评估答案——UnitTest引入本文代码：https://github.com/JunTeamCom/ai-demo/tree/release-2.0 Spring with AI系列，只关注上层AI的应用程序（基于JAVA搭建），不关注底层的LLM原理、搭建等技术。

Java小生不才

格式化输出Structured Output如果您想从 LLM 接收结构化输出，Structured Output 可以协助将 ChatModel/ChatClient 方法的返回类型从 String 更改为其他类型。

最初的↘那颗心

Spring AI Prompt 工程与结构化输出实战本文覆盖 System Prompt 的设计方法、Spring AI 中三种 Prompt 管理方式、实用 Prompt 技巧，以及如何让大模型直接返回 Java 对象。面向正在用 Spring AI 做开发、想把 Prompt 写得更好并让 AI 输出可直接消费的结构化数据的 Java 开发者。

Spring AI简介Spring AI项目旨在简化包含AI功能的应用程序的开发。官方文档：https://docs.spring.io/spring-ai/reference/index.html.

大模型开发 - SpringAI之MCP Client开发：让Agent动态调用远程工具服务当我们的AI Agent功能足够丰富时，一个新的问题浮现出来：如何让多个独立的Agent系统共享工具能力？

Spring AI 实战：通过 ChatMemory 构建有记忆的智能对话应用随着大语言模型（LLM）的火热，聊天机器人、智能客服等对话式 AI 应用已经走进了我们的日常生活。但你可能不知道，大多数大模型本身是“健忘”的——它们每次接收请求都是独立的，并不会记住你和它之前聊了什么。为了让 AI 能够像人一样拥有“记忆”，我们需要在应用层面帮它存储和回顾历史对话。Spring AI 作为 Spring 生态中专为 AI 应用开发的利器，提供了一个叫做 ChatMemory 的组件，可以帮我们轻松管理对话历史。今天，我们就来手把手地学习如何使用它，打造一个真正有记忆的智能对话应用。

大模型开发 - SpringAI之RAG应用效果评估在前面的文章中，我们详细介绍了如何使用Spring AI框架构建RAG（检索增强生成）系统。RAG通过从外部知识库检索相关文档，然后将其注入到LLM的提示词中，使模型能够基于特定领域的知识生成更准确的答案。

大模型开发 - SpringAI 之高级 RAG 组件在上一节《SpringAI 之文本向量化和 RAG》中，我们学习了如何通过手动 RAG的方式将知识库文档和用户问题结合起来，向大模型提供增强的上下文。虽然这种方式有效，但存在一些局限性：

⭐解锁RAG与Spring AI的实战应用（万字详细教学与完整步骤流程实践）什么是RAG呢？RAG（Retrieval-Augmented Generation）：是检索增强生成，是一种结合信息检索技术和AI内容生成的混合架构，可以解决大模型的知识时效性限制和幻觉问题。

大模型开发 - SpringAI之MySQL存储ChatMemory在构建AI对话应用时，对话历史（Chat Memory）的管理至关重要。Spring AI提供的ChatMemory组件能够帮助开发者轻松实现多轮对话能力，让大模型能够记住之前的对话内容，进而提供更连贯、更具上下文感知的回复。

104_Spring AI 干货笔记之开发时服务开发时服务提供了在开发应用程序时运行所需的外部依赖项。它们仅应在开发时使用，并在应用程序部署时禁用。Spring Boot 支持两种开发时服务：Docker Compose 和 Testcontainers。接下来的章节将提供有关它们的更多详细信息。

大模型开发 - Spring AI 1.1.0 之基础使用：从零开始构建智能应用在 AI 快速发展的今天，集成大语言模型（LLM）成为了现代应用开发的必备技能。Spring AI 是 Spring 官方提供的一套标准化框架，用于简化与 LLM 的集成开发。本文通过 Spring Boot 3.5.0 + Spring AI 1.1.0 + 通义千问（Qwen）的技术栈，深入讲解 Spring AI 的基础使用方法。

Spring AI Tool Calling（工具调用）详解——让大模型拥有“动手能力“定位：本文是 Spring AI 系列博客之一。我们将从为什么需要工具调用讲起，结合 Spring AI 官方文档和实战代码，一步步带你理解 Tool Calling 的原理、用法和进阶技巧。即使你是初学者，也能看懂。希望对于大家学习Spring AI 有帮助

予枫的编程笔记

【YF技术周报 Vol.01】OpenAI 国会指控 DeepSeek，字节发布 Seedance 2.0，Java 26 预览版来了👋 卷首语大家好，我是予枫。这是《YF 技术周报》的第一期。作为一名计算机研究生，我深知在信息爆炸的时代，筛选高质量信息比获取信息更重要。在这个专栏里，我不会罗列所有新闻，只会从开发者和技术演进的角度，为你精选这一周内真正值得关注的圈内大事。本周，我们见证了中美 AI 巨头的博弈升级，也看到了多模态技术在“音画同步”上的关键突破。以下是本周的核心复盘。