spring ai

【Spring AI智能体实战 02】Spring Boot 3.4整合Spring AI：项目创建与依赖配置本文是“Spring AI 智能体实战”系列第 2/30 篇。项目采用 Java 17、Spring Boot 3.4.3 和课程示例所使用的 Spring AI 版本。不同 Spring AI 版本的依赖名称和部分 API 可能存在差异，请以自己项目的版本为准。

【Spring AI智能体实战 01】Java开发者接入大模型：国内平台、Token与API Key入门本文是“Spring AI 智能体实战”系列第 1/30 篇。项目采用 Java 17、Spring Boot 3.4.3 和课程示例所使用的 Spring AI 版本。不同 Spring AI 版本的依赖名称和部分 API 可能存在差异，请以自己项目的版本为准。

Spring AI Alibaba 核心知识点所有知识点来源参考ChatModel是Spring AI定义的统一模型适配接口，是AI交互的底层抽象，支撑通义系列模型的聊天、文生图、音频转录等多场景，同时支持同步与流式API。

Spring Boot 3.x 集成 DeepSeek 实现 Function Calling（工具调用）技术栈：Spring Boot 3.5.16 + Spring AI 1.0.1 + DeepSeek + Java 21

佛祖让我来巡山

SpringAI保姆级实战教程注：我默认你是个会用Spring Boot的老Java选手，版本咱们就踩在Spring AI 2.0.0 GA上（2026年6月刚出的），如果还在用Boot 3.x，我会在文末给你指条明路。

Java 后端转型大模型：Demo 能跑不等于能上线聊《别急着换赛道：Java经验在 AI 项目里到底值多少？》之前，先说一句实在的：别急着背概念，先看它在真实项目里到底解决什么问题。

【Spring AI 学习（三）】实现简单的对话接下来用spring ai演示如何实现简单的对话功能首先在spring_ai工程下，创建一个子模块spring_ai_chat，如下图

【Spring AI 学习（一）】spring ai是什么Spring AI 是 Spring 官方推出的一个应用框架，旨在帮助 Java 开发者更简单、便捷地为应用程序添加 AI 功能。

从 Dify 工作流说起：常用节点怎么选、怎样组合？Dify 是很多人接触 AI 工作流的起点。随着流程逐渐复杂，真正需要理解的已经不是怎样把节点拖到画布上，而是职责相近的节点应该怎样选择。

业务智能体实战笔记:分层消除不确定性(五·终)｜完全脱离 LLM 的确定性判定 + 评测闭环系列导航：上一篇：业务智能体实战笔记（四）：兜底修复——LLM 错了怎么救阅读提示：本文为智能体准确率优化系列第五篇（收官篇），本篇是四层方法论的第四层——完全脱离 LLM 的确定性判定，同时复盘全系列核心教训：评测闭环搭建时机过晚。四层方法论总览：1.前置拦截 → 2.收窄LLM决策空间 → 3.LLM决策后兜底修复 → 4.纯工程确定性判定（本文）

2026 年智能体开发平台怎么选：从开源产品、云厂商到私有化平台截至 2026 年 7 月，市场上的智能体开发平台已经不少。打开这些产品的介绍页，会发现它们列出的功能大同小异：接入大模型、建立知识库、配置 Agent、编排工作流、调用工具，再将应用发布为网页或 API。仅凭这些功能介绍，很难判断哪个平台更适合自己的项目。

从模型接入到应用运行：智能体开发平台的整体架构设计调用一次大模型接口通常只需要少量代码，把它做成可以长期使用的企业应用，却会连续遇到一系列问题：模型怎样统一接入，企业知识怎样管理，Agent 如何调用业务接口，复杂任务是否需要工作流，做好的能力又怎样提供给员工和现有系统。任何一项没有处理好，应用都很容易停留在演示阶段。

业务智能体实战笔记：兜底修复——LLM 错了怎么救系列导航：上一篇：业务智能体实战笔记（三）：收窄 LLM 决策空间 | 下一篇预告：确定性判定与评测闭环阅读提示：本文是智能体准确率优化系列第四篇，聚焦四层优化链路的第三层兜底修复。前置拦截、收窄空间、确定性判定相关内容本文不再重复介绍。

业务智能体实战笔记（三）：收窄 LLM 决策空间系列导航：上一篇：业务智能体实战笔记（二）｜前置拦截：别让 LLM 做不该做的决策 | 下一篇（预告）：兜底修复 LLM 异常（持续更新）

行者-全栈开发

【码动四季】Spring AI + RAG 电商知识库：AtomCode 如何让 Embedding 对齐从 3 天缩短到 4 小时💡 摘要: 电商商品知识库要支持"有没有适合送妈妈的护肤套装"这种自然语言查询，传统搜索完全搞不定。我们用 Spring AI 1.0 + Ollama + PgVector 搭建 RAG 系统，却在 Embedding 对齐上卡了 3 天——向量维度不一致、分片策略反复调、检索召回率上不去。引入 AtomCode 后，通过 Rules 校验向量维度、Skill 生成 Embedding Pipeline、Agent 自动测试检索召回率，将对齐周期压缩到 4 小时。本文完整记录 RAG 架构设计、Spr

小沈同学呀

【Agent开发第一期】LLM+Agent-从概念到第一次模型调用最近在折腾 Agent，刚开始就被两道门槛卡得怀疑人生：本人不才，踩了一圈坑之后总算把第一期的环境跑通了。这一篇文章把概念讲清楚、把操作步骤拆明白，看完你就能：

ai-agent框架spring ai/alibaba 原理源码分析(五)graph III 图执行上文分析了图编译，编译后图具备高效执行的数据结构，本文分析图执行，图执行可分两部分，主图执行，MainGraphExecutor负责，主图执行主要是图执行控制，包括START， END，中断；点执行，NodeExecutor负责节点处理。

Ollama 本地部署，Python、SpringAI对接OllamaOllama类似Maven管理Jar包一样，用来管理大模型。Slogan是：本地化部署大模型最简单的方式。如下图：https://ollama.com/

早春的树长在理想三旬

RAG的三次进化：从朴素检索到Agentic RAG你有没有问过ChatGPT一个它不知道的问题，结果它编了一个看起来很真的答案？这就是"幻觉"。RAG（检索增强生成）是解决幻觉最主流的技术。这篇文章从向量检索的数学原理讲起，带你走完RAG从"朴素搜索"到"智能检索"的三次进化。

筱白爱学习

SpringAI完整学习指南（四）目录一、Structured Output / Output Converter 转换概念四种 Converter