spring ai

nice_lcj5201 天前
java·spring·检索增强·rag·spring ai·ai应用开发
【从零理解 Spring AI · 13】RAG 要解决什么:把“闭卷考试“变成“开卷“第三辑解决了"不会做",这篇开始解决第 02 篇留下的另一半问题:“不知道”。场景你一定遇到过:用户问"我们公司的退货政策是什么?“——模型开始流畅地编造一个"行业标准退货政策”,和你们公司的真实规定半点关系没有。
学编程就要猛4 天前
人工智能·spring ai
RAG(Retrieval Augmented Generation)目录1. ETL(Extract Transform Load)2. RAG概述2. 加入依赖 和 配置
nice_lcj5204 天前
java·人工智能·后端·spring ai·ai应用开发
【从零理解 Spring AI · 16】Agent 与工作流:什么该写死,什么该让模型决定第四辑结束时,你手里已经攒齐了所有"零件":稳定对话、结构化输出、流式、记忆、工具调用、检索增强。现在到了拼整机的时候——用户问一个复杂问题,你的应用该按什么流程调用这些能力?
nice_lcj5205 天前
java·spring boot·embedding·向量数据库·rag·spring ai·ai应用开发
【从零理解 Spring AI · 14】RAG 的四个环节:加载、切分、向量化、检索上一篇的最小闭环里,"把文档导入向量库"被一句话带过了。真到落地,你会发现RAG 项目的坑 80% 都埋在导入环节:PDF 解析乱码、段落切得稀碎、检索回来的内容答非所问。
nice_lcj5206 天前
java·后端·rag·spring ai·ai应用开发·检索优化·重排序
【从零理解 Spring AI · 15】让检索更准:先宽召回,再精排序四个环节都打磨到位后,RAG 的回答质量会上一个台阶。但很快你会遇到下一层瓶颈:检索回来的 5 段里,真正回答问题的只有 1 段,剩下 4 段是"话题相近但没用"的噪声——它们占着上下文的空间(费钱)、稀释模型的注意力(答不准)。
Flynn Liang6 天前
java·人工智能·大模型·架构设计·spring ai·langchain4j·agentscope
同一需求三套写法:用 Spring AI、LangChain4j、AgentScope Java 各实现一个带工具调用的 RAG 助手(实战对比)📚 本文是「Java 大模型框架专题」系列第 5 篇(实战收尾篇)。全系列 5 篇,建议按序阅读:(发布后请把每行标题替换为对应文章的超链接,形成专题矩阵互导闭环)
nice_lcj5206 天前
java·后端·spring·spring ai·ai应用开发
【从零理解 Spring AI · 12】MCP 的两种角色:做客户端还是做服务端上一篇讲了 MCP 的概念:标准协议、三大角色、M+N 替代 M×N。落地时你会站在两个位置之一(或者都站):接入别人提供的能力(做客户端),或者把自己的能力开放出去(做服务端)。这篇把两个视角的代码都写全——你会发现 Spring AI 把两条路都铺得极平,其中一条路甚至只需要一个注解。
nice_lcj5208 天前
java·spring ai·ai应用开发·chatmemory·对话记忆
【从零理解 Spring AI · 07】对话记忆:让模型记住上一句说了什么第 02 篇我们验证过:模型是无状态函数,"记忆"的本质是每轮把历史重新发一遍。当时用的还是两个独立接口,各自发各自的——所以模型"失忆"。那正确姿势是什么?每次调用前,把历史消息手动拼进消息列表。问题是这样写又臭又长:
三无少女指南9 天前
jdbc·h2·会话管理·spring ai
聊天记录还在,模型为什么看不到:用 Spring AI 2.1 拆开日志与上下文聊天记录表里能查到旧消息,模型这一轮却看不到它们。查数据库连接之前,先看组装上下文时到底取了哪些消息。
Deng桑12 天前
agent·spring ai·advisor·横切逻辑
SpringAI的Advisors-用拦截器的思维管Agent日志要打、记忆要读写、敏感词要拦,这些「每次对话都得做」的横切逻辑,散在业务代码里就到处都是 if。写过 Spring 的人有现成的思路——拦截器或者 AOP,把横切逻辑收到一条链上。Spring AI 的 Advisor 就是把这个思路用在对话循环上,这篇先把链看清,再亲手写一个护栏 Advisor。
nice_lcj52012 天前
java·spring boot·大模型·spring ai·ai应用开发
【从零理解 Spring AI · 03】Spring AI 在 Spring 生态里的位置写完前两篇的概念铺垫,有性子急的朋友问我:概念我大概懂了,但我现在就能用 RestClient 发个 POST、拼个 JSON 把模型调通,为什么还要引入一个框架?
Flynn Liang13 天前
java·大模型·架构设计·ai agent·spring ai·langchain4j·agentscope
AgentScope Java 深度解析:ReActAgent、HarnessAgent 与多智能体编排——JVM 上的自治 Agent 底座📚 本文是「Java 大模型框架专题」系列第 4 篇。全系列 5 篇,建议按序阅读:前两篇讲的 Spring AI 和 LangChain4j,解决的是"让一个 AI 完成一次对话/RAG/工具调用"。但真实的企业场景里,你会越来越频繁地遇到这类需求:研究、写作、评审、检索要由不同角色分工完成,且过程要可持久化、可人工介入、可沙箱隔离。这正是 AgentScope Java 的主场。
Deng桑13 天前
spring ai·langchain4j
LangChain4j写一次工具调用-SpringAI的另一副面孔选型篇的末尾说过,两个框架的差别都在工单循环外面,循环本身一模一样。纸上对比不过瘾,这篇把 LangChain4j 这边跑通,同一个查天气的工单换个框架实现,差别落在哪一眼可见。跑完两个框架的 demo,选型时那三道判断题就不再是背下来的,而是亲手试过的。
Flynn Liang14 天前
java·人工智能·spring·大模型·架构设计·spring ai
Spring AI 2.0 深度解析:ChatClient、Advisor 链与 MCP——Java 工程师的 AI 落地最优解📚 本文是「Java 大模型框架专题」系列第 2 篇。全系列 5 篇,建议按序阅读:很多文章把 Spring AI 讲成"Spring 版的 LangChain",一笔带过。但 Spring AI 2.0(2026-06-12 GA)是一次"重写级"升级,它的三个变化直接决定了 Spring 团队未来三五年的 AI 技术路线。这篇把这三件事讲透,并给出可抄的代码与踩坑清单。
lgcgkCQ17 天前
java·ai·agent·rag·spring ai·mcp·langchain4j
【AI 转型实战 1】SpringAI 入门:搭建基础大模型对话能力中文通常译为大语言模型,日常也常简称为大模型。不过严格来说,“大模型”的范围更宽一些——它还可以包括多模态大模型(如能处理图像、音频的模型),而 LLM 特指以文本(语言)为核心的大规模神经网络模型。
Deng桑19 天前
java·agent·工具调用·spring ai
SpringAI写第一个Agent-把工单循环跑起来之前把工具调用讲成工单循环:模型写一张 JSON 工单,你的代码去跑腿,结果回填,模型接着说话。纸上谈兵到此为止。这篇用 Spring AI 把这个循环真正跑起来:一个查天气的工具,一次真实的调用,工单的报文全程可见。写完你手里会有一个能跑的 agent,以及看懂所有 agent 文档的底气。
古法老登瞎折腾20 天前
java·大数据·运维·spring ai·mcp
大数据智能运维实战(十一):运维 MCP 的工程化——权限、限流、审计与错误处理系列:Spring AI + MCP——大数据智能运维实战 本篇目标:用通用教学方案给查询工具加上访问约束、范围限制、超时、审计和明确的错误语义。 阅读基础:第七至十篇;沿用 lab-07-12,Java 17、Spring Boot 4.1.0、Spring AI 2.0.1。 案例说明:全部对象和数据为虚构;本机令牌与固定角色用于教学,不是生产身份系统的替代品。
yz_aiks20 天前
java·spring boot·大模型·ai agent·spring ai
Spring AI 2.1 ChatMemory 已过时用什么替代:迁移到 Session Memory 实战(JDBC 存储与会话压缩)导读:把 Spring AI 升到 2.1 之后,编译日志里会冒出一串"ChatMemory 已过时, 且标记为待删除"。替代品叫 Session Memory,2.1.0-RC1 刚带进来。我在临时项目里把迁移完整跑了一遍,这篇讲怎么改、改完数据存哪、多轮对话变长后怎么压缩,以及几个文档里不太显眼的坑。
南归北隐21 天前
java·后端·spring ai·mcp·spring ai mcp
Spring AI Alibaba Graph框架实现MCP数据库查询实战目录前言一、环境准备1.1 技术栈1.2 创建数据库表二、依赖与配置避坑三、Server 端开发:把数据库操作暴露为工具
古法老登瞎折腾21 天前
java·大数据·运维·人工智能·spring ai·mcp
大数据智能运维实战(九):让 AI 查日志——找到异常,也保留上下文系列:Spring AI + MCP——大数据智能运维实战 本篇目标:按准确对象和时间范围查日志,处理分页、采集缺口与消息截断,让日志成为可引用的证据。 阅读基础:第七、八篇的运行身份与引擎关联;沿用 lab-07-12 和相同技术版本。 案例说明:本文日志全部为手工编写的虚构样本,包含用于测试的无效占位值,不读取真实平台日志。