spring ai

【第21篇】 Chat Memory Example本项目是一个基于 Spring AI Alibaba 生态构建的对话记忆（Chat Memory）示例，旨在演示如何为 LLM（大语言模型）应用赋予"上下文记忆"能力，使多轮对话能够连贯进行，而非 Stateless 的单轮问答。

【第22篇】Evaluation ExampleSpring AI Alibaba Evaluation Example 是一套基于 Spring AI 框架的 LLM（大语言模型）应用效果量化评估工具链示例。它并非简单的"打分工具"，而是一个覆盖准确性验证、性能观测、成本核算三维度的工程化评估体系，旨在解决 LLM 应用落地时的核心痛点：模型输出质量不可量化、API 延迟波动难观测、Token 消耗成本不透明。

（第二篇）Spring AI 架构设计与优化：可观察性体系，打造全链路可视化的 AI 运维方案大家好，我是深耕 AI 服务架构的后端开发。在上一篇文章里，我给大家分享了 Spring AI 从单实例到万级 QPS 分布式架构的演进方案。但架构搭完只是开始，线上运维才是真正的考验：用户反馈 AI 回答慢，却分不清是网关、向量检索还是模型调用拖了后腿；月底模型 API 账单超支，却查不到是哪个接口、哪个场景消耗了最多 Token；偶尔出现的模型调用异常，复现不了也找不到根因，只能干着急。

Java小生不才

spring AI文生图官网链接添加链接描述官网链接添加链接描述

Java小生不才

Chat Memory连续对话保存和持久化”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。此机制使得大模型不仅能够响应即时的输入请求，还能基于之前的交流内容能够在对话中记住先前的对话内容，并根据这些信息进行后续的响应。这种记忆机制使得模型能够在对话中持续跟踪和理解用户的意图和上下文，从而实现更自然和连贯的对话添加链接描述 Spring AI Alibaba中的聊天记忆提供了维护 AI 聊天应用程序的对

java1234_小锋

Spring AI 2.0 开发Java Agent智能体 - Spring AI 2.0简介大家好，我是小锋老师，最近更新《2027版本 Spring AI 2.0 开发Java Agent智能体视频教程》专辑，感谢大家支持。

Spring AI + 智谱大模型实战：打造有记忆功能的智能天气助手本文手把手教你用Spring AI快速对接智谱GLM-4，构建一个支持多轮对话、上下文记忆的智能天气Agent！

AI修炼记1-Tool Calling通过阿里云百炼API文档对 Spring AI Alibaba API 学习和使用通过 Spring AI 官方文档和 Spring AI 中文翻译文档来对Spring AI进行学习

spring ai alibaba原理源码分析(一)-架构spring ai alibaba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，不仅指导agent的开发，更为了改造框架，增加新特性

Spring AI MCP Apps 实战：打造聊天与富 UI 融合的智能化应用摘要：Model Context Protocol (MCP) Apps 是 Spring AI 2.0.0-M3 引入的革命性功能，它打破了传统聊天界面的局限，让 AI 助手能够在对话中嵌入交互式富 UI 组件。本文将深入讲解 MCP Apps 的核心原理、架构设计，并通过完整的骰子滚动和数据分析两个实战案例，演示如何从零开始构建融合聊天与图形界面的智能化应用。你将学会使用@McpResource 和@McpTool 注解创建交互式 UI，理解前端 App 与后端 MCP Server 的通信机制，掌握

（第一篇）Spring AI 架构设计与优化：从单实例到万级 QPS 分布式服务的演进之路大家好，我是一名在 AI 服务架构领域摸爬滚打了三年的老码农。去年这个时候，我还在为单实例 Spring AI 服务的 QPS 上不去而头疼 —— 几百个请求过来，模型调用就堵成了一锅粥，向量检索慢得像蜗牛，更惨的是一旦实例挂了，整个服务直接瘫痪。痛定思痛，我带着团队花了三个月时间，从异步调用优化做起，一步步拆分服务、设计多级缓存，最终把架构演进成了分布式，现在支撑万级 QPS 轻轻松松。

一叶飘零_sweeeet

Spring AI 与 Spring AI Alibaba怎么选？在大模型应用开发的浪潮中，Spring生态凭借其成熟的依赖注入、事务管理、AOP等特性，成为了Java开发者构建AI应用的首选框架。2024年Spring官方推出Spring AI项目，为Java开发者提供了统一的AI编程模型；同年，阿里云基于Spring AI推出了Spring AI Alibaba扩展，深度整合了阿里云的AI生态。

【第3篇-续】多模型多模态项目实现示例（增加OpenAI通用适配）附源代码【第三篇-续】多模型多模态项目实现示例源代码或者站内下载：https://download.csdn.net/download/s060403072/92816570

【第2篇-续】从零开始helloworld使用openAI通用模型的完整实现示例附源代码本文示例代码：spring-ai-helloworld本文将对于上一篇【第2篇】helloworld解析和部署，并改造为使用openAI模型， Spring AI 框架的 AI 聊天服务示例，演示如何以最少的代码将大语言模型（LLM）能力集成到 Spring Boot 应用中的具体实现。采用兼容 OpenAI 协议的昇腾模型（GitCode），用了它的模型 Qwen/Qwen3.5-35B-A3B，通过统一的抽象层屏蔽了底层模型差异，最终实现可以像调用普通 Service 一样调用 AI 能力。如下图

一叶飘零_sweeeet

Spring AI 核心架构、抽象模型与四大核心组件设计精髓Spring AI 是 Spring 官方推出的 AI 应用开发框架，旨在简化 Java 开发者构建 AI 驱动应用的过程。它遵循 Spring 一贯的设计哲学：约定优于配置、面向接口编程、依赖注入，为开发者提供了一套统一、可扩展的 API，屏蔽了不同 AI 模型提供商之间的差异。

Spring AI ETL 数据处理管道实战指南：从原始文档到向量索引本文定位：这是一篇专注于 Spring AI ETL Pipeline 的深度实战指南。ETL（Extract-Transform-Load）是 RAG 系统的数据预处理核心，本文将详细讲解如何使用 Spring AI 的 ETL 组件，将各种格式的原始文档转换为可检索的向量索引，为智能问答系统奠定数据基础。

McpAgentExecutor 混合挂载：HTTP 工具与 NPX 服务器同时接入同一 Agent标签：Java MCP Agent j-langchain McpAgentExecutor 混合工具 Function Calling 前置阅读：McpAgentExecutor：用几行代码让模型自主调用 HTTP 工具多步推理 → McpAgentExecutor + McpClient：让 Agent 直接操作文件系统和数据库适合人群：已分别接入 HTTP 工具和 NPX 服务器，希望在同一个 Agent 中串联使用的 Java 开发者

MateCloud微服务

MateClaw：基于 Spring AI Alibaba 的开源多智能体 AI 操作系统（附架构详解）一个聊天软件里。一个 JAR 包自部署，数据不出门。过去一年，AI 产品爆发式增长。但如果你认真看，大多数产品只做了一层：

Spring Boot + Spring AI 实战：从零构建企业级 AI 应用随着大模型技术的快速发展，AI 应用开发已经从 Python 专属扩展到多语言生态。Spring AI 作为 Spring 官方推出的 AI 工程化框架，让 Java 开发者能够以熟悉的 Spring 编程模型快速构建企业级 AI 应用。本文将从零开始，详细介绍如何使用 Spring Boot 3.5 和 Spring AI 1.0 构建一个完整的 AI 应用，涵盖 ChatClient API、Tool Calling、RAG 检索增强、向量数据库集成等核心功能。通过本文，你将掌握 Spring AI

最初的↘那颗心

Agent 实战：构建第一个 Agent 与记忆系统设计导读：当你的 AI 应用从"一问一答"升级为"自主完成任务"，Agent 就登场了。但 Agent 不只是能调工具的聊天机器人——它还需要"记忆"。本文将从零开始，带你用 Spring AI 构建一个具备工具调用能力的个人助理 Agent，再逐步为它装上三层记忆系统（工作记忆、历史压缩、长期记忆），让它真正"记住"用户、理解上下文。全文涵盖设计思路、核心代码与踩坑经验，适合有 Spring Boot 基础的开发者阅读。