spring ai

Spring AI实现对话聊天-流式输出目录1.版本选择2.完整代码实现3.效果当前Spring AI 最新正式版本为1.1.2，我们使用这个版本，对应的springboot版本Spring Boot >= 3.5.0 and < 4.0.0

要开心吖ZSH

Spring AI Alibaba 个人学习笔记https://java2ai.com/docs/1.0.0.2/overview/?spm=5176.29160081.0.0.62682498rm0RnD

库里不会投三分

谢飞机面试记：从JVM到Spring AI的3轮灵魂拷问（音视频+AI招聘双场景）面试官：张工，某一线大厂音视频中台&AI招聘平台双线技术负责人求职者：谢飞机，三年Java经验，简历写着「精通Spring全家桶，熟悉AI Agent」，实际靠《Java编程思想》前3章撑场子

基于 Spring AI 与 Streamable HTTP 构建 MCP Server 实践面向专家读者的实战文章，目标是把“模型驱动工具调用（MCP）”从协议、架构到工程落地完整走通。本文强调可扩展、可观测与生产级交付。

没有腰的嘟嘟嘟

[特殊字符] 本地部署 Qwen3:4B 大模型并使用 Spring Boot 对接实践指南前往 Ollama 官网下载并安装适用于你操作系统的客户端（支持 macOS、Windows 和 Linux）。

AI 2.0 时代全栈开发实战：从 Spring AI 到 MLOps 的进阶指南随着生成式 AI 的爆发，开发者正面临从“传统开发”向“AI 原生开发”的转型。本系列文章旨在通过实战导向，带你深度掌握 AI 应用开发的核心技术栈。

AI 学习与实战系列：Spring AI + MCP 深度实战——构建标准化、可扩展的智能 Agent 系统在人工智能应用爆发的今天，开发者面临的最大挑战之一已不再是单纯的模型调用，而是如何让模型“理解”并“操作”企业内部纷繁复杂的业务数据与工具系统。早期的 AI 集成往往是“烟囱式”的：为每一个特定的工具编写专属的适配器，为每一种数据源编写复杂的清洗逻辑。这种做法在 Agent（智能体）规模扩大时，会导致代码难以维护、扩展性极差。

深度实战：Spring AI 与 MCP（Model Context Protocol）构建下一代 AI Agent在过去的两年中，生成式 AI（AIGC）经历了从单纯的“聊天对话”向“自主决策”的跨越式发展。早期的 LLM 只是一个庞大的知识库，它能吟诗作对，却无法感知实时世界，也无法操作具体的软件工具。为了解决这一局限性，AI Agent（智能体）的概念应运而生。Agent 的核心在于其“行动能力”，即通过 Tool Calling（工具调用）机制，连接数据库、API 和本地文件系统。

Spring AI + MCP 实战：构建企业级 Agent 生态的基石在人工智能技术飞速发展的当下，我们已经从最初的“对话式 AI”迈向了“代理式 AI (Agentic AI)”的新阶段。早期的 AI 应用主要依赖于 Prompt Engineering，通过精巧的提示词引导模型输出。然而，随着企业级需求的复杂化，模型需要能够直接访问实时数据、操作外部工具并进行多步推理。这种需求催生了 LangChain、AutoGPT 等框架的兴起。

Spring AI + MCP 实战：构建下一代智能 Agent 应用在人工智能技术飞速发展的今天，我们正经历着从“对话式 AI”向“代理式 AI（Agentic AI）”的重大范式转移。早期的 LLM 应用大多局限于简单的问答（RAG 或直接对话），用户输入 Prompt，模型输出文本。然而，这种模式存在一个致命的弱点：模型被困在了“数字真空”中，无法感知实时数据，也无法对真实世界产生物理影响。

Spring AI + MCP 实战：构建标准化、可扩展的 AI Agent 架构体系在生成式 AI 爆发的初期，开发者主要关注的是如何通过 Prompt Engineering 调用大模型（LLM）的 API。然而，随着应用场景的深入，我们发现单纯的“对话”远不能满足业务需求。AI 必须能够感知外部世界、操作外部工具，这就是所谓的 AI Agent（智能体）。

Spring AI + MCP 实战：构建标准化 AI 智能代理与上下文集成在人工智能技术浪潮中，大语言模型（LLM）的演进已经从单纯的“聊天对话”进化到了“智能代理（Agent）”阶段。早期的 AI 应用开发往往陷入一种“胶水代码”的泥潭：开发者需要为每一个外部工具、每一份私有文档编写繁琐的适配器代码。随着 Anthropic 发布了 Model Context Protocol（MCP，模型上下文协议），这一局面正在发生根本性的变化。对于广大 Java 开发者而言，Spring AI 框架敏锐地捕捉到了这一趋势，通过深度集成 MCP，为构建标准化、可扩展的 AI 应用提供了坚

递归尽头是星辰

大模型与向量检索的融合：从核心原理到 Spring AI 落地本文系统梳理大模型与向量检索的完整知识体系，从基础概念、核心技术模块出发，深入剖析二者基于 RAG 的协同融合机制，结合Spring AI实现工业级落地实践，并针对工程化部署、性能优化给出可落地的解决方案。内容覆盖嵌入模型、向量检索算法 / 数据库、RAG 基础 / 进阶流程、多场景应用。

第 5 篇 Spring AI - Tool Calling 全面解析：从基础到高级应用🚀 本文内容：详细了解 Spring AI 提供的 Tool Calling 的相关概念、定义方法、工具 API。

Javaluator 与 Spring AI 深度集成：构建智能表达式计算工具点击链接即可快速访问在 AI 驱动的应用中，大语言模型（LLM）经常需要处理数学计算、公式评估等精确数值任务。然而，LLM 本身在数学计算方面存在局限性——它们擅长理解和生成文本，但在精确计算方面可能出错。Javaluator 作为强大的 Java 表达式计算器，正好可以弥补这一短板。

Spring AI + Elasticsearch：语义/关键字/混合检索与知识问答目录简介环境介绍演示效果知识库内容文件分块向量化语义检索关键字检索混合检索编辑普通问答知识库问答环境搭建

Spring-AI Agent Skills 赋予AI智能体“即插即用”的专业超能力Agent Skills 正在重新定义我们与 AI 的协作方式。它不再要求我们成为高明的 “提示词巫师”，而是鼓励我们成为技能架构师。

谷哥的小弟

Brave Search MCP服务器安装以及客户端连接配置Brave Search 是一个由开发隐私浏览器 Brave 的公司推出的独立搜索引擎，其核心特点是专注于用户隐私保护，承诺不追踪用户的搜索历史或个人数据。与依赖谷歌、必应等第三方索引的传统搜索引擎不同，它主要基于自己构建的独立网络索引（约92%的查询来自自有索引）来提供结果，确保了技术自主性。该搜索引擎可通过网页端 search.brave.com 访问，并深度集成于Brave浏览器中作为默认引擎，其商业模式主要依靠与搜索词相关、而非基于用户追踪的广告。除了基本搜索，它还提供特色功能如允许用户自定义结果

LLM - 将业务 SOP 变成 AI 能力：用 Skill + MCP 驱动 Spring AI 应用落地不完全指南在大模型时代，Agent 已经从「会聊天的机器人」进化为「能完成复杂任务的数字员工」。要让 Agent 真正落地到业务场景，绕不开两个关键能力：接入外部世界，以及复用成熟的方法论与流程。

大厂面试实录：Spring Boot源码深度解析+Redis缓存架构+RAG智能检索，谢飞机的AI电商面试之旅又是一年招聘季，某知名电商平台正在招聘高级Java开发工程师。谢飞机，一名自称"全栈工程师"的程序员，今天来到了面试现场。面试官是一位技术深厚的架构师，让我们来看看这场面试会发生什么有趣的故事...