spring ai

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

智码看视界

Day14-SpringWebFlux与SSE实现AI流式对话接口专栏：《Java后端工程师进阶之路》（Day 14 / 90）主题：从零搭建流式AI聊天后端：SSE协议原理 + WebFlux响应式流 + 前端EventSource接收

业务智能体实战笔记:分层消除不确定性(一)｜总纲:把不确定性从 LLM 侧转移到工程侧系列说明:这是「业务智能体准确率从 65% 到 85%」系列的第一篇,共 5 篇。首篇讲主线和全景,后 4 篇按四层方法论分别展开。文末有系列导读。

行者-全栈开发

【Spring AI 】AI Agent 架构设计：感知、规划、行动、记忆四层模型深度解析（2026最新）💡 摘要: 本文基于我在企业级 Agent 系统开发中的实践经验，深入解析 Agent 的核心架构——感知、规划、行动、记忆四层模型，结合 Spring AI 框架提供完整的企业级实现方案。通过架构图、时序图、代码示例，展示如何构建具备自主决策能力的 AI 智能体。对比 LangChain、AutoGen、CrewAI 等主流框架，提供选型建议。实测数据显示，采用四层架构的 Agent 系统在复杂任务完成率上提升 45%，自主性评分达到 8.7/10。这是通往 AGI（通用人工智能）的关键一步，掌握 A

小沈同学呀

飞书机器人+Spring AI Function Calling实战-扔掉MCP Client让LLM直接操控工具在[上一篇文章](飞书机器人+MCP Client实战-Spring Boot 3智能桥接方案.md)中，我们搭建了一个完整的 MCP Client，通过 MCP 协议连接 MCP Server，实现了飞书机器人 → LLM 智能决策 → MCP 工具调用的全链路。

Spring Ai SpringBoot集成DeepSeekSpringBoot傻瓜式集成DeepSeek demo基础信息：jdk 21， springBoot 3.x.x

Spring AI Chat Memory 实战：用 JDBC 给 Java Agent 加会话记忆摘要：很多 Java AI Demo 都是一次性问答：用户问一句，模型回一句，请求结束后上下文也没了。真实业务里的客服助手、需求分析助手、运维问答 Agent，往往需要按会话保存历史消息，让第二轮、第三轮回答能接上前面的语境。本文基于 Spring AI 官方 Chat Memory / Advisor 文档，演示如何用 MessageWindowChatMemory、JdbcChatMemoryRepository 和 MessageChatMemoryAdvisor 给 Spring Boot + S

Spring AI Structured Output 实战：把大模型返回稳定转成 Java DTO摘要：很多 Java 项目接入大模型后，第一版代码通常是拿到一段自然语言，然后在业务里硬切字符串、找关键字、甚至让前端自己猜字段。Demo 可以这样玩，生产系统不行。只要后续要落库、走审批流、触发任务、展示结构化卡片，就必须把模型输出稳定转换成 Java DTO。本文基于 Spring AI 官方 Structured Output Converter 文档，演示如何用 BeanOutputConverter / MapOutputConverter 把模型输出约束为结构化 JSON，并补充字段校验、解析

Spring AI：把大模型接进 Spring 应用很多 Java 团队开始做大模型应用时，第一反应是去看 Python 生态。LangChain、LlamaIndex 很成熟，示例也多，但当系统真正要接入登录态、权限、订单、工单、知识库、审计和发布流程时，问题往往不在“怎么调一次模型”，而在“怎么把模型能力放进已有后端工程”。

行者-全栈开发

Spring AI RAG 效果评估：如何科学衡量 RAG 系统的准确率和召回率？（附评估代码）💡 摘要：本文基于我在某电商客服系统和企业知识库的评估实践，深入讲解 RAG 系统的四大核心评估指标：检索准确率（Precision）、召回率（Recall）、F1 分数、归一化折损累计增益（NDCG）。通过真实数据集实测，展示如何构建评估框架、标注测试集、计算各项指标、生成可视化报告。全文包含 6 个代码示例、5 个评估公式、3 个 Mermaid 图表，适合有 RAG 基础的开发者学习参考。

Spring AI Tool Calling 实战：让 Java Agent 调用本地 Bean 工具方法摘要：很多 Java 后端已经听过 Agent、MCP、工具调用，但真正落地到 Spring Boot 项目时，第一步通常不是接一套复杂的远程工具协议，而是先把本地服务里的一个 Bean 方法安全地暴露给模型调用。本文基于 Spring AI 官方 Tool Calling 文档，演示如何用 @Tool 把普通 Java 方法注册成工具，并补充参数、返回值、异常、上下文、日志和生产边界。读完后，你应该能搭出一个最小可用的 Spring AI Tool Calling 骨架，并知道哪些代码不能直接交给模型调

小沈同学呀

SpringAI+MCPClient实战-MiniMax模型打造智能AIAgent各位好，上一篇我们聊了 MCP Server 端的架构设计和实战代码，今天来聊聊 MCP Client 端。在实际项目中，MCP Client 才是真正面向用户的 AI 应用核心，它负责连接各种 MCP Server，自动发现并调用工具，让大模型具备"动手"的能力。

没有腰的嘟嘟嘟

Easy-agent介绍目前，我的工作主要聚焦于 Agent 和 SKILL 相关领域。随着公司多个项目完成 Agent 化升级，我将项目集成 Agent 架构的经验进行总结和封装，最终开发出一个可复用组件——Easy-agent。

大厂 Java 面试实战：从 Spring Boot 微服务到 AI RAG 音视频平台全链路解析场景：互联网大厂——“云声视频内容社区”（音视频 + UGC + AIGC）角色：老程：我们是做音视频内容社区的，类似短视频 + 直播 + UGC 图文内容，还有 AIGC 文本 + 图片生成，做推荐、搜索、IM、支付和本地生活服务，你就按你熟悉的技术栈来聊。准备好了我们开始。

要开心吖ZSH

AI医疗分诊与健康咨询助手agent开发——（2）让AI输出可控：结构化分诊与安全规则上一篇： AI医疗分诊与健康咨询助手agent开发——（1）从零搭建SpringBoot与AI对话系统:后端骨架 + 前端对话页 + SSE流式输出下一篇：AI医疗分诊与健康咨询助手agent开发——（3）从零到一，终于搞懂了 Agent 是什么？

Spring AI MCP Client 实战：让 Java 后端通过 stdio 调用本地工具服务摘要：本文用一个最小可落地的 Spring Boot 示例，讲清楚 Java 后端如何通过 Spring AI MCP Client 以 stdio 方式连接本地 MCP 工具服务。适合已经了解 Spring Boot，但还没把 MCP 真正接入 Java 项目的后端工程师。读完后你会知道依赖怎么加、配置怎么写、stdio server 怎么启动、工具如何暴露给 ChatClient，以及生产落地时最容易踩的超时、路径、进程和 Windows 命令包装问题。

MateCloud微服务

从源码设计看 MateClaw v1.5.0：Goal Checklist、LLM Wiki 自维护与 Memory 隔离MateClaw v1.5.0 的核心不是简单增加几个功能入口，而是把 Agent 运行时里的三个关键状态结构化：目标从完成度评分变成 checklist 验收；LLM Wiki 从检索型知识库升级为可互联、可分层、可触发流水线的知识引擎；Memory 增加 owner/scope，支持多人使用时的记忆隔离。本文从设计思路、源码模块和运行截图三个角度拆解这次更新。