spring ai

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

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。

古法老登瞎折腾

大数据智能运维实战（八）：从调度任务追到计算引擎——补齐排查链路系列：Spring AI + MCP——大数据智能运维实战本篇目标：以模拟 Hive 作业为例，从准确的调度运行追到引擎记录；关联缺失或冲突时保留边界。阅读基础：第七篇的 taskId、runId、attemptId；沿用 lab-07-12 与 Java 17、Spring Boot 4.1.0、Spring AI 2.0.1。案例说明：全部标识、回执、状态和数据均为虚构；不连接真实 Hive、YARN 或调度平台。

llama.cpp + SpringBoot3：本地部署 Qwen3.8，接入 AgentOS 企业办公智能体模型的健康接口返回正常后，员工仍可能无法登录工作台，或无法查询业务数据。部署企业智能体时，需要把推理服务、应用配置、平台身份和业务任务连成一条可验证的链路。

03.Spring AI Embedding 实战：从向量化原理到项目落地Embedding（向量化）是指把文本、图片、音频等非结构化数据，通过模型映射为一段固定维度的浮点数向量。这段向量可以理解为数据在高维语义空间中的“坐标”，语义越接近的内容，其向量在空间中的距离也越近。

Java小生不才

SPRING AI向量化Vetor(向量)是用于表示具有大小和方向的量嵌入(Embedding)的工作原理是将文本、图像和视频转换为称为向量（Vectors）的浮点数数组。这些向量旨在捕捉文本、图像和视频的含义。嵌入数组的长度称为向量的维度（Dimensionality）。嵌入模型（EmbeddingModel）是嵌入过程中采用的模型。当前EmbeddingModel的接口主要用于将文本转换为数值向量，接口的设计主要围绕这两个目标展开：

古法老登瞎折腾

大数据智能运维实战（三）：实现第一个运维 MCP 工具——查询节点与组件状态系列：Spring AI + MCP——大数据智能运维实战本篇目标：把教学数据封装成可发现、可调用、可检查结果的 MCP 工具，回答“有哪些节点，分别运行什么组件”。技术基线：Java 17、Spring Boot 4.1.0、Spring AI 2.0.1、Maven 3.6.3+；配套调用脚本使用 Python 3 标准库。案例说明：人物、平台、节点和数据均为虚构教学设定。示例独立设计，不对应任何真实生产系统。

古法老登瞎折腾

大数据智能运维实战（六）：任务一直在等——排查调度队列与执行资源系列：Spring AI + MCP——大数据智能运维实战本篇目标：结合运行阶段、调度原因、执行节点槽位和计算队列记录，逐步缩小“任务一直在等”的范围。阅读基础：沿用 lab-03-06 工程；Java 17、Spring Boot 4.1.0、Spring AI 2.0.1。案例说明：平台、调度规则、队列、运行标识及数据均为虚构教学设定，不对应真实平台实现。

古法老登瞎折腾

大数据智能运维实战（一）：机器和任务数据都有了，如何用 MCP 搭建运维助手？系列：Spring AI + MCP——大数据智能运维实战本篇目标：从一次任务延迟出发，梳理运维助手需要哪些数据，以及 Spring AI、MCP 和已有平台分别负责什么。阅读基础：了解 Spring Boot，知道接口和数据库查询的基本概念即可。案例说明：本系列中的人物、平台、节点、任务和数据均为虚构教学设定，示例独立设计，不对应任何真实生产系统。

玩转 Spring AI 第二篇：RAG 落地——Redis 向量库、按空行切分的自定义 Splitter，和 pom 里两个“引而未用“的依赖💡 系列第一篇把这套 Spring AI 工程的骨架和第一次对话跑通了，这一篇进入最容易"被跑通骗过去"的一章：RAG。前端拖一个 txt 进去，问一句文档里的事，模型真就答出来了——看起来无非是"往向量库里塞了点东西，再取出来拼进提示词"。

古法老登瞎折腾

大数据智能运维实战（二）：准备一个可复现的运维实验环境系列：Spring AI + MCP——大数据智能运维实战本篇目标：用一个可以直接运行的 Java 文件，准备节点、组件、指标、任务运行和日志样本，复现四种运维场景。阅读基础：了解 Java 基础语法；运行示例需要 JDK 17。案例说明：人物、平台、节点、任务、日志和数据均为虚构教学设定。示例独立设计，不对应任何真实生产系统。

MCP实战手记（十一）：MCP接飞书，从机器人到事件订阅的三层深度接入本文聚焦飞书三层接入（机器人Webhook/自建应用卡片/长连接事件订阅）+钉钉横向对比。CSDN上"飞书对接"的实战文不少，但"飞书+长连接事件订阅+MCP双向闭环"的完整跑通几乎空白。飞书开放平台对MCP最友好：个人手机号就能建团队，本文所有实测都不需要企业资质、不需要公网服务器，一条WebSocket长连接把"群里@机器人→调@Tool→回卡片消息"打通，按open_id做多租户数据隔离，全程走飞书事件订阅。

Spring AI+Vue3 企业知识库设计：让每个答案有依据，让每份资料守住权限🌐 文档地址：https://ruoyioffice.com 👇 文章底部获取源码和演示地址 👇 💬 ：17156169080（获取产品咨询）

做个文艺程序员

MQ第10篇：RAG与消息队列实战：Java构建AI客服系统的检索增强生成完整架构摘要：本文深入RAG（检索增强生成）的工程实现，用Spring AI的VectorStore + RetrievalAugmentationAdvisor + RocketMQ构建完整的AI客服系统架构。从“不是让AI记住所有知识，而是开卷考试”的核心原理讲起，拆解知识库异步更新管道和用户请求异步处理链路，用RocketMQ LiteTopic实现多租户SaaS下的会话级隔离。全文配架构图、时序图、可直接运行的Spring Boot代码，以及5个生产环境必知的核心决策点。适合正在构建企业级AI客服、智能问

给 Agent 加了 Redis 还是跨会话失忆，我排查后发现少了一层前段时间做了个内部 AI 助手，接的是 Spring AI，给 ChatClient 挂上了 MessageWindowChatMemory，Redis 存对话历史，跑起来感觉很顺。直到有用户反馈：「我上周告诉过它我不喜欢代码里有 magic number，这周它又给我生成了一堆。」

工程地基、Provider 与 ReAct 循环：Agent 核心能力的设计、实现与验收简介：先用一个 init skill 把工程地基一次起好，再写 Agent 的前两块核心能力：对接大模型的 Provider 和负责调度的 ReAct 循环

海南java第二人

Spring AI 拦截器实现 RAG 检索的两种方式在 Spring AI 中，Advisor API 本质上就是对话调用链上的拦截器。它位于用户 Prompt 和大模型调用之间，可以在请求发出前对 Prompt 做增强，也可以在响应返回后做处理。

Spring AI Alibaba Graph框架实现RAG私有知识库问答目录前言一、先聊背景：为什么需要 RAG？二、最终目标三、环境准备3.1 技术栈3.2 安装与启动 Redis Stack

2026 后端 AI 工程化：Spring AI 2.0、MCP 协议与 Agent 内嵌如何收进 Java 生产系统2026 年的后端 AI 集成，已经从“能不能调通一个大模型接口”变成了“怎么把模型能力稳定地收进现有 Java 系统”的工程问题。一个熟练的后端工程师可以在半天内用几十行代码跑通一次对话调用；但要在已经承载核心业务的 Spring Boot 系统里长期运行，还必须回答一系列老问题：超时怎么设、失败怎么降级、限流按什么维度做、成本怎么核算到业务、写操作越权了谁负责。

MCP Server 开发实战：Spring AI 把后端日志查询暴露给 AI Agent（7 条设计原则与踩坑实录）让 AI Agent 参与故障排查，是 AIOps 落地里最自然的场景：值班同学对着对话窗口说一句"帮我看看 192.168.1.10 昨天上午有没有 error"，Agent 就该自己去查日志、聚合统计、给出结论。但要做到这一点，后端必须把查询能力"翻译"成大模型能理解、能调用的工具——这就是 MCP（Model Context Protocol）要解决的问题。