spring ai

Spring AI Alibaba零基础速成（3） ---- ChatClient使用ChatModel 是 SpringAI 的底层核心接口，它定义了所有大模型统一的调用规范，是最原始、最基础的调用层。

【第54篇】Graph + Langfuse 可观测性实战🙅‍♀️：正在构建 AI Agent 应用、关心"我的图节点到底在干什么"的 Java 开发者。传统的 Spring Boot 应用打日志就够了，但 AI 应用不同——一次用户请求可能要经过 5~7 个图节点，每个节点都在和大模型对话。如果某个节点"卡住了"或者"胡说八道了"，你很难从一堆日志里找出罪魁祸首。

Spring AI RAG - 07 AOP 日志记录与热词统计知识库系统的运营离不开两类数据：用户在问什么（热词分析）、系统在做什么（操作日志）。前者帮助优化知识库内容，后者用于审计和排障。

Spring AI RAG - 14 网络检索增强：Web Search 集成RAG 系统的知识范围天然受限于已上传的文档。如果用户问的是"今天的股市行情"或"最新版本的 Spring AI"，再完美的内部知识库也无能为力——这些信息根本没有被入库过。

Spring AI RAG - 10 来源追溯：自定义 Advisor 实现“AI 说的对吗？我能在哪里查证？”——这是知识库系统用户最常问的两个问题。一个回答如果没有来源，就只能算大模型的"自由发挥"，可信度大打折扣。

恼书:-(空寄

Spring AI实战｜ChatMemory Advisor记忆优化：Redis + Kryo持久化方案在Spring AI多轮对话开发中，有一个高频痛点：LLM天然无状态，无法记住上下文。该框架下提供的ChatMemory体系的核心接口，就是解决这个问题；而ChatMemory Advisor（记忆顾问）则是“无感记忆”的关键，它能自动拦截对话请求、注入历史上下文、保存新消息，无需手动处理会话状态。

ai-agent框架spring ai/alibaba原理源码分析(三) 外部调用III-skillsspring 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，更可以改造框架，增加新特性，贡献Spring AI Alibaba的发展。

大龄码农有梦想

Spring AI Alibaba和CrewAI：多智能体开源框架对比与选型随着 AI 智能体技术的快速发展，多智能体协作和工作流编排已成为构建复杂 AI 应用的核心能力。在当前的技术生态中，CrewAI作为 Python 生态的领军者，以其“人类团队协作” 的设计理念和简洁的 API 赢得了广泛关注；而Spring AI Alibaba则作为 Java 生态的后起之秀，凭借其深度融合 Spring 生态的企业级特性和强大的 Graph 编排引擎，正在迅速崛起。

【第39篇】spring-ai-alibaba-graph-example学习路径概览spring-ai-alibaba-graph-example这个项目有 18 个子模块，我按难度分成 5 个级别：

【第35篇】文本摘要微服务一个基于 Spring AI Alibaba 框架的文本摘要微服务，核心能力：代码总量仅 4 个文件，完美演绎“最小可行 AI 服务”的构建范式。

（第三篇）Spring AI 架构设计与优化：容器化与云原生部署，基于 K8s 的 AI 应用全生命周期管理大家好，我是深耕 Spring AI 架构的后端开发。在这个系列的前两篇文章里，我给大家分享了万级 QPS 分布式架构搭建、全链路可观察性体系落地的实战经验。但架构和监控搭完，真正的线上运维难题才刚刚开始：本地能跑的 AI 服务，到线上就因为环境不一致报错；高峰期要扩容，手动装 JDK、配环境搞了半个多小时，错过了流量峰值；发布新版本要一台台重启虚拟机，回滚慢、风险高，还经常出现 “一半成功一半失败” 的尴尬局面。

行者-全栈开发

GPT-4 vs Claude vs 通义千问：Spring AI 接入三大模型对比测评（2026最新）💡 摘要: 本文深入讲解 Spring AI 中 ChatModel 的核心原理和实战应用，涵盖 OpenAI GPT-4/3.5、Anthropic Claude、阿里通义千问等主流大模型的接入配置。通过详细对比各模型的性能、成本、适用场景，提供企业级模型选型指南。包含完整的多模型切换实现、8 个常见问题的解决方案，是构建生产级 AI 应用的必备技术指南。

【第32篇】场景示例项目本项目演示如何同时向多个 AI 模型（本地 Ollama 与云端 DashScope）发起请求，并将各自流式生成的回复实时推送到前端。用户可以像同时咨询多个专家一样，看到不同模型的观点逐词“生长”出来。后端基于 Spring AI Alibaba 和 Spring WebFlux，前端使用 Next.js + Ant Design X，通过 Server-Sent Events (SSE) 实现单向实时推送。

【第27篇】Micrometer + Zipkin从零开始，手把手教你用 Spring AI Alibaba + Micrometer + Zipkin 搭建完整的 AI 应用可观测体系。无需阿里云 ARMS，完全开源免费。

【第28篇】可观测性实战：LangFuse 方案详解手把手教你为 AI 应用接入专有的可观测平台，追踪每一次模型调用、Token 消耗与成本。在前文中，我们分别介绍了 ARMS（阿里云商业方案，需挂载 Java Agent）和 Zipkin（开源通用链路追踪，基于 Micrometer + Brave）。这两个方案都能帮我们“看到” AI 应用内部发生了什么，但它们并不是为 AI 场景量身定做的——比如，你无法直接看到某次对话消耗了多少 Token、花了多少钱。

一叶飘零_sweeeet

2026 年 Java 面试必问：Spring AI 核心原理，90% 人答不全Spring AI 已经成为 2026 年 Java 后端面试的必考点，几乎所有中高级岗位都会问到。但绝大多数开发者只会写几行调用大模型的代码，对其底层原理一无所知，面试时一问就卡壳。

【开篇】Spring AI、OpenClaw 和HermesSpring AI、OpenClaw 、Hermes它们的差异主要体现在三个方面：到这里，三款工具的选择逻辑也就清晰了。

Spring AI 实战：如何使用 MCP Server 搭建 MCP 天气查询服务想象一下，你正在开发一个智能出行助手。用户问：“我明天去北京出差，需要带伞吗？” 大模型本身没有实时数据，它的知识截止于训练日期，无法知道明天的天气预报。这时候，你的 AI 需要一个工具（Tool）来获取实时天气。

行者-全栈开发

Spring AI + GPT-4 实战：API Key 安全管理与企业级集成方案（避坑指南）💡 摘要: 本文深入讲解 Spring AI 项目中 OpenAI API 集成的企业级实践，涵盖 API Key 安全管理策略、统一请求封装组件、完整错误处理机制等核心内容。通过对比硬编码、配置文件、环境变量、密钥管理服务等多种方案，提供生产级的密钥管理最佳实践。包含完整的代码示例和 8 个常见安全问题的解决方案，是企业级 AI 应用开发的必备指南。

Spring AI 实战：如何使用 MCP Client 接入 MCP 天气查询服务上一篇文章，我们搭建了一个 MCP 天气服务（Server），它运行在 localhost:8888，对外暴露了 get_weather 工具。但 Server 本身不会说话——它只会安静地等待被调用。