springai

Spring AI 接入已有 Java 项目的三种架构设计Spring AI 真正进入现有 Java 系统时，首先需要解决的是 AI 能力应该放在哪个位置。实际设计可以归纳为三种典型方式：直接嵌入现有服务、独立建设 AI Service，以及为旧系统旁路增加 AI 服务。三种方式分别对应不同的业务规模、复用范围和改造成本。

Spring AI 流式输出：Flux + SSE 打字机，回答不再干等三秒作者：鱼宵｜ Spring AI 实战精通营 · 第 5 篇前阵子帮同事调一个 AI 客服页面：用户点"提问"之后，页面要白白地干等三秒多，整段回答才一口气蹦出来。有个用户没忍住，连点了三次——后来翻后台日志，同一个问题请求了三遍。问题出在哪？前四节课我们写的 call() 是阻塞式：模型把整段回答生成完之前，一个字都不给你。ChatGPT 那种字一个接一个往外蹦的打字机效果，Spring AI 里只要把 call() 换成 stream() 就行。

Spring AI 生产化改造：记忆落 Redis、向量落 ES，重启再也不丢作者：鱼宵｜ Spring AI 实战精通营 · 第 11 篇上一课我们攒出了一个能跑的企业智能客服，自己看着挺美——直到我重启了一下进程，然后当着同事的面问它"我刚才叫你什么来着"，它一脸懵地回我"您好，请问有什么可以帮您"。更绝的是，公司那 12 条 FAQ 知识库也跟着一起没了，启动日志重新打印"入库 12 条"——等于每次重启都得重新教一遍。

云和数据.ChenGuang

langchain4j InMemoryEmbeddingStore常用的方法接口：EmbeddingStore<T>，实现类 InMemoryEmbeddingStore<T> ✅ 推荐新版：search(EmbeddingSearchRequest) ⚠️ findRelevant 属于旧版default方法，新版本标记废弃，仅做兼容

做个文艺程序员

MinIO第07篇：基于MinIO + Spring AI + pgvector构建RAG知识库（Java全栈实战）系列导读：前六篇我们完成了从架构认知、Spring Boot集成、大文件分片上传、多租户隔离、事件驱动架构到分布式部署的完整链路。这一篇是系列的收官之作，我们将把MinIO从“文件存储工具”升级为“AI数据底座”——用Spring Boot 3 + Spring AI + MinIO + PostgreSQL/pgvector构建一个完整的RAG（检索增强生成）知识库系统。

Spring AI 提示词模板：{变量} 参数化 + few-shot，一条提示词反复用作者：鱼宵｜ Spring AI 实战精通营 · 第 2 篇上周拿第 1 课那个翻译接口改需求：产品说"同一句话，要能翻商务版、口语版、文艺版"。我的第一反应是再写两个接口，把 system() 里的提示词复制三遍、改两个字。写到第三个风格时我自己都烦了——提示词骨架一个字没动，就"风格"两个字不一样，凭什么复制三遍？

Spring AI 初体验：配好 yml 就能聊，ChatClient 四步链式调用作者：鱼宵｜ Spring AI 实战精通营 · 第 1 篇上周有个同事在群里发了张截图：一个 Spring Boot 工程，代码里从头到尾没出现一个"模型"类，跑起来却能和人一问一答。我第一反应是又有什么黑魔法。后来把工程 clone 下来亲手跑了一遍才发现，原来是 Spring 官方出了个叫 Spring AI 的框架——把大模型接入做成了"配数据库"一样的事：改 yml、注入一个 ChatClient、写个接口，完事。

Spring AI 工具调用：@Tool 让大模型自己查订单查库存作者：鱼宵｜ Spring AI 实战精通营 · 第 4 篇上一课模型会算钱了，但你发现没有——那个价目表是我们手写死在 system 里的假数。真实业务哪有这好事：客户在客服窗口问"我订单 1001 现在什么状态"，模型知道你库里这条单发没发货吗？它的训练数据里根本没有你的私有数据。你让它直接答，它要么礼貌拒绝，要么——更完蛋——张嘴瞎编一个物流单号出来。

Spring AI day1(SSE+AI)打开 RagDemoApplication.java，把类上面的注解改成这样：java保存后重启。如果看到 Started RagDemoApplication in x.x seconds，说明启动成功。

云和数据.ChenGuang

JAVAEE AI工程师路线图定位：Java后端 + AI应用落地，不是训练大模型算法岗，而是用Java做RAG、Agent、AI接口封装、AI业务系统、向量库集成，企业需求量最大的方向。技术主线：JavaEE基础 → 云原生Java → AI应用开发 → RAG/Agent工程化 → 项目实战 → 面试

模型三剑客：工具、函数调用与MCP协同之道这三个概念不在同一个层级，是配合起来用的：‌Function Calling 是模型“决定调用哪个工具”的能力，Tool 是具体可执行的功能，MCP 是统一连接工具和模型的标准协议‌。‌‌

Spring AI 2.0 进阶入门：Workflow、Routing、Task State 与可控 Agent前面的学习已经完成了 Memory → RAG → Tool → MCP → Structured Output。这些组件解决了 Agent 能知道什么、能够调用什么以及怎样把结果交给 Java 的问题。

小坏讲微服务

Spring AI 高频面试题20道覆盖基础概念、核心原理、RAG实战、工程优化全维度，适配Java中高级AI应用开发岗位面试。什么是Spring AI？它的核心设计目标是什么？Spring AI是Spring官方推出的AI应用开发框架，核心目标是简化Java开发者接入大模型、向量数据库、RAG等AI能力的流程，提供统一API、模型无关性，让开发者像用Spring Data操作数据库一样轻松集成AI能力，无需关注底层大模型调用细节。

Spring AI 2.0 进阶入门：RAG、Structured Output 与 Agent 信息闭环前篇Spring AI 2.0 Agent 入门与最小实践-CSDN博客的最小 Agent 已经能够记住对话，并通过 Tool 查询数据库或调用 Java 方法。此时还存在两个很现实的问题。

递归尽头是星辰

Java 智能体工程化：从 Spring AI 出发读懂 AgentScope本文承接 Java+AI 工程化实践系列，结合AgentScope 官方文档，建立从上到下梳理五层知识体系；拆解企业级 Agent 系统的五层架构设计；最后通过「订单智能助手」完整实战场景串联核心知识点，给出明确的技术选型边界。帮助开发者从概念到架构建立完整认知，快速判断 Spring AI 与 AgentScope 的适用场景。

Spring AI企业级RAG落地实战：从基础架构到生产级高可用方案在大模型所处的时代当中, RAG也就是检索增强生成, 已然变成了企业去落地私有知识库的核心方案, 同时也是智能问答的核心方案, 还是业务AI助手的核心方案。相比较于对大模型进行微调而言, RAG的成本是更低的, 其数据实时性是更强的, 并且可落地性是更高的, 它能够极其完美地解决大模型存在的知识滞后这一核心痛点, 也能够解决大模型幻觉严重这一核心痛点, 还能够解决大模型无法适配企业私有数据这一核心痛点。

武哥聊编程

【AI实战项目】AI Agent数据分析平台，基于SpringAI+Springboot+Vue+Agent的电商数据分析平台该项目资料获取请点击上方⬆️卡片，然后进入【AI实战库】板块即可搜索到。B站演示视频 https://www.bilibili.com/video/BV1BZgC6UE4r

武哥聊编程

【AI实战项目】基于SpringAI+Springboot+Vue的AI面试刷题训练平台该项目资料获取请点击上方⬆️卡片，然后进入【AI实战库】板块即可搜索到。B站演示视频 https://www.bilibili.com/video/BV1hQKb6QEeJ

AI - Java之SpringAI使用Spring AI is an application framework for AI engineering. Its goal is to apply to the AI domain Spring ecosystem design principles such as portability and modular design and promote using POJOs as the building blocks of an application to the AI domain.

爱吃土豆的马铃薯ㅤㅤㅤㅤㅤㅤㅤㅤㅤ

new AllMiniLmL6V2EmbeddingModel()；相关方法介绍输入一段文本 text，使用 LangChain4j 内置的 All‑MiniLM‑L6‑v2 本地ONNX模型，把文字转换成浮点型向量数组(float[])；如果中间出现任何异常，打印错误日志，返回一段模拟的假向量作为降级兜底，不让程序崩溃。