springai

【SpringAI】认识与应用开发AI，人工智能（Artificial Intelligence），使机器能够像人类一样思考、学习和解决问题的技术。

冲上云霄的Jayden

Spring Ai WebClient、RestClient设置代理开开心心对接完大模型接口，测试没问题准备下下班时，突然来了个异常：那么恭喜你，又要打怪升级了。大意是大模型厂商限制你所在的地区调用API。

学java的冲鸭

【SpringAI第四章】函数调用Spring AI 的函数调用（Function Calling）功能允许大语言模型在生成回答时触发预定义的外部函数，从而实现动态数据获取或业务逻辑操作（如查询数据库、调用 API 等）。

SpringAI：RAG 最佳实践与调优摘要：本文围绕 RAG 四大核心步骤展开，提供可落地的实战技巧与最佳实践。下面我们还؜؜؜؜؜؜؜是从实现 RAG⁠⁠⁠⁠⁠⁠ ⁠的 4 大核心‏‏‏‏‏‏步骤‏，来实战 R‌‌‌‌‌‌AG ‌开发的最佳‏‏‏‏‏‏实践和‏优化技巧。

Spring AI 中的 Flux 与 SSE：流式输出完全解析深入理解 Spring AI 如何实现大模型的流式响应在大模型（LLM）对话场景中，流式输出（Streaming）至关重要：

（第四篇）Spring AI 实战进阶：Ollama+Spring AI 构建离线私有化 AI 服务（脱离 API 密钥的完整方案）作为企业级开发者，我们在使用大模型时常常面临三大痛点：依赖第三方 API 密钥导致的成本不可控、外网依赖导致的合规风险、用户数据上传第三方平台导致的安全隐患。尤其是金融、政务等敏感行业，离线私有化部署几乎是硬性要求。

SpringAI快速入门AI, 人工智能(Artificial Intelligence) , 是指通过计算机系统模拟⼈类智能的技术, 通过这种技术, 他可以实现⼈类的认知和思维活动, 从而可以完成许多复杂的任务, 比如学习, 推理决策等. 本质就是通过算法和数据, 让机器具备类人能力.

SpringAI提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档SpringAI的学习笔记embedding：将一长串文本转换成多维向量，比如1024维，然后通过余弦不等式计算相似度，可以用于做推荐系统。相关不重要的资料，是将演员简介全部转换为向量，然后新用户点击后，寻找和他加权平均向量链值最接近的用户，推荐新用户没看过的，即用embedding实现协同过滤。 RAG：将知识库前篇后匹配用户问题，并返回

SpringAI Alibaba（一）Agents 将大语言模型与工具结合，创建具备任务推理、工具使用决策、工具调用的自动化系统，系统具备持续推理、工具调用的循环迭代能力，直至问题解决。

Spring AI Alibaba 快速入门：基于通义千问的AI应用开发环境搭建导读：本文面向有一定 Spring Boot 经验、希望快速落地 AI 能力的 Java 开发者。文章从零开始，带你理解 Spring AI Alibaba 与 Spring AI 的关系，完成环境搭建，并跑通第一个可对话的 ChatClient 示例。预计阅读时间 20 分钟。

Spring AI Alibaba Function Calling：外部工具集成与业务函数注册导读：Function Calling（工具调用）是让 AI 从"纸上谈兵"走向"真正干活"的关键能力。本文深入讲解如何用 Spring AI Alibaba 1.1 版让大模型调用你的 Java 方法、查询数据库、访问第三方 API，并覆盖并行调用、参数校验、权限控制等生产级细节。

Spring AI Alibaba 项目初始化：Maven依赖与YAML配置全解析导读：上一篇完成了第一个 Hello World，本文将系统性地讲解企业级 Spring AI Alibaba 项目的配置体系——从 BOM 版本对齐到多模型并存，从 Profile 环境隔离到三级 ChatOptions 覆盖机制。读完这篇，你可以直接拿配置模板进公司项目用。

Spring AI Alibaba 向量数据库集成：Milvus与Elasticsearch配置详解导读：向量数据库是 RAG 系统的"基础设施"，选型和调优直接影响检索质量和系统性能。本文深入讲解 Milvus 和 Elasticsearch 的生产级集成方案，覆盖索引类型选择、性能调优参数、元数据过滤查询以及数据备份恢复策略。

Spring AI Alibaba ChatClient实战：流式输出与多轮对话管理导读：本文聚焦于生产实战场景，深入剖析 ChatClient 的 Fluent API 设计哲学、Flux 响应式流式输出的前后端协作模式、基于 ChatMemory 的多轮对话状态管理，以及企业级必须面对的异常治理与性能优化方案。

Spring AI Alibaba 多模态开发：集成视觉理解与视频分析能力导读：多模态是当前大模型最热的能力扩展方向——不只是"聊天"，而是真正能"看图"、“看视频”、“生图”。本文基于 Spring AI Alibaba 1.1 版，系统讲解多模态架构设计、图文混合 API 调用、视频理解以及文生图能力，并结合三个真实业务场景给出完整代码示例。

Spring AI Alibaba 文档智能处理：PDF、Markdown知识入库全链路导读：知识库的质量上限由文档处理质量决定。本文深入讲解 Spring AI Alibaba 的文档加载、内容清洗、智能分块、元数据增强、增量更新与异步向量化管道的全链路实现，这些细节决定了 RAG 系统的天花板。

SpringAI2.0 Tool Calling 进阶：动态模式、ToolContext 与隐式解析在企业级AI应用开发中，函数调用（Tool Calling）早已从「炫技」演变为「刚需」。当你的智能客服需要查询客户订单、当你的金融风控系统需要实时调取交易数据、当你的DevOps助手需要执行服务器操作——一切都离不开对工具调用生命周期的精细控制。

SpringAI2.0 Null Safety 实战：JSpecify 注解体系与 Kotlin 互操作在 AI 应用开发中，空指针异常（NullPointerException）是导致生产环境故障的主要原因之一。Spring AI 2.0 引入了全面的 Null Safety 机制，基于 JSpecify 注解体系，为开发者在编译时和运行时提供双重保障。

SpringAI2.0 向量存储生态：Redis、Amazon S3 与 Bedrock Knowledge Base 集成在 RAG（检索增强生成）系统中，向量存储是核心组件之一。Spring AI 2.0 大幅扩展了向量存储的生态，新增了多个后端支持，包括 Redis、Amazon S3、Bedrock Knowledge Base 等。

Spring AI 2.0 多模型提供商配置：OpenAI、Gemini、Anthropic 与 Ollama 深度集成从 Spring Boot 3.x 升级到 4.0，一个重要的生态变化就是 Spring AI 也跟随进入了 2.0 时代。如果说 1.x 版本是 LLM 集成的开路先锋，那么 2.0 就是在多模型提供商生态中的精细化打磨。