Spring AI 是什么：定位与生态

1.1 Java 开发者接入大模型的痛点

2023 年之后，大模型的能力有目共睹。但 Java 开发者想把它接进业务系统，路并不好走。

最原始的做法是拿 HttpClient 拼请求。要自己构造 JSON、设置 Authorization 头、解析响应、处理异常和重试。代码能跑，但每次调用都要重复这一套，看着就累。流式输出、限流、重试这些工程细节，全都得自己实现。

更麻烦的是厂商差异。火山方舟的 SDK 里有 ArkService，阿里百炼的 SDK 里叫 Generation，OpenAI 又是另一套命名。同样一句提问，换个厂商，调用代码几乎要重写。类名、方法名、参数结构全都对不上。

这意味着业务逻辑被绑死在某个厂商的 SDK 上。老板想换模型，开发就要返工。不同平台对 SDK 命名约定互不相同，开发者被迫为每个模型封装一套调用代码，可复用性几乎为零。代码堆多了，就成了屎山。

1.2 Spring AI 是什么

Spring AI 是 Spring 官方团队推出的 AI 应用开发框架。它的目标很直接：让 Java 开发者用统一的 API 接入各种 AI 模型，就像调用普通 Service 一样简单。

官方文档给它的定位是一句话：连接企业数据和 API 与 AI 模型。框架把大模型的接入细节封装起来，你面向统一的接口编程，底层是 OpenAI 还是 DeepSeek，代码基本不用改。

项目从 LangChain 和 LlamaIndex 这两个知名 Python 项目获得灵感，但并不是它们的移植版。Spring 团队相信，生成式 AI 应用不会只属于 Python 开发者，Java 生态同样需要自己的答案。

框架提供的抽象是 AI 应用开发的地基。每种抽象都有多种实现，换组件只需改极少的代码。再加上 Spring Boot 的自动配置，加依赖、配 Key、写代码，三步就能跑起来。你在 Spring 里习惯的一切——依赖注入、配置体系、Starter 机制——在这里全部沿用。

1.3 核心能力全景

Spring AI 覆盖了 AI 应用开发的常见环节。先混个眼熟，后续章节会逐个深入：

• 模型 API：对话（Chat）、嵌入（Embedding）、文生图、语音转文字、文字转语音、内容审核，都提供可移植的接口，同步和流式都支持，也能访问模型专属能力。
• ChatClient：对话客户端，Fluent API 风格，体验类似 WebClient 和 RestClient，是 2.0 里的一等公民。
• 结构化输出：把模型返回的字符串映射成 Java 对象，告别手写 JSON 解析。
• 工具调用：让模型调用你注册的 Java 方法，获取实时数据或执行操作。2.0 用 @Tool 注解声明。
• Advisor：拦截并增强每次 AI 调用，实现日志、记忆、RAG 等横切能力，类似 Spring AOP 的思路。
• 向量数据库：统一抽象 20 余种向量库，内置 SQL 风格的元数据过滤，换库不换代码。
• RAG 与 ETL：文档摄取、切分、入库、检索增强生成一条龙，官方叫 ETL 框架。
• MCP：接入 Model Context Protocol，连接外部工具生态，通过 Boot Starter 一键启用。
• 可观测性与评估：指标、追踪，以及用模型评估模型输出的工具，防止幻觉内容上线。

所有这些能力都以模块形式发布，按需引入。只做对话就只加一个 starter，不需要的依赖不进场。

这些能力组合起来，就能实现”文档问答""文档聊天”这类常见用例。比如把公司手册喂进向量库，再用 RAG 让模型基于手册回答员工提问。聊天记忆、多轮对话这些基础能力，更是开箱即用。生产环境关心的监控、评估，框架也提供了对应组件，不用自己造轮子。

1.4 版本线：2.0 与维护线

Spring AI 的历史不长，但版本变化很快。写作时（2026 年 8 月）的基线是 2.0.0 GA，发布于 2026 年 6 月 12 日。同时维护着 1.1.8 和 1.0.9 两条旧线。

回看沿革：1.0.0 于 2025 年 5 月 19 日发布到 Maven Central（官方博客 5 月 20 日官宣），1.0 系列正式转正，此后在 1.0.x、1.1.x 上稳定迭代。2.0.0 是 2026 年的重大版本，API 做了大规模整理。

2.0 的几处关键变化，你必须知道：

• ToolCallback 和 @Tool 注解取代了旧的 FunctionCallback。
• ChatClient 的 Fluent API 成为一等公民。
• Anthropic 接入改用官方 Java SDK。
• MCP 相关功能统一走 Spring Boot Starter。
• 向量库统一为 VectorStore 抽象。

本教程的示例全部对齐 2.0.0。如果你在维护老项目，1.x 的代码不能直接照搬，迁移要点在后面的章节专门讲。网上大量 1.x 的博客，看的时候要留意 API 差异。官方文档默认展示最新版本，docs.spring.io 上的参考文档跟着主线更新，查资料时先确认版本号，别拿 1.x 的文档对 2.0 的代码。遇到和网上资料矛盾的地方，先查官方 2.0 文档再动手。

1.5 和 LangChain、LlamaIndex 的对比

LangChain 和 LlamaIndex 是 Python 生态里最热门的 AI 框架。Spring AI 和它们解决的是同一类问题，但气质完全不同。

LangChain 组件丰富、生态庞大，但那是 Python 开发者的世界。LlamaIndex 专注数据索引和检索，RAG 场景很强。两者都不适合直接进 Java 项目。

Spring AI 的优势在 Java 侧：类型安全、依赖注入、自动配置，和现有 Spring Boot 项目无缝衔接。你在 Spring 里积累的工程经验全部可以复用。缺点也很明显：起步晚，社区规模和组件数量暂时比不上 Python 阵营。

选型建议很简单。项目是 Java/Spring 技术栈，就用 Spring AI；项目是 Python 技术栈，LangChain 更合适。想找示例和社区资源，可以看 GitHub 上的 awesome-spring-ai 索引和官方示例仓库。框架还在快速迭代，生产环境使用时要锁版本、看升级说明，别盲目追新。

1.6 小结

Spring AI 是 Java 生态接入大模型的统一入口。它解决厂商锁定和重复编码的问题，提供从对话到 RAG 的完整能力。2.0.0 是当前基线，本教程的示例和 API 都以它为准。下一章，我们把环境配好，跑通第一个 AI 对话。