Spring AI 是一个 Spring 官方团队主导的开源项目，旨在将生成式人工智能（Generative AI）能力无缝集成到 Spring 应用程序中。它提供了一个统一的、Spring 风格的抽象层，简化了与各种大型语言模型（LLMs）、嵌入模型（Embedding Models）、向量数据库以及相关 AI 服务的交互。

文档位置：开始 (Getting Started) | Spring AI1.0.0中文文档|Spring官方文档|SpringBoot 教程|Spring中文网

应用场景

1. 构建检索增强生成（RAG）应用： 这是 Spring AI 最核心和成熟的应用场景。
   • 简化流程： 提供开箱即用的 VectorStore 抽象（支持 Chroma, Pinecone, Milvus, Redis, Azure Vector Search, PostgreSQL/PGVector 等）和 AiClient 抽象。
   • 无缝集成： 轻松实现：
     1. 从文档（Txt, PDF, Word, Markdown, JSON 等）加载、分割文本。
     2. 使用嵌入模型将文本块转换为向量。
     3. 将向量和元数据存储到向量数据库。
     4. 用户提问时，检索相关文本块。
     5. 构造包含检索结果的提示词（Prompt）。
     6. 调用 LLM 生成基于上下文的回答。
   • 应用： 智能问答系统、企业知识库助手、基于文档的客服机器人、个性化学习工具。
2. 简化与 LLMs 的交互：
   • 统一 API： 使用相同的 AiClient 或 ChatClient 接口调用 OpenAI GPT, Anthropic Claude, Azure OpenAI, Google Vertex AI, Hugging Face 上的模型，甚至本地运行的 Ollama 模型。
   • 提示词模板： 提供强大的提示词模板引擎，支持参数化、条件判断、循环等，方便构造复杂提示，管理提示词版本。
   • 结构化输出： 轻松将 LLM 的自然语言输出解析为预定义的 Java 对象（POJOs），简化后续处理。
   • 函数调用： 支持 LLM 的函数调用功能，让模型能够触发执行应用程序中定义的方法。
   • 应用： 任何需要文本生成、摘要、翻译、代码生成、内容创作、对话交互的场景。
3. 集成嵌入模型：
   • 统一抽象： 通过 EmbeddingClient 接口调用不同的文本嵌入模型提供商（OpenAI, Ollama, Transformers on Hugging Face, Azure OpenAI 等）。
   • 简化向量化： 轻松将文本转换为向量，为存储到向量数据库或进行相似性计算做准备。
   • 应用： 为 RAG 准备数据、实现语义搜索、内容聚类、去重。
4. AI 驱动的数据分析和处理：
   • 利用 LLM 处理非结构化或半结构化文本数据（如日志、用户反馈、调查报告），进行情感分析、主题提取、关键信息抽取、分类。
   • 将抽取出的结构化信息存储到传统数据库或用于生成报告。
   • 结合 Spring Batch 进行批处理。
5. 增强现有应用功能：
   • 智能客服/聊天机器人： 在现有的 Web 或移动应用中集成智能对话能力。
   • 内容生成与辅助： 在 CMS、博客平台、邮件系统中辅助生成或润色内容。
   • 个性化推荐： 利用用户行为或内容的嵌入向量，实现更语义化的推荐（结合向量数据库）。
6. 快速原型验证和实验：
   • Spring AI 简洁的 API 和 Spring Boot 的自动配置让开发者能极其快速地搭建 AI 概念验证（PoC）或最小可行产品（MVP）。
   • 方便尝试不同的模型提供商、提示词策略、RAG 配置。

入门学习

项目当前环境是Win11，SpringBoot， Ollama，开发工具是Idea，需要提前对这些有些了解，以及安装Ollama

大模型本地搭建

为了方便本地的大模型搭建，这里选择Ollama，Ollama是一个开源工具，专为在本地计算机上轻松运行大型语言模型（LLM） 而设计。好处是方便部署运行大模型，命令一键部署，安装的话比较简单，Download Ollama on macOS 官网下载自己需要的版本，然后下一步下一步就好。

安装好后打开命令行输入命令即可，常用命令：

# 下载并运行 llama3 模型 (8B 参数版本是默认)
ollama run llama3
# 下载并运行 llama3 70B 参数版本 (需要足够内存/显存)
ollama run llama3:70b
# 下载并运行 mistral 模型
ollama run mistral
# 查看已下载的模型列表
ollama list  

除了llama3模型外，也有其他不同类型的大模型，

点进去后直接复制命令即可。

这里使用的是最近比较流行的大模型deepseek-r1

ollama run deepseek-r1

出现下面内容说明启动成功

java项目创建

项目基于springBoot运行，所以首先搭建SpringBoot项目

1、创建java Maven项目，然后写入依赖

<parent><groupId>org.springframework.boot</groupId><artifactId>spring-boot-starter-parent</artifactId><version>3.4.5</version>
</parent><repositories><repository><id>spring-snapshots</id><name>Spring Snapshots</name><url>https://repo.spring.io/snapshot</url><releases><enabled>false</enabled></releases></repository><repository><name>Central Portal Snapshots</name><id>central-portal-snapshots</id><url>https://central.sonatype.com/repository/maven-snapshots/</url><releases><enabled>false</enabled></releases><snapshots><enabled>true</enabled></snapshots></repository>
</repositories><dependencyManagement><dependencies><dependency><groupId>org.springframework.ai</groupId><artifactId>spring-ai-bom</artifactId><version>1.0.0-SNAPSHOT</version><type>pom</type><scope>import</scope></dependency></dependencies>
</dependencyManagement>

2、创建java子项目，这个项目是springboot项目，pom添加依赖

<dependencies><dependency><groupId>org.springframework.ai</groupId><artifactId>spring-ai-starter-model-ollama</artifactId></dependency><dependency><groupId>org.springframework.boot</groupId><artifactId>spring-boot-starter-web</artifactId></dependency>
</dependencies>

3、项目下创建包com.demo，然后创建启动类DemoApplication，并添加注解

import org.springframework.boot.SpringApplication;
import org.springframework.boot.autoconfigure.SpringBootApplication;@SpringBootApplication
public class DemoApplication {public static void main(String[] args) {SpringApplication.run(DemoApplication.class, args);}}

4、创建包controller，里面存放Controller类，作为测试接口

import org.springframework.ai.ollama.OllamaChatModel;
import org.springframework.beans.factory.annotation.Autowired;
import org.springframework.web.bind.annotation.GetMapping;
import org.springframework.web.bind.annotation.RequestParam;
import org.springframework.web.bind.annotation.RestController;import java.util.Map;@RestController
public class ChatController {private final OllamaChatModel chatModel;@Autowiredpublic ChatController(OllamaChatModel chatModel) {this.chatModel = chatModel;}@GetMapping("/ai/generate")public Map<String,String> generate(@RequestParam(value = "message") String message) {return Map.of("generation", this.chatModel.call(message));}}

5、创建Resource包，里面创建application.yml配置文件，添加Spring ai配置，ollama是由于要连接ollama，base-url是当前ollama服务开启后的地址，chat.model配置的是当前启动的模型，当前启动的deepseek-r1，如果你用的是其他模型，这里需要更换下

spring:ai:ollama:base-url: http://localhost:11434chat:model: deepseek-r1

项目搭建完后效果

config包下是后面的内容，现在不用管

6、启动本地大模型

ollama run deepseek-r1

7、运行DemoApplication的main函数启动，启动正常后使用API访问工具进行测试，这里使用的是Apipost，然后使用API测试工具访问接口，这里用的时Apipost，Apipost 是一款国产的、一体化、全流程的 API 协作开发与测试平台，类似PostMan，安装直接去官网下载就好，如果使用其他的测试方案也行，直接能测接口就好

填写完参数后，直接运行就好

结束语

Spring ai主要针对的是当下流行的大模型，根据不同的大模型处理方案提供了不同的接口，简化java开发在使用大模型时的代码，根据这块估计是以后java开发常备的一个技能。

下一篇是如何使用java，针对大模型的输出的内容进行优化，输出符合自己情况的内容，使用Spring Ai RAG模块，使LLM基于文档内容进行生成