当前位置： 首页 > news >正文

Spring Boot集成Spring Ai框架【详解 搭建Spring Ai项目，以及简单的ai大模型智能体应用，附有图文+示例代码】

news 2025/6/29 5:07:40

文章目录

  • 一.Spring Ai介绍
    • 1.0 认识Spring Ai
    • 1.1 特征
    • 1.1 大模型专业名字介绍
      • 1.1.1 RAG(检索增强生成)
        • RAG 的基本原理
        • RAG 的关键技术
        • RAG 的优势
        • RAG 的应用场景
      • 1.1.2 fine-tuning(微调)
      • 1.1.3 function-call(函数调用)
    • 1.2 创建简单的Spring Ai项目
  • 二.Spring Ai简单的智能应用
    • 2.1 智能提问实现
    • 2.2 角色预设
    • 2.3 流式响应
    • 2.4 ChatClient和ChatMode区别
    • 2.5 文生图
    • 2.6 文生语音
    • 2.7 语音翻译
    • 2.8 多模态
    • 2.9 function-call请求
    • 持续待更新...........

一.Spring Ai介绍

Spring Ai 官方：https://spring.io/projects/spring-ai

1.0 认识Spring Ai

Spring AI 是一个用于 AI 工程的应用程序框架。 其目标是将 Spring 生态系统设计原则（如可移植性和模块化设计）应用于 AI 领域，并将使用 POJO 作为应用程序的构建块推广到 AI 领域。

在这里插入图片描述

Spring AI 的核心是解决了 AI 集成的根本挑战：将您的企业数据和 API 与 AI 模型连接起来。

1.1 特征

Spring AI 提供以下功能：

  • 支持所有主要的 AI 模型提供商，例如 Anthropic、OpenAI、Microsoft、Amazon、Google 和 Ollama。支持的模型类型包括：
    • 聊天完成
    • 嵌入
    • 文本到图像
    • 音频转录
    • 文本到语音
    • 适度
  • 支持跨 AI 提供商对同步和流式处理 API 选项的可移植 API 支持。此外，还可以访问特定于模型的特征。
  • 结构化输出 - AI 模型输出到 POJO 的映射。
  • 支持所有主要的矢量数据库提供商，例如 Apache Cassandra、Azure Vector Search、Chroma、Milvus、MongoDB Atlas、Neo4j、Oracle、PostgreSQL/PGVector、PineCone、Qdrant、Redis 和 Weaviate。
  • 跨 Vector Store 提供商的可移植 API，包括一种新颖的类似 SQL 的元数据过滤器 API。
  • 工具/函数调用 - 允许模型请求执行客户端工具和函数，从而根据需要访问必要的实时信息。
  • 可观察性 - 提供对 AI 相关作的见解。
  • 用于数据工程的文档注入 ETL 框架。
  • AI 模型评估 - 帮助评估生成的内容并防止幻觉响应的实用程序。
  • ChatClient API - 用于与 AI 聊天模型通信的 Fluent API，惯用性类似于 WebClient 和 RestClient API。
  • Advisors API - 封装重复的生成式 AI 模式，转换发送到和传出语言模型 （LLM） 的数据，并提供跨各种模型和用例的可移植性。
  • 支持 Chat Conversation Memory and Retrieval Augmented Generation （RAG）。
  • Spring Boot 所有 AI 模型和向量存储的自动配置和启动器 - 使用 start.spring.io 选择所需的模型或向量存储。

上述内容摘自：Spring Ai 官网。

1.1 大模型专业名字介绍

1.1.1 RAG(检索增强生成)

在这里插入图片描述

大致思路：假如有个智能客服，它会优先去查询向量数据中数据，将查到的相关数据给 prompt对象 ，然后通过大模型响应给应用程序。

RAG 的基本原理

RAG 主要由 两个阶段 组成：

  1. 检索阶段（Retrieval）：

    • 在生成文本之前，模型会从一个 外部知识库（如向量数据库、文档集合等）检索出相关的信息。
    • 这种检索通常使用 向量搜索（如 FAISS、Milvus）或基于搜索引擎（如 Elasticsearch）。

  2. 生成阶段（Generation）：

    • 结合检索到的内容，大语言模型（如 GPT、LLaMA）使用这些外部信息来生成更准确、符合事实的回答。
    • 这种方式可以减少幻觉（hallucination），让生成的内容更加可信。
RAG 的关键技术

向量数据库

  • 用于存储和检索文本嵌入（text embeddings）。
  • 常见的向量数据库：
    • FAISS（Facebook AI Similarity Search）
    • Milvus
    • Pinecone
    • Weaviate

文本嵌入（Embedding）

  • 使用模型（如 OpenAI Embeddings、BERT、Sentence-BERT）将文本转换为向量，便于相似度搜索。

检索策略

  • 稠密检索（Dense Retrieval）：基于神经网络（如 DPR、ColBERT），效果更优，但计算成本较高。
  • 稀疏检索（Sparse Retrieval）：如 BM25，传统的基于关键词的检索方法。
RAG 的优势
  • 减少幻觉：模型基于真实检索到的内容生成回答，降低胡编乱造的概率。
  • 增强知识：即使预训练数据缺乏某些信息，模型仍可动态检索外部知识库。
  • 实时更新：相比 LLM 需要重新训练，RAG 只需更新知识库，适用于动态领域（如法律、医学等）。
  • 更精准回答：相比纯 LLM，RAG 结合检索数据，可提供更精确的参考来源。
RAG 的应用场景
  • 智能问答系统（如企业知识库问答、金融/法律咨询）
  • 代码自动补全（检索 GitHub 代码库，提高准确性）
  • 医疗辅助诊断（结合医学文献，提高生成答案的专业性）
  • 法律法规检索（查询法律条文，生成更符合规范的解读）
  • 客服机器人（实时检索 FAQ，提升客服效率）

1.1.2 fine-tuning(微调)

在这里插入图片描述

1.1.3 function-call(函数调用)

在这里插入图片描述

1.2 创建简单的Spring Ai项目

官方提示：Spring AI 支持 Spring Boot 3.2.x 和 3.3.x

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

二.Spring Ai简单的智能应用

（延续使用1.2中创建的Spring Ai 应用。）

2.1 智能提问实现

【yml配置】

spring:ai:openai:api-key: you_api_keybase-url: 你的api_key的请求路径chat:options:model: gpt-3.5-turbo  # 调用的哪个模型名称

由于调用 的是国外的open ai 大模型，需要“魔法”，所以我这里搞了中转站，请求中转站的 api-key和base-url，具体的做法 淘宝 搜 open api key

【controller】

package com.hz.controller;import org.springframework.ai.chat.client.ChatClient;
import org.springframework.beans.factory.annotation.Value;
import org.springframework.web.bind.annotation.GetMapping;
import org.springframework.web.bind.annotation.RequestMapping;
import org.springframework.web.bind.annotation.RequestParam;
import org.springframework.web.bind.annotation.RestController;/*** @Author: weiyi* @Description:* @Date 2025/2/28 21:24* @ClassName AiController* @Version 1.0*/@RestController
@RequestMapping("/ai")
public class AiController {//智能对话的客户端private final ChatClient chatClient;public AiController(ChatClient.Builder chatClientBuilder) {this.chatClient = chatClientBuilder.build();}@GetMapping("/ai01")public String generation(@RequestParam(value = "message", defaultValue = "给我讲个笑话")String message) {return this.chatClient.prompt()  // prompt:提示词.user(message) // message:用户输入的信息.call() // 调用大模型 远程请求大模型.content(); // 获取大模型的返回结果}
}

上述代码是 参考的spring Ai 官方文档

在这里插入图片描述

【测试】

http://localhost:8080/ai/ai01?message=列出spring中的重点概念

在这里插入图片描述

这个场景模拟的是在大模型如deepseek等对话窗口的提问。

2.2 角色预设

假如你希望是一个特定场景下的智能体对话，可以进行角色预设。

在项目中的config包中创建AiConfig配置类

/*** @Author: weiyi* @Description:* @Date 2025/2/28 21:40* @ClassName AiConfig* @Version 1.0*/
@Configuration
public class AiConfig {@BeanChatClient chatClient(ChatClient.Builder builder) {return builder.defaultSystem("你现在不是 chat gpt 了，" +"你是一个精通古代诗人的智能助手，有个诗人叫维一，知识渊博").build();}}

【修改controller】

在这里插入图片描述

/*** @Author: weiyi* @Description:* @Date 2025/2/28 21:24* @ClassName AiController* @Version 1.0*/@RestController
@RequestMapping("/ai")
public class AiController {//智能对话的客户端@Autowiredprivate  ChatClient chatClient;// public AiController(ChatClient.Builder chatClientBuilder) {//     this.chatClient = chatClientBuilder.build();// }@GetMapping("/ai01")public String generation(@RequestParam(value = "message", defaultValue = "给我讲个笑话")String message) {// prompt:提示词return this.chatClient.prompt().user(message) // message:用户输入的信息.call() // 调用大模型 远程请求大模型.content(); // 获取大模型的返回结果}
}

测试

在这里插入图片描述

2.3 流式响应

通俗点说流式响应就是将生成的文本内容一个字一个字的显示出来。

/*** @description: 流式响应* @author: weiyi* @date: 2025/3/1 19:08* @param: [message]* @return: reactor.core.publisher.Flux<java.lang.String>**/@GetMapping(value = "/ai02", produces = "text/html;charset=utf-8")public Flux<String> generation02(String message){Flux<String> output = chatClient.prompt().user(message).stream().content();return output;}

如果不设置 produces = “text/html;charset=utf-8” 输出内容会出现中文乱码。

在这里插入图片描述

2.4 ChatClient和ChatMode区别

ChatClient Api 里是大模型通用的功能。

ChatMode Api 是大模型特有功能。假如用deepseek特有的模型功能需要用ChatMode Api

在这里插入图片描述

如：用open ai 下模型：

在这里插入图片描述

@Autowiredprivate ChatModel chatModel;@GetMapping(value = "/ai03", produces = "text/html;charset=utf-8")public String generation03(@RequestParam(value = "message",defaultValue = "给我讲个笑话") String message){ChatResponse response = chatModel.call(new Prompt(message, // new UserMessage(message)OpenAiChatOptions.builder().model("gpt-3.5-turbo").temperature(0.4)//让生成文字更有温度.build()));//等同于 .contentreturn response.getResult().getOutput().getText();}

在这里插入图片描述

2.5 文生图

在这里插入图片描述


@GetMapping(value = "/ai05")public String generation05(@RequestParam(value = "message",defaultValue = "画个猫") String message) {ImageResponse response = openaiImageModel.call(new ImagePrompt(message, // 图片提示词OpenAiImageOptions.builder().quality("hd") // 图片质量.withModel(OpenAiImageApi.DEFAULT_IMAGE_MODEL).N(1) // 生成图片数量.height(1024).width(1024).build()));return response.getResult().getOutput().getUrl();}

会生成图片的url地址：

在这里插入图片描述

将生成的图片地址粘贴浏览器地址栏：

在这里插入图片描述

2.6 文生语音

持续待更新…

2.7 语音翻译

持续待更新…

2.8 多模态

持续待更新…

2.9 function-call请求

持续待更新…

持续待更新…


http://www.mrgr.cn/news/92809.html

相关文章：

  • ue5 创建多列StreeView的方法与理解
  • 【13】智能合约进阶
  • RabbitMQ快速入门
  • 【Python 语法】算法合集
  • HTMLS基本结构及标签
  • 分享一套适合做课设的SpringBoot商城系统
  • React底层原理详解
  • 5分钟看懂Deepseek开源周之六：Deepseek-V3/R1推理系统设计----揭开深度求索模型系统设计和运营成本之谜
  • Linux-ftrace-双nop机制的实现
  • 【异地访问本地DeepSeek】Flask+内网穿透，轻松实现本地DeepSeek的远程访问
  • 10.1 指针进阶
  • 施耐德 PLC 硬件库 DTM 的安装
  • Mysql100道高频面试题
  • 【Qt QML】QML鼠标事件(MouseArea)
  • C#-委托
  • Spring Boot3+Vue3极速整合: 10分钟搭建DeepSeek AI对话系统(进阶)
  • SOLID Principle基础入门
  • QT基础十、表格组件：QTableWidget
  • vue3中展示markdown格式文章的三种形式
  • 前端实现OSS上传图片(Vue3+vant)