Spring AI 1.0 GA版本终于正式发布！第一个正式版本，超多内容，每个Java开发者都必须了解一下！
核心功能包括支持20个AI模型的ChatClient接口、适配20个向量数据库的检索模块、支持滑动窗口和向量搜索的对话记忆功能、基于@Tool注解的工具调用机制，以及模型评估、可观测性和Model Context Protocol（MCP）支持。此外，新增RAG流水线、ETL框架、工作流驱动和自主代理功能，并提供与微软Azure、AWS、Google Cloud等云服务商的集成案例。
1. ChatClient核心接口
- 作为与AI模型交互的主要接口，支持20个AI模型（如Anthropic、ZhiPu、DeepSeek、MiniMax等），涵盖多模态输入输出（若模型支持）和JSON格式结构化响应。
- 各支持模型的横向特性对比如下：
| 供应商 | 多模态支持 | 工具/功能支持 | 流式传输支持 | 重试支持 | 可观测性支持 | 内置JSON支持 | 本地化支持 | 兼容OpenAI API |
|----------------------|-------------------------|--------------|--------------|------------|--------------|--------------|------------|----------------|
| Anthropic Claude | 文本、PDF、图像 | ✅ | ✅ | ✅ | ✅ | ❌ | ❌ | ❌ |
| Azure OpenAI | 文本、图像 | ✅ | ✅ | ✅ | ✅ | ✅ | ❌ | ✅ |
| DeepSeek (OpenAI代理) | 文本 | ❌ | ✅ | ✅ | ✅ | ✅ | ✅ | ✅ |
| Google VertexAI Gemini| 文本、PDF、图像、音频、视频| ✅ | ✅ | ✅ | ✅ | ✅ | ❌ | ✅ |
| Groq (OpenAI代理) | 文本、图像 | ✅ | ✅ | ✅ | ✅ | ❌ | ❌ | ✅ |
| HuggingFace | 文本 | ❌ | ❌ | ❌ | ❌ | ❌ | ❌ | ❌ |
| Mistral AI | 文本、图像 | ✅ | ✅ | ✅ | ✅ | ✅ | ❌ | ✅ |
| MiniMax | 文本 | ✅ | ✅ | ✅ | ✅ | ❌ | ❌ | （未明确） |
| Moonshot AI | 文本 | ❌ | ✅ | ✅ | ✅ | ❌ | ❌ | （未明确） |
| NVIDIA (OpenAI代理) | 文本、图像 | ✅ | ✅ | ✅ | ✅ | ❌ | ❌ | ✅ |
| OCI GenAI/Cohere | 文本 | ❌ | ❌ | ❌ | ✅ | ❌ | ❌ | ❌ |
| Ollama | 文本、图像 | ✅ | ✅ | ✅ | ✅ | ✅ | ✅ | ✅ |
| OpenAI | 输入：文本、图像、音频
输出：文本、音频 | ✅ | ✅ | ✅ | ✅ | ✅ | ❌ | ✅ |
| Perplexity (OpenAI代理)| 文本 | ❌ | ✅ | ✅ | ✅ | ❌ | ❌ | ✅ |
| QianFan | 文本 | ❌ | ✅ | ✅ | ✅ | ❌ | ❌ | ❌ |
| ZhiPu AI | 文本 | ✅ | ✅ | ✅ | ✅ | ❌ | ❌ | ❌ |
| Amazon Bedrock Converse| 文本、图像、视频、文档（PDF、HTML、MD、DOCX等） | ✅ | ✅ | ✅ | ✅ | ❌ | ❌ | ❌ |
2. 检索增强生成（RAG）与向量数据库
- 向量存储抽象：适配20个向量数据库（如Azure Cosmos DB、Weaviate），支持SQL-like过滤语言及原生查询回退。
- ETL框架：通过可插拔
DocumentReader支持本地文件、网页、GitHub、云存储（AWS S3、Azure Blob等）及数据库输入，内置分块、元数据 enrichment 和嵌入生成。 - RAG流水线：基础
QuestionAnswerAdvisor和模块化RetrievalAugmentationAdvisor，参考案例Retrieval Augmented Generation (R.A.G.) with Vector Stores
3. 对话记忆（ChatMemory）
- 基础实现：
MessageWindowChatMemory通过滑动窗口存储最近N条消息，支持JDBC、Cassandra、Neo4j等持久化存储。 - 高级功能：
VectorStoreChatMemoryAdvisor基于向量搜索检索语义相似历史消息，参考案例《Guide to chat memory implementation》。
4. 工具调用（Function Calling）
- 通过
@Tool注解声明工具方法，支持动态注册Bean或编程式创建，可调用天气查询、数据库操作等外部功能，配套《Guide to local tool calling》。
@Component
class DogAdoptionScheduler {
@Tool(description = "schedule an appointment to pickup or adopt a " +
"dog from a Pooch Palace location")
String schedule(int dogId, String dogName) {
System.out.println("Scheduling adoption for dog " + dogName);
return Instant
.now()
.plus(3, ChronoUnit.DAYS)
.toString();
}
}
5. 模型评估与可观测性
- 评估组件：
RelevancyEvaluator验证响应相关性，FactCheckingEvaluator基于上下文校验事实准确性，引用Hugging Face专家指出“LLM作为裁判”的局限性（如模式崩溃、冗长偏见）。 - 可观测性：集成Micrometer追踪模型延迟、Token使用、工具调用等指标，支持日志记录和Micrometer Tracing。
6. 模型上下文协议（MCP）
- 客户端：通过
spring-ai-starter-mcp-client快速连接MCP服务器，支持stdio和HTTP-SSE端点，示例连接Brave搜索引擎。 - 服务器：使用
spring-ai-starter-mcp-server和@Tool注解构建MCP服务器，集成Spring Batch/Cloud Config提供企业级工具，支持OAuth安全认证。
7. 代理支持
- 工作流驱动代理：包含评估优化（自评估响应）、路由（智能分配请求）、编排（动态任务分解）、链式（分步处理）、并行化（批量调用聚合结果）等模式。
- 自主代理：通过MCP动态发现工具，维护执行记忆，支持递归策略优化，孵化项目Spring MCP Agent演示相关能力。
小结
这次 Spring AI 的正式发布，对于 Java 开发者来说，是一次重大的升级。它不仅提供了强大的 AI 能力，还提供了丰富的工具和框架，帮助开发者更轻松地构建 AI 应用。DD也一直有在用Spring AI，最近也会第一时间把项目升级到正式版本，如果遇到问题，再继续分享。
最后，做个小调研，你现在用什么框架来构建AI应用呢？留言区聊一聊吧～
感谢阅读！如果您学习过程中如遇困难？可以加入我们超高质量的技术交流群，参与交流与讨论，更好的学习与进步！