如何给Spring AI下定义呢？
在我看来，Spring AI和AI的关系，就像Spring Boot和Spring的关系一样，旨在简化包含AI功能的应用程序开发，避免不必要的复杂性。
据说，Spring AI是从著名的Python LangChain中汲取的灵感，就是为了让生成式AI应用不仅仅面向Python开发者，使Java这个伟大的语言再次伟大！
通过Spring AI，可以更行之有效地解决企业数据、API与AI模型集成的根本挑战。
图片
Spring AI 提供了一些抽象层，这些具有多种实现方式的抽象层是开发AI应用程序的基础，能够以最少的代码改动实现组件的轻松替换。
接下来我们看下Spring AI都具备哪些特性和能力。
1、主流模型支持
按照官网的说法，目前Spring AI支持所有主流的AI大模型提供商，包括：Anthropic、OpenAI、微软、亚马逊、谷歌和Ollama等。
其所支持的模型类型有：
- 聊天补全（Chat Completion）
- 嵌入（Embedding）
- 文本生成图像（Text to Image）
- 音频转录（Audio Transcription）
- 文本转语音（Text to Speech）
- 内容审核（Moderation）
图片
图片
Spring AI支持这么多的大模型，并根据项目的实际需要在各个大模型间进行秒级切换，这对研发效率的提升是非常有帮助的。
我们就以对话机器人为例，来看下代码的具体实现。
配置类及配置文件
我们在这里选择Spring AI的1.0版本，并引入openai和ollama来实现大模型间的动态切换。
这里特别需要注意的是，不要用Spring AI的太高版本，我之前用的1.1.0-M7版本，里面各种maven依赖jar包不能下载。
图片
图片
图片
图片
Controller类
实现具体的大模型调用。
启动类
访问结果
我们在跑通上面的代码后，就算完成了Spring AI的Hello World。
2、会话记忆
会话记忆（Conversational Memory）是Spring AI中非常好用的一个特性，可以使系统在对话过程中具有主动记录、理解和利用上下文信息的能力。
其核心目标是让AI能够像人类一样进行连贯、有逻辑的多轮交互，而非孤立地处理每一条用户输入。
我们继续在刚才的代码中进行实现。
配置类及配置文件在这里需要引入会话记忆的依赖，默认以内存的方式进行存储实现。
图片
图片
Controller类
新增了一个completionMemory方法进行实验，这里需要新增一个conversationId（会话ID），用于会话串联并记忆。
图片
访问结果
1、我们首先输入问题“托尼学长是谁”，并把会话ID设置为1。
图片
2、接下来，我们输入问题“我刚才输入的是什么”，会话ID还是设置为1。
果然，大模型进行了正确的解答，证明我们的会话记忆功能跑通了。
图片
3、然后我们再做一次实验，输入的问题还是“我刚才输入的是什么”，但把会话ID设置为2。
从返回结果上来看，当会话ID变更之后，就无法实现会话记忆了。
图片
除了内存之外，Spring AI还提供了MySQL、PostgreSQL、Cassandra、Neo4j等方式进行存储，我们可以根据业务特性进行灵活选择。
3、提示词工程
在Spring AI中，提示词工程（Prompt Engineering）是连接人类意图与 AI 模型的核心桥梁，简单说就是通过精心设计输入给 AI 的指令（提示），让模型更精准地输出符合预期的结果。
做个比较形象的比喻，相当于把广东人说的粤语，转化为全国人民都通俗易懂的普通话。
提示工程的目标包括：
- 明确任务意图（问答、总结、生成代码）
- 控制输出格式（JSON、表格、列表）
- 减少幻觉（模型生成错误信息）
- 适配特定领域（医疗、法律、金融等）
我们继续通过代码实现一个简单的Demo。
Controller类
新增了一个completionPrompt方法进行实验，该方法中共有三个步骤。
1、先创建一个提示词模板，需要满足四要素：角色、任务、上下文和输出。
2、注入可变的参数。
3、调用大模型并返回结果。
图片
访问结果
1、我们首先输入参数为“洞见”，返回结果是一篇现代文。
2、接下来我们输入的参数为“李白”，返回结果变成了一篇文言文。
结语
本篇文章我们先介绍到这里，后续我们会继续介绍Spring AI的RAG、多模态、MCP、向量存储等相关内容。
