5. 深度剖析：Spring AI项目架构与分层体系全解读
1、前言
前面我们已经可以通过简单的方式集成Spring AI进行快速开发了。授人以鱼不如授人以渔，我们还是需要了解Spring AI的项目结构，以及他的一些核心概念。
2、项目结构
我们将Spring AI代码直接fork到我们自己的仓库中。fork的目的是方便我们为了学习偶尔可能做一些调整。fork之后，项目结构如下：
注意Spring AI如果git clone到自己本地，需要JDK17及以上版本，同时Maven建议使用3.8+版本。
项目结构一览。以下模块中基于个人愚见用 【★】数量标注重要程度，如标注有错，欢迎指正：
| 模块 | 备注说明 |
|---|---|
| ★★★ auto-configurations | 自动配置模块，目前里面包含了mcp client和mcp server的自动装配。 |
| ★★★ document-readers | 文档解析工具，目前支持了jsoup，markdown，pdf，以及tika。 |
| ★★★ mcp/common（spring-ai-mcp） | Spring AI支持了mcp协议。为mcp客户端和服务端提供一些函数调用的抽象。 |
| ★★★★ models | 各类大模型的一些API接口。支持主流的openai，ollama，huggingface，anthropic等。 |
| ★★★★ spring-ai-bom | 不包含任何Java代码，只是用于管理Spring AI所需要的依赖清单，确保项目中使用的库版本兼容。在上面实战的文章中，我们集成Spring AI首先添加的就是这个依赖 |
| ★★★★ spring-ai-core | 熟悉spring framewoek的，看到这个命名就知道。这个肯定是核心模块，里面通常包含了核心的业务逻辑，包括RAG，聊天，transformer，embedding等核心类。 |
| ★ spring-ai-docs | Spring AI文档相关。 |
| ★★ spring-ai-integration-tests | 测试模块 |
| ★ spring-ai-retry | Spring AI 实用程序项目帮助实现远程调用重试。提供了一些基于RetryTemplate的重试处理逻辑。 |
| ★★★★ spring-ai-spring-boot-autoconfigure | spring boot框架下各大模型自动装配模块。 |
| ★★★ spring-ai-spring-boot-docker-compose | 提供一种便捷的方式，通过Docker Compose来管理和部署基于Spring Boot的AI应用。 |
| ★★★ spring-ai-spring-boot-starters | 提供 Spring Boot 的自动配置和启动器支持，简化 AI 功能的集成。只需引入相关依赖，即可快速启用 AI 功能，如生成式 AI、嵌入模型等。 |
| ★★ spring-ai-spring-boot-testcontainers | 集成testcontainers支持spring ai的功能测试。 |
| ★★ spring-ai-spring-cloud-bindings | 将 AI 功能与 Spring Cloud 生态系统集成，支持动态配置管理、服务发现、负载均衡、容错与熔断等功能，适用于分布式环境中的 AI 应用。 |
| ★★ spring-ai-test | 提供对 Spring 组件的测试支持，兼容 JUnit 和 TestNG 框架。 |
| ★ vector-stores | 用于与向量数据库集成的组件，它允许你在 Spring 应用程序中轻松地存储和检索向量嵌入。目前支持weaviate，redis，neo4j等，支持高效的向量存储与相似度搜索，适用于语义搜索、推荐系统等场景。 |
3、体系结构
看过去spring ai其实遵循了常规的分层体系。通过将不同功能划分到不同模块中实现职责分离，模块化和可扩展性。其实很明显，继续往下看。
3.1、核心层
如上面的spring-ai-core，models，spring-ai-bom等模块可以划分到核心层。核心层一般作为Spring AI基础，提供了与AI模型交互的核心功能和接口。
3.2、Spring Boot集成层
包含了spring-ai-spring-boot-autoconfigure，spring-ai-spring-boot-starter提供一系列自动装配能力，便于将Spring AI与Spring Boot无缝集成，实现开箱即用。
3.3、数据存储与处理层
包含了模块vector-stores，用于处理处理 AI 应用中的数据存储、检索和预处理。
3.4、工具与扩展
Spring AI提供了很多支持测试模块，如spring-ai-test，spring-ai-spring-boot-testcontainers，spring-ai-integration-tests。提供不同的测试模块是为了覆盖不同层次的测试需求，确保框架的可靠性和扩展性。
- spring-ai-test： 基础测试支持模块。提供通用的测试工具类和基础配置，支持 单元测试 和 简单集成测试，兼容 JUnit 和 TestNG 框架。一般用于测试Spring AI的核心逻辑，快速验证但组件的行为。
- spring-ai-spring-boot-testcontainers：容器化集成测试模块。通过 Testcontainers 实现 真实外部依赖的模拟，支持复杂集成测试。通常用来定义和管理 Docker 容器（如向量数据库、AI 服务、消息队列），提供与 Spring Boot 集成的测试配置（如动态注入容器化的数据库连接）。用于测试与外部服务的集成（如向量数据库 Weaviate、Redis），验证 Spring AI 在分布式环境中的行为（如服务发现、负载均衡）。
- spring-ai-integration-tests：端到端集成测试模块。执行端到端（End-to-End）测试，验证 Spring AI 各模块的 整体协作。覆盖完整的用户场景（如从 HTTP 请求到 AI 模型响应的全流程），测试跨模块的集成逻辑（如向量存储 + 嵌入模型 + LLM 的联合工作流）。一般用于Spring AI 框架自身的质量保障（非用户直接使用）。
为何需要分多个测试模块？
通常是需要职责分离，基础测试工具与容器化测试逻辑解耦，提供代码的可维护性。针对不同的分层有时候需要确保不同的测试策略，如核心原子逻辑的正确性，组件协作的兼容性，或整体流程的稳定性等等。通常不同的测试框架对于某一个层次的测试能力会有独到的优势。因此往往复杂的大型项目中，都会采用分层的架构以及分层的测试模块。
除此以外，还提供了一系列工具的集成，如spring-ai-spring-boot-docker-compose支持docker容器的集成，spring-ai-retry提供重试机制。
4、总结
通过Spring AI的结构说明，分层结构可以进一步了解Spring AI整体的项目体系。帮助我们了解Spring AI提供的能力，可以更好的帮助我们进行后续的学习。