Spring AI 从入门到实战-目录
这套系列教程是面向 Java 开发者，尤其是熟悉 Spring Boot 的后端工程师。本教程以"低代码量+高实用性"为核心概念，帮助开发者快速掌握Spring AI 或 Apring AI Alibaba .
开发过程中遇见不会的怎么办？
👉『 开发喵AI 』👈
已集成 GPT-5、Claude3.7、Gemini 御三家
致力于解决用户魔法上网、答案高要求、内容高标准
已内置 100余种 命令与角色
解决问题的方式有很多种，请试试 开发喵AI 给你的答案🙇🙇♀️
后台发送『 开发喵AI 』 了解详情 🔎
📢大家都在用的AI工具，在等什么，赶快上车！
🎯 教程目标
- 让 Java 开发者快速上手 Spring AI，理解其设计思想与核心组件。
- 通过大量可运行代码示例，掌握 Chat、Embedding、记忆、绘图、RAG、MCP, 工具调用等关键技术。
- 学会集成主流向量数据库（如 PGVector、milvus）和大模型服务(OpenAI, 通义千问，DeepSeek, 智普清言等)
- 最终使用 Spring AI Alibaba 模块调用 阿里通义千问大模型，实现一个“文档智能问答系统”。
🗂️ 教程大纲（共 9 大章节+番外）
第1章：初识 Spring AI —Java 开发者的 AI 新纪元
🎯 目标：建立对 Spring AI 的整体认知，理解它为什么重要。
1.1 什么是 Spring AI？它的诞生背景与愿景
1.2 为什么 Java 开发者也需要玩转 AI？
1.3 Spring AI 与 LangChain 的异同
1.4 Spring AI 的核心设计理念：抽象、可移植、易集成
1.5 Spring AI 项目搭建，快速体验
💡 概念预览：ChatClient、Model、Prompt、Response
第2章：核心 API 入门 — 使用 ChatClient 与大模型对话
🎯 目标：掌握最基础也是最重要的交互方式 —— 聊天模型调用。
2.1 核心概念预览
2.2 ChatClientAPI 设计理念
2.3 同步 VS 流式响应(Streaming)
2.4 消息类型： prompt,user,assistant,system
2.5 核心概念详解
2.6 Prompt模板
2.7 默认角色
第3章：数据结构化输出 — 让 AI 返回 Java 对象
🎯 目标：掌握 Spring AI 的结构化输出功能，让大模型直接返回类型安全的 Java 对象，避免繁琐且易错的字符串解析。
3.1 为什么需要结构化输出？
3.2 核心原理：转换器的"两步工作法"
3.3 核心API：StructuredOutputConverter接口
3.4 常用转换器实战
BeanOutputConverter- 用低级API (ChatModel) 理解底层逻辑
- 处理泛型类型比如
List - 键值对用
MapOutputConverter - 简单列表用
ListOutputConverter
第4章：函数调用（Function Calling / Tool Calling）—让 AI 调用你的 API
🎯 目标：让大模型具备“行动力”，能调用外部工具。
4.1 什么是 Function Calling？它解决了什么问题？
4.2 定义 @Tool 方法（Spring AI 的 ToolCallback）
4.3 其它方式定义工具
4.4 本地Tool的局限性：引出MCP
第5章：聊天记忆(Chat Memory) — 让AI 记住上下文
🎯 目标：实现多轮对话中的上下文管理，避免“健忘”的 AI
5.1 什么是 Chat Memory？为什么需要它？
5.2 ChatMemory与 ChatMemoryRepository的核心设计
5.3 内存存储：InMemoryChatMemoryRepository
5.4 关系型数据库存储: JdbcChatMemoryRepository
5.5 Advisor核心机制
5.6 实战：构建一个支持多种记忆策略的聊天系统
5.7 实战：Redis记忆存储仓库
第6章：MCP(Model Context Protocol)—构建可服用的AI 工具生态
🎯 目标：突破本地 @Tool 的局限，构建跨语言、可复用的工具服务
6.1 什么是MCP? 它解决了什么问题？
6.2 Spring AI MCP
6.3 MCP-Client (Stdio模式）
- Cherry Stdio中测试
- Spring AI 客户端调用
6.4 MCP-Client（SSE 模式）
- 12306-MCP 车票查询工具
- pring AI 客户端调用
6.5 MCP-Server(Stdio模式)
- 天气预报查询工具
- Cherry Stdio中测试
6.6 MCP-Server（SSE模式）
第7章：嵌入模型(Embedding Models) 与向量化存储
🎯 目标：理解文本向量化原理，为 RAG 打基础
7.1 什么事Embedding? 它在AI 中的作用
7.2 Spring AI 中的 Embedding接口与类
7.3 使用Spring AI Embedding
7.4 向量相似度计算原理(余弦相似度)
7.5 向量存储 VectorStore
7.6 Milvus 向量数据库
第8章：RAG(检索增强生成)实战 — 让 AI"看懂"你的文档
🎯 目标：构建一个真正可用、具备上下文感知能力的知识库问答系统，让大模型基于你提供的私有文档生成准确、可靠的回答。
8.1 RAG 原理详解: 检索 + 增强 + 生成
8.2 ETL 管道 (Pipeline): 数据处理的核心流程
8.3 Document Reader接口
8.4 DocumentTransformer接口
8.5 DocumentWriter接口
8.6 实战：对PDF文件进行ETL处理
第9章：使用 Spring AI Alibaba
🎯 目标：摆脱对国外模型依赖，使用阿里云通义千问完成完整项目。
9.1 什么是 Spring AI Alibaba？社区版 vs 阿里云商业版
9.2 通义千问（Qwen）模型家族介绍（Turbo、Plus、Max、Long）
9.3 配置 alibaba-qwen-chat-client-auto-configuration
9.4 支持功能：Chat、Embedding、Function Calling、流式输出
9.5 与开源模型（如 Ollama）对比优劣
实战项目：“智能客服知识库问答系统”
附加内容（番外篇）
📘 番外1：本地部署大模型 —— 使用 Ollama + Llama3/Llama3.1
📘 番外2：模型评估（Model Evaluation）
📘 番外3：可观测性（Observability）
📘 番外4：生产环境部署建议
源代码地址：https://github.com/kaiwill/kaifamiao
👉『 开发喵AI工具 』👈