当前位置：首页 > wzjs >正文

上海做网站哪家公司怎么查询最新网站

wzjs 2025/8/17 5:02:20

上海做网站哪家公司,怎么查询最新网站,c2c电子商务网站建设栏目结构图,住房和建设执业资格注册中心网站Spring AI 是由 Spring 团队推出的一个项目，旨在简化将 AI 能力（如大语言模型）集成到 Spring 应用中的过程。它为常见的 AI 模型服务（如 OpenAI、Azure OpenAI、HuggingFace、Ollama 等）提供统一的访问抽象。Spring AI…

Spring AI 是由 Spring 团队推出的一个项目，旨在简化将 AI 能力（如大语言模型）集成到 Spring 应用中的过程。它为常见的 AI 模型服务（如 OpenAI、Azure OpenAI、HuggingFace、Ollama 等）提供统一的访问抽象。Spring AI 基于 Spring Boot 和 Spring Framework 的生态系统，结合 spring-ai 的组件，为开发者提供一致且可扩展的方式调用 AI 服务。

🌟 Spring AI 主要特性

对多种 LLM 提供统一抽象接口。
支持聊天模型（chat completion）、文本补全、文档问答（RAG）、embedding 等。
支持 VectorStore，如 PostgreSQL、Redis、Milvus、Pinecone 等。
集成 Spring Boot，支持配置驱动、自动装配、注入等。
简化 LLM 在服务端的调用与集成，便于构建 AI 驱动的应用。

📌 适用场景

场景	描述
智能客服	利用 LLM 实现基于文档或 FAQ 的自动问答。
智能代码助手	结合 Embedding 和代码片段进行语义搜索与补全。
文档问答系统	使用 RAG 技术，对本地文档进行语义索引和问答。
自动摘要生成	处理输入内容生成简洁摘要。
多轮对话	搭建具备上下文记忆的聊天机器人。
嵌入搜索	对文档或数据做向量化表示，实现语义搜索。

🧱 核心模块

ChatClient：统一的聊天模型接口。
EmbeddingClient：将文本转为向量的接口。
VectorStore：用于存储和查询嵌入向量。
Retriever：从 VectorStore 中检索相关信息。
PromptTemplate：提示词模板，便于控制 LLM 输出。

一、基础示例代码（基于 OpenAI）

1. 添加依赖（Maven）

<dependency><groupId>org.springframework.ai</groupId><artifactId>spring-ai-openai-spring-boot-starter</artifactId><version>0.8.1</version> <!-- 最新版本请查询 Maven 中央仓库 -->
</dependency>

2. 配置 application.yml

spring:ai:openai:api-key: ${OPENAI_API_KEY}

3. 使用 ChatClient 实现对话

import org.springframework.ai.chat.ChatClient;
import org.springframework.beans.factory.annotation.Autowired;
import org.springframework.web.bind.annotation.*;@RestController
@RequestMapping("/chat")
public class ChatController {@Autowiredprivate ChatClient chatClient;@GetMappingpublic String chat(@RequestParam String message) {return chatClient.call(message);}
}

4. 使用 PromptTemplate 构建 Prompt

import org.springframework.ai.chat.messages.*;
import org.springframework.ai.prompt.*;
import org.springframework.ai.chat.ChatClient;
import org.springframework.stereotype.Service;import java.util.Map;@Service
public class PromptService {private final ChatClient chatClient;public PromptService(ChatClient chatClient) {this.chatClient = chatClient;}public String summarizeText(String text) {PromptTemplate promptTemplate = new PromptTemplate("请总结以下文本内容：{text}");Prompt prompt = promptTemplate.create(Map.of("text", text));return chatClient.call(prompt).getResult().getOutput().getContent();}
}

二、嵌入与向量存储（RAG 基础）

1. 添加依赖

<dependency><groupId>org.springframework.ai</groupId><artifactId>spring-ai-chroma-store-spring-boot-starter</artifactId><version>0.8.1</version>
</dependency>

2. 配置嵌入和向量存储

spring:ai:openai:embedding:enabled: truevectorstore:chroma:uri: http://localhost:8000

3. 示例代码：存储和查询文档

import org.springframework.ai.embedding.EmbeddingClient;
import org.springframework.ai.vectorstore.VectorStore;
import org.springframework.ai.vectorstore.VectorStoreRetriever;
import org.springframework.ai.document.Document;
import org.springframework.stereotype.Service;import java.util.List;@Service
public class DocumentService {private final VectorStore vectorStore;private final VectorStoreRetriever retriever;public DocumentService(VectorStore vectorStore) {this.vectorStore = vectorStore;this.retriever = vectorStore.retriever();}public void addDocument(String content) {Document doc = new Document(content);vectorStore.add(List.of(doc));}public List<Document> searchSimilar(String query) {return retriever.similaritySearch(query);}
}

三、进阶：RAG 模式整合

可以将 Retriever 检索的文档内容拼接到 prompt 中，作为“上下文”传给 ChatClient，从而实现 RAG 模式。

public String answerWithContext(String question) {List<Document> docs = retriever.similaritySearch(question);String context = docs.stream().map(Document::getContent).collect(Collectors.joining("\n"));PromptTemplate promptTemplate = new PromptTemplate("根据以下内容回答问题：\n{context}\n问题：{question}");Prompt prompt = promptTemplate.create(Map.of("context", context, "question", question));return chatClient.call(prompt).getResult().getOutput().getContent();
}