文章目录
- 一.Spring Ai介绍
- 1.0 认识Spring Ai
- 1.1 特征
- 1.1 大模型专业名字介绍
- 1.1.1 RAG(检索增强生成)
- RAG 的基本原理
- RAG 的关键技术
- RAG 的优势
- RAG 的应用场景
- 1.1.2 fine-tuning(微调)
- 1.1.3 function-call(函数调用)
- 1.2 创建简单的Spring Ai项目
- 二.Spring Ai简单的智能应用
- 2.1 智能提问实现
- 2.2 角色预设
- 2.3 流式响应
- 2.4 ChatClient和ChatMode区别
- 2.5 文生图（gpt-4模型和deepseek-r1模型）
- 2.6 文生语音
- 2.7 语音翻译
- 2.8 多模态
- 2.9 function-call请求
- 持续待更新...........
一.Spring Ai介绍
Spring Ai 官方：https://spring.io/projects/spring-ai
1.0 认识Spring Ai
Spring AI 是一个用于 AI 工程的应用程序框架。 其目标是将 Spring 生态系统设计原则（如可移植性和模块化设计）应用于 AI 领域，并将使用 POJO 作为应用程序的构建块推广到 AI 领域。
Spring AI 的核心是解决了 AI 集成的根本挑战：将您的企业数据和 API 与 AI 模型连接起来。
1.1 特征
Spring AI 提供以下功能：
- 支持所有主要的 AI 模型提供商，例如 Anthropic、OpenAI、Microsoft、Amazon、Google 和 Ollama。支持的模型类型包括：
- 聊天完成
- 嵌入
- 文本到图像
- 音频转录
- 文本到语音
- 适度
- 支持跨 AI 提供商对同步和流式处理 API 选项的可移植 API 支持。此外，还可以访问特定于模型的特征。
- 结构化输出 - AI 模型输出到 POJO 的映射。
- 支持所有主要的矢量数据库提供商，例如 Apache Cassandra、Azure Vector Search、Chroma、Milvus、MongoDB Atlas、Neo4j、Oracle、PostgreSQL/PGVector、PineCone、Qdrant、Redis 和 Weaviate。
- 跨 Vector Store 提供商的可移植 API，包括一种新颖的类似 SQL 的元数据过滤器 API。
- 工具/函数调用 - 允许模型请求执行客户端工具和函数，从而根据需要访问必要的实时信息。
- 可观察性 - 提供对 AI 相关作的见解。
- 用于数据工程的文档注入 ETL 框架。
- AI 模型评估 - 帮助评估生成的内容并防止幻觉响应的实用程序。
- ChatClient API - 用于与 AI 聊天模型通信的 Fluent API，惯用性类似于 WebClient 和 RestClient API。
- Advisors API - 封装重复的生成式 AI 模式，转换发送到和传出语言模型 （LLM） 的数据，并提供跨各种模型和用例的可移植性。
- 支持 Chat Conversation Memory and Retrieval Augmented Generation （RAG）。
- Spring Boot 所有 AI 模型和向量存储的自动配置和启动器 - 使用 start.spring.io 选择所需的模型或向量存储。
上述内容摘自：Spring Ai 官网。
1.1 大模型专业名字介绍
1.1.1 RAG(检索增强生成)
大致思路：假如有个智能客服，它会优先去查询向量数据中数据，将查到的相关数据给 prompt对象 ，然后通过大模型响应给应用程序。
RAG 的基本原理
RAG 主要由 两个阶段 组成：
-
检索阶段（Retrieval）：
- 在生成文本之前，模型会从一个 外部知识库（如向量数据库、文档集合等）检索出相关的信息。
- 这种检索通常使用 向量搜索（如 FAISS、Milvus）或基于搜索引擎（如 Elasticsearch）。
-
生成阶段（Generation）：
- 结合检索到的内容，大语言模型（如 GPT、LLaMA）使用这些外部信息来生成更准确、符合事实的回答。
- 这种方式可以减少幻觉（hallucination），让生成的内容更加可信。
RAG 的关键技术
向量数据库
- 用于存储和检索文本嵌入（text embeddings）。
- 常见的向量数据库：
- FAISS（Facebook AI Similarity Search）
- Milvus
- Pinecone
- Weaviate
文本嵌入（Embedding）
- 使用模型（如 OpenAI Embeddings、BERT、Sentence-BERT）将文本转换为向量，便于相似度搜索。
检索策略
- 稠密检索（Dense Retrieval）：基于神经网络（如 DPR、ColBERT），效果更优，但计算成本较高。
- 稀疏检索（Sparse Retrieval）：如 BM25，传统的基于关键词的检索方法。
RAG 的优势
- 减少幻觉：模型基于真实检索到的内容生成回答，降低胡编乱造的概率。
- 增强知识：即使预训练数据缺乏某些信息，模型仍可动态检索外部知识库。
- 实时更新：相比 LLM 需要重新训练，RAG 只需更新知识库，适用于动态领域（如法律、医学等）。
- 更精准回答：相比纯 LLM，RAG 结合检索数据，可提供更精确的参考来源。
RAG 的应用场景
- 智能问答系统（如企业知识库问答、金融/法律咨询）
- 代码自动补全（检索 GitHub 代码库，提高准确性）
- 医疗辅助诊断（结合医学文献，提高生成答案的专业性）
- 法律法规检索（查询法律条文，生成更符合规范的解读）
- 客服机器人（实时检索 FAQ，提升客服效率）
1.1.2 fine-tuning(微调)
1.1.3 function-call(函数调用)
1.2 创建简单的Spring Ai项目
- 官方提示：Spring AI 支持 Spring Boot 3.2.x 和 3.3.x
- jdk17+
（☞本地安装多个JDK版本自由切换）
二.Spring Ai简单的智能应用
（延续使用1.2中创建的Spring Ai 应用。）
2.1 智能提问实现
【yml配置】
spring:ai:openai:api-key: you_api_keybase-url: 你的api_key的请求路径chat:options:model: gpt-3.5-turbo # 调用的哪个模型名称
由于调用 的是国外的open ai 大模型，需要“魔法”，所以我这里搞了中转站，请求中转站的 api-key和base-url，具体的做法 淘宝 搜 open api key
【controller】
package com.hz.controller;import org.springframework.ai.chat.client.ChatClient;
import org.springframework.beans.factory.annotation.Value;
import org.springframework.web.bind.annotation.GetMapping;
import org.springframework.web.bind.annotation.RequestMapping;
import org.springframework.web.bind.annotation.RequestParam;
import org.springframework.web.bind.annotation.RestController;/*** @Author: weiyi* @Description:* @Date 2025/2/28 21:24* @ClassName AiController* @Version 1.0*/@RestController
@RequestMapping("/ai")
public class AiController {//智能对话的客户端private final ChatClient chatClient;public AiController(ChatClient.Builder chatClientBuilder) {this.chatClient = chatClientBuilder.build();}@GetMapping("/ai01")public String generation(@RequestParam(value = "message", defaultValue = "给我讲个笑话")String message) {return this.chatClient.prompt() // prompt:提示词.user(message) // message:用户输入的信息.call() // 调用大模型 远程请求大模型.content(); // 获取大模型的返回结果}
}上述代码是 参考的spring Ai 官方文档
【测试】
http://localhost:8080/ai/ai01?message=列出spring中的重点概念
这个场景模拟的是在大模型如deepseek等对话窗口的提问。
2.2 角色预设
假如你希望是一个特定场景下的智能体对话，可以进行角色预设。
在项目中的config包中创建AiConfig配置类
/*** @Author: weiyi* @Description:* @Date 2025/2/28 21:40* @ClassName AiConfig* @Version 1.0*/
@Configuration
public class AiConfig {@BeanChatClient chatClient(ChatClient.Builder builder) {return builder.defaultSystem("你现在不是 chat gpt 了，" +"你是一个精通古代诗人的智能助手，有个诗人叫维一，知识渊博").build();}}
【修改controller】
/*** @Author: weiyi* @Description:* @Date 2025/2/28 21:24* @ClassName AiController* @Version 1.0*/@RestController
@RequestMapping("/ai")
public class AiController {//智能对话的客户端@Autowiredprivate ChatClient chatClient;// public AiController(ChatClient.Builder chatClientBuilder) {// this.chatClient = chatClientBuilder.build();// }@GetMapping("/ai01")public String generation(@RequestParam(value = "message", defaultValue = "给我讲个笑话")String message) {// prompt:提示词return this.chatClient.prompt().user(message) // message:用户输入的信息.call() // 调用大模型 远程请求大模型.content(); // 获取大模型的返回结果}
}测试
2.3 流式响应
通俗点说流式响应就是将生成的文本内容一个字一个字的显示出来。
/*** @description: 流式响应* @author: weiyi* @date: 2025/3/1 19:08* @param: [message]* @return: reactor.core.publisher.Flux<java.lang.String>**/@GetMapping(value = "/ai02", produces = "text/html;charset=utf-8")public Flux<String> generation02(String message){Flux<String> output = chatClient.prompt().user(message).stream().content();return output;}如果不设置 produces = “text/html;charset=utf-8” 输出内容会出现中文乱码。
2.4 ChatClient和ChatMode区别
ChatClient Api 里是大模型通用的功能。
ChatMode Api 是大模型特有功能。假如用deepseek特有的模型功能需要用ChatMode Api
如：用open ai 下模型：
@Autowiredprivate ChatModel chatModel;@GetMapping(value = "/ai03", produces = "text/html;charset=utf-8")public String generation03(@RequestParam(value = "message",defaultValue = "给我讲个笑话") String message){ChatResponse response = chatModel.call(new Prompt(message, // new UserMessage(message)OpenAiChatOptions.builder().model("gpt-3.5-turbo").temperature(0.4)//让生成文字更有温度.build()));//等同于 .contentreturn response.getResult().getOutput().getText();}
2.5 文生图（gpt-4模型和deepseek-r1模型）
spring:ai:openai:api-key: xxxxxbase-url: xxxxxxchat:options:model: gpt-4-32k
@GetMapping(value = "/ai05")public String generation05(@RequestParam(value = "message",defaultValue = "画个龙") String message) {ImageResponse response = openaiImageModel.call(new ImagePrompt(message, // 图片提示词OpenAiImageOptions.builder().quality("hd") // 图片质量.withModel(OpenAiImageApi.DEFAULT_IMAGE_MODEL) // 图片模型.N(1) // 生成图片数量.height(1024).width(1024).build()));return response.getResult().getOutput().getUrl();}会生成图片的url地址：
将生成的图片地址粘贴浏览器地址栏：
(这是调用gpt4模型生成的)
【换成deepseek-r1模型】
☞deepseek官网文档
这是调用deepseek-r1模型生成。
2.6 文生语音
持续待更新…
2.7 语音翻译
持续待更新…
2.8 多模态
持续待更新…
2.9 function-call请求
持续待更新…
