SpringAl 基本概念
1. Chat Model（聊天模型）
SpringAl 把不同厂商的大模型统一成一个接口。
OpenAL Gpt
Anthropic Claude
Google Gemini
DeepSeek
通义千问
Ollama本地模型
以前java:
OpenAI API
Claude API
DeepSeek API
现在:
ChatModel
统一调用：
String result = chatClient
.prompt()
.user("介绍一下Spring AI")
.call()
.content();
2. ChatClient（最核心概念）
如果学习 Spring AI，第一个重点就是：
ChatClient
它类似：
- Spring MVC 的 Controller
- WebClient 的调用方式
作用：
负责和大模型聊天
官方把ChatClient定义为一个流式API，用来构造Prompt并调用Al Model。
@Autowired
ChatClient chatClient;
String answer = chatClient
.prompt()
.user("什么是MCP?")
.call()
.content();
用户问题
|
ChatClient
|
Prompt
|
Chat Model
|
GPT/Claude/DeepSeek
|
回答
3. Prompt（提示词）
Prompt 就是给 AI 的输入。
你是一名Java专家
请解释Spring AI
Spring AI 中：
Prompt包含：
- System Message
- User Message
- Assistant Message
.prompt()
.system("你是一名Java专家")
.user("解释Spring AI")
对应:
System:
你是一名Java专家
User:
解释Spring AI
4. Advisor（顾问链）
这是 Spring AI 很重要的设计。
可以理解为：
在调用大模型前后插入一些处理逻辑。
类似 Spring MVC：
Controller
↓
Interceptor
↓
Service
Spring AI：
ChatClient
↓
Advisor
↓
LLM
① Memory Advisor
保存聊天历史：
用户:
你好
AI:
你好
用户:
刚才说什么？
AI:
...
需要记住上下文。
加入 RAG：
用户问题
↓
搜索公司资料
↓
把资料放入Prompt
↓
LLM回答
Spring AI 使用 Advisor 可以组合 RAG 流程。
5. Embedding（向量化）
这是 RAG 基础。
普通文字：
Spring Boot 是Java框架
[0.123,
0.523,
0.912,
...]
成为向量。
6. Vector Store（向量数据库）
存储 embedding。
例如：
PDF文件
↓
切片
↓
Embedding
↓
Vector DB
常见：
- pgvector
- Milvus
- Elasticsearch
- Pinecone
- Chroma
Spring AI 提供统一 Vector Store API。
7. RAG（检索增强生成）
这是企业最常用能力。
全称：
Retrieval Augmented Generation
流程：
用户问题
|
v
Embedding
|
v
向量数据库搜索
|
v
找到相关资料
|
v
拼接Prompt
|
v
LLM生成答案
RAG 不是让 GPT 学会你的资料，而是在回答问题时，临时把相关资料找出来塞给 GPT。
Spring AI 中：
VectorStore= 公司知识库EmbeddingModel= 把问题变成可搜索的向量QuestionAnswerAdvisor= 自动检索并拼 PromptChatClient= 调用大模型生成答案
这就是企业 AI 客服、知识库助手最核心的一套架构。
8. Tool Calling（工具调用）
也叫 Function Calling。
核心：
让 AI 调用你的 Java 方法。
例如：
用户：
查询张三订单
AI：
调用:
orderService.query("张三")
流程：
用户
↓
LLM判断需要工具
↓
调用Java方法
↓
返回结果
↓
LLM生成回答
Spring AI 支持把方法作为 Tool 提供给模型。
例如：
@Tool
public Order queryOrder(String id){
}
9. Agent（智能体）
Agent = LLM + Tool + Memory + Planning
普通 Chat
问
|
答
普通 GPT / Chat和agent对比？
我要买明天上海到北京的火车票。
GPT：
你可以打开12306，输入出发地、目的地，选择日期，然后支付。
它做的是：
用户
|
v
GPT
|
v
文字回答
它只有：
✅ 理解你的问题
✅ 提供建议
✅ 生成文字
但是没有：
❌ 查询实时余票
❌ 登录12306
❌ 创建订单
❌ 支付
像一个“助理”。
你：帮我买明天上海到北京的火车票。
先理解目标：
目标：
买一张上海→北京的车票
然后：
步骤1：
查询明天有哪些车次
步骤2：
查询余票
步骤3：
选择合适车次
步骤4：
创建订单
步骤5：
等待付款
然后调用工具：
例如：
工具1：查票
@Tool
searchTrain(
"上海",
"北京",
"2026-08-04"
)
返回：
G10
08:00 上海虹桥
12:30 北京南
二等座 ¥662
工具2：下订单
@Tool
createOrder(
trainId
)
返回：
订单号：123456
最后：
8Agent：
已找到 G10 次列车：
上海虹桥 08:00 出发，北京南 12:30 到达，二等座 662 元。
是否确认购买？
10. MCP（Model Context Protocol）
你最近问过 MCP，这里结合 Spring AI。
MCP 是：
让 AI 标准化连接外部工具和数据。
以前：
GPT
|
每个系统写一个API
|
ERP
数据库
文件
现在：
AI
|
MCP协议
|
MCP Server
|
各种系统
Spring AI 已经支持 MCP 集成。