1、概览 现代应用日益采用自然语言界面简化系统交互，这对数据检索尤为实用 —— 非技术用户可直接用自然语言提问。
Text-to-SQL 聊天机器人便是典型实现，它充当人类语言与数据库间的桥梁。通常借助大语言模型（LLM）将自然语言问题转换为可执行 SQL 查询，随后在数据库中执行并返回结果。
本文将带你了解如何使用 Spring AI 构建 Text-to-SQL 聊天机器人。
2、项目设置 在实现聊天机器人前，需引入必要依赖并正确配置应用。
本文基于 Anthropic 的 Claude 模型构建 Text-To-Sql 聊天机器人。注意：本实现不限定特定 AI 模型，也可选用 Hugging Face 或 Ollama 的本地 LLM 作为替代方案。
2.1、依赖 首先在项目的 pom.xml 文件中添加必要依赖：
<dependency> <groupId>org.springframework.ai</groupId> <artifactId>spring-ai-starter-model-anthropic</artifactId> <version>1.0.0</version> </dependency> Anthropic starter 依赖 是对 Anthropic Message API 的封装，我们将通过它与 Claude 模型交互。
接下来在 application.yaml 文件中配置 Anthropic API Key 和聊天模型：
spring: ai: anthropic: api-key: ${ANTHROPIC_API_KEY} chat: options: model: claude-opus-4-20250514 我们通过 ${} 属性占位符从环境变量加载 API Key。
本文由 Broadcom 的 Spring 开发者倡导者 Josh Long 和 Redis 的应用 AI 工程师 Brian Sam-Bodden 共同撰写，旨在展示如何在 Spring AI 1.0 中使用 Redis。
Spring AI 1.0 是面向 Java 开发的综合性 AI 工程解决方案。受 AI 领域飞速发展的影响，该版本经过了一个重要的开发阶段，现已发布。该版本为 AI 工程师提供了多项核心新功能。Redis 作为 Spring AI 的原生向量数据库，可助力构建高性能 AI 应用。
当前 Java 和 Spring 正处于 AI 应用的黄金时期。大量企业应用基于 Spring Boot 运行，这使其能轻松将 AI 能力集成至现有系统。你可直接将业务逻辑和数据无缝对接 AI 模型，无需复杂改造。
Spring AI 支持多种 AI 模型与技术：
Image model（图像模型）：根据文本提示生成图像。 Transcription model（转录模型）：将音频转换为文本。 Embedding model（嵌入模型）：将任意数据转换为向量（专为语义相似性搜索优化的数据类型）。 Chat model（对话模型）：用户最熟悉的类型，可辅助文档修正或诗歌创作（但暂不建议用于讲笑话），虽功能强大但仍存在局限。 在 Spring AI 中，需要解决一些问题：对话模型具有开放性思维，容易偏离主题，需要通过 system prompt（系统提示）来规范其响应结构和形式。
1、概览 如今，应用程序极大地受益于神经网络集成，例如知识库、助手或分析引擎。其中一个实际用例是将文本转换为语音。这一过程被称为 文本转语音（Text-to-Speech，TTS），能够以自然逼真、类人的声音自动生成音频内容。
现代 TTS 系统利用深度学习技术处理发音、节奏、语调甚至情感。与早期的基于规则的方法不同，这些模型通过海量数据集训练，可以生成富有表现力的多语言语音，非常适合虚拟助手或包容性教育平台等全球化应用场景。
本文将带你了解如何在 Spring AI 中使用 OpenAI 文本转语音（TTS）。
2、依赖配置 首先，需要添加 spring-ai-starter-model-openai 依赖：
<dependency> <groupId>org.springframework.ai</groupId> <artifactId>spring-ai-starter-model-openai</artifactId> <version>1.1.0</version> </dependency> 接下来，为 OpenAI 模型配置 Spring AI 属性：
# Api Key spring.ai.openai.api-key=${OPENAI_API_KEY} # 模型 spring.ai.openai.audio.speech.options.model=tts-1 # 语音风格 spring.ai.openai.audio.speech.options.voice=alloy # 响应的数据格式 spring.ai.openai.audio.speech.options.response-format=mp3 # 语音速度 spring.ai.openai.audio.speech.options.speed=1.0 要使用 OpenAI API，必须设置 OpenAI API Key。同时还需要指定 文本转语音（TTS） 的模型 名称、语音风格、响应格式以及 音频 速度。
3、构建文本转语音应用 现在，构建文本转语音应用。
首先，创建 TextToSpeechService Service 类：
@Service public class TextToSpeechService { private OpenAiAudioSpeechModel openAiAudioSpeechModel; // 构造函数注入 @Autowired public TextToSpeechService(OpenAiAudioSpeechModel openAiAudioSpeechModel) { this.
Spring AI 1.0 正式发布。
快速开始 构件已经发布到 maven central，可以通过提供的 bom 导入依赖项。
<dependencyManagement> <dependencies> <dependency> <groupId>org.springframework.ai</groupId> <artifactId>spring-ai-bom</artifactId> <version>1.0.0</version>0 <type>pom</type> <scope>import</scope> </dependency> </dependencies> </dependencyManagement> 请查看 升级说明，了解最新的更改和升级方法。注意：你可以使用 OpenRewrite Recipe 自动升级到 1.0.0-GA。这可帮助应用此版本的许多必要代码更改。可在 Arconia Spring AI Migrations 查找使用说明。
你可以在 Intialzr 网站上开始创建 1.0 GA 应用，并阅读参考文档中的 “入门” 部分。
博客 这有一些博客精选，这些博客展示了如何以各种方式使用 Spring AI：
微软 Azure 博客 和 视频。特别感谢 Asir Selvasingh，他在 2023 年拉斯维加斯 Spring One 大会上帮助我们 发布了 Spring AI AWS - 博客 - Spring AI 1.0 为广大开发人员带来人工智能技术 Google - 博客 - Google Cloud 和 Spring AI 1.
1、概览 本文将带你了解如何使用 Spring AI 通过 OpenAI 聊天模型从图像中提取结构化数据。
OpenAI 聊天模型可以分析上传的图像并返回相关信息。它还能返回结构化的输出结果，这些输出结果可以很容易地通过管道输送到其他应用程序，以进行进一步操作。
举例说明，我们要创建一个 Web 服务，接收客户端上传的图像并将其发送给 OpenAI，以计算图像中彩色汽车的数量。Web 服务会以 JSON 格式返回颜色数量。
2、Spring Boot 配置 在 Maven pom.xml 中添加以下 Spring Boot Start Web 和 Spring AI Model OpenAI 依赖：
<dependency> <groupId>org.springframework.boot</groupId> <artifactId>spring-boot-starter-web</artifactId> <version>3.4.1</version> </dependency> <dependency> <groupId>org.springframework.ai</groupId> <artifactId>spring-ai-openai-spring-boot-starter</artifactId> <version>1.0.0-M6</version> </dependency> 在 Spring Boot application.yml 文件中，必须要提供用于验证 OpenAI API 的 API 密钥（spring.ai.openai.api-key）和能够执行图像分析的聊天模型（spring.ai.openai.chat.options.model）的配置。
有多种支持图像分析的 模型，如 gpt-4o-mini、gpt-4o 和 gpt-4.5-preview。像 gpt-4o 这样的大模型知识面较广，但成本较高，而像 gpt-4o-mini 这样的小型模型成本较低，延迟也较小。我们可以根据自己的需求来选择型号。
本文选择使用 gpt-4o 模型：
spring: ai: openai: api-key: "<YOUR-API-KEY>" chat: options: model: "gpt-4o" 配置完毕后，Spring Boot 就会自动加载 OpenAiAutoConfiguration 以注册 ChatClient 等 Bean。
Spring AI 1.0.0-SNAPSHOT 在构件 ID、依赖管理和自动配置方面引入了几项重要变更。
本文将带你了解这些变更并提供项目更新指南。
最显著的变更是 Spring AI Starter 构件的命名模式：
模型 starter：spring-ai-{model}-spring-boot-starter → spring-ai-starter-model-{model} 向量存储 starter：spring-ai-{store}-store-spring-boot-starter → spring-ai-starter-vector-store-{store} MCP starter：spring-ai-mcp-{type}-spring-boot-starter → spring-ai-starter-mcp-{type} 此外，你需要添加快照仓库并更新 Dependency Management （依赖管理）配置。
有两种方式可以将项目更新到 Spring AI 1.0.0-SNAPSHOT：使用 AI 工具自动更新 或 手动更新。自动方式利用 Claude Code 快速转换你的项目，而手动方式为那些喜欢直接进行更改的人提供了逐步说明。
使用 Claude Code 自动更新 对于偏好自动化方式的用户，你可以使用 Claude Code CLI 工具，通过提供的提示自动将项目升级到 1.0.0-SNAPSHOT。这种方法可以在升级多个项目或复杂代码库时节省时间并减少错误。更多详情，请参阅升级说明中的 使用 AI 自动升级 部分。
这里仅以屏幕截图的形式展示 Claude Code CLI 工具将执行的步骤。
更新 BOM 版本。
添加仓库。
更新 starter。
全部完成！
手动更新 添加快照仓库 要使用 1.0.0-SNAPSHOT 版本，你需要在构建文件（pom.xml）中添加相应的快照仓库。其中，Central Sonatype Snapshots 仓库（https://central.
本文将带你了解如何在 Spring Boot 中使用 spring-ai 无缝接入 DeepSeek 和通义千问来构建自己的 AI 应用。
Spring & JDK 版本：
springboot 3.4.3 jdk17 1、maven依赖 <dependency> <groupId>org.springframework.ai</groupId> <artifactId>spring-ai-openai-spring-boot-starter</artifactId> </dependency> 2、application.yaml 配置 # DeepSeek 配置，完全兼容openai配置 # spring: # ai: # openai: # base-url: https://api.deepseek.com # DeepSeek的OpenAI式端点 # api-key: sk-xxxxxxxxx # chat.options: # model: deepseek-chat # 指定DeepSeek的模型名称 # 通义千问配置 spring: ai: openai: base-url: https://dashscope.aliyuncs.com/compatible-mode # 通义千问 api-key: sk-xxxxxxxxxxx chat.options: model: qwen-plus 3、Controller package org.example.springboot3ds.controller; import jakarta.annotation.PostConstruct; import jakarta.annotation.Resource; import org.
1、概览 现代 Web 应用越来越多地与大型语言模型（LLM）集成，以构建解决方案。
DeepSeek 是一家中国的 AI 研究公司，致力于开发功能强大的 LLM，最近凭借其 DeepSeek-V3 和 DeepSeek-R1 模型颠覆了人工智能世界。DeepSeek-V3 和 DeepSeek-R1 模型揭示了它的思维链（CoT），让我们了解了 AI 模型是如何解释和处理给定提示的。
本文将带你了解如何将 DeepSeek 模型与 Spring AI 集成，以构建一个能够进行多轮文本对话的简单聊天机器人。
2、依赖和配置 有多种方法可以将 DeepSeek 模型集成到我们的应用中。
2.1、使用 OpenAI DeepSeek 模型与 OpenAI API 完全兼容，可以使用任何 OpenAI 客户端或库进行访问。
首先，在项目的 pom.xml 文件中添加 Spring AI 的 OpenAI Starter 依赖：
<dependency> <groupId>org.springframework.ai</groupId> <artifactId>spring-ai-openai-spring-boot-starter</artifactId> <version>1.0.0-M6</version> </dependency> 由于当前的 1.0.0-M6 版本是里程碑版本，因此还需要在 pom.xml 中添加 Spring Milestones Repository：
<repositories> <repository> <id>spring-milestones</id> <name>Spring Milestones</name> <url>https://repo.spring.io/milestone</url> <snapshots> <enabled>false</enabled> </snapshots> </repository> </repositories> 该 Repository 是发布里程碑版本的地方，而不是标准的 Maven Central Repository。无论我们选择哪种配置选项，都需要添加这个里程碑 Repository。
1、概览 搜索 是软件中的一个基本概念，目的是在大数据集中查找相关信息。它涉及在一系列项目中查找特定项目。
本文将带你了解如何使用 Spring AI、PGVector 和 Ollama 实现语义搜索。
2、基础概念 语义搜索是一种先进的搜索技术，它利用词语的含义来查找最相关的结果。要构建语义搜索应用，需要了解一些关键概念：
词嵌入（Word Embedding）：词嵌入是一种词表示类型，允许具有相似含义的单词具有类似的表示形式。词嵌入将单词转换为数值向量，可以在机器学习模型中使用。 语义相似性：语义相似性是衡量两段文本在意义上相似程度的一种方法。它用于比较单词、句子或文档的含义。 向量空间模型：向量空间模型是一种数学模型，用于将文本文档表示为高维空间中的向量。在该模型中，每个单词都表示为一个向量，两个单词之间的相似度根据它们向量之间的距离来计算。 余弦相似度：余弦相似度是内积空间中两个非零向量之间的相似度量，它测量的是两个向量之间角度的余弦值。它计算向量空间模型中两个向量之间的相似度。 3、先决条件 首先，我们需要在机器上安装 Docker，以便运行 PGVector 和 Ollama。
然后，在 Spring 应用中添加 Spring AI Ollama 和 PGVector 依赖：
<dependency> <groupId>org.springframework.ai</groupId> <artifactId>spring-ai-ollama-spring-boot-starter</artifactId> </dependency> <dependency> <groupId>org.springframework.ai</groupId> <artifactId>spring-ai-pgvector-store-spring-boot-starter</artifactId> </dependency> 还要添加 Spring Boot 的 Docker Compose 支持，以管理 Ollama 和 PGVector Docker 容器：
<dependency> <groupId>org.springframework.boot</groupId> <artifactId>spring-boot-docker-compose</artifactId> <version>3.1.1</version> </dependency> 除了依赖外，还要在 docker-compose.yml 文件中描述这两个服务：
services: postgres: image: pgvector/pgvector:pg17 environment: POSTGRES_DB: vectordb POSTGRES_USER: postgres POSTGRES_PASSWORD: postgres ports: - "5434:5432" healthcheck: test: [ "CMD-SHELL", "pg_isready -U postgres" ] interval: 10s timeout: 5s retries: 5 ollama: image: ollama/ollama:latest ports: - "11435:11434" volumes: - ollama_data:/root/.
1、概览 AI 驱动的应用已成为我们的新现实。我们正在广泛实现各种 RAG 应用和提示 API，并使用 LLM 创建令人印象深刻的项目。借助 Spring AI，我们可以更快、更稳定地完成这些任务。
本文将带你了解 Spring AI Advisor 这一功能，它可以为我们处理各种常规任务。
2、Spring AI Advisor 是什么？ Advisors 是在 AI 应用程序中处理请求和响应的拦截器。我们可以使用它们为提示流程设置额外的功能。例如，可以建立聊天历史、排除敏感词或为每个请求添加额外的上下文。
该功能的核心组件是 CallAroundAdvisor 接口。我们通过实现该接口来创建 Advisor 链，从而影响我们的请求或响应。Advisor 流程如下图所示：
我们会将提示（prompt）发送到一个聊天模型，该模型关联了一个 Advisor 链。在发送提示之前，链上的每个 Advisor 都会执行其 before 操作。同样，在收到聊天模型的回复之前，每个 Advisor 都会调用自己的 after 操作。
3、ChatMemoryAdvisor ChatMemoryAdvisor 是一组非常有用的 Advisor 实现。我们可以使用这些 Advisor 提供与聊天提示的交流历史，从而提高聊天回复的准确性。
3.1、MessageChatMemoryAdvisor 使用 MessageChatMemoryAdvisor，我们可以通过 messages 属性提供聊天客户端调用的聊天历史记录。我们可以将所有消息保存在 ChatMemory 实现中，并控制历史记录的大小。
示例如下：
@SpringBootTest(classes = ChatModel.class) @EnableAutoConfiguration @ExtendWith(SpringExtension.class) public class SpringAILiveTest { @Autowired @Qualifier("openAiChatModel") ChatModel chatModel; ChatClient chatClient; @BeforeEach void setup() { chatClient = ChatClient.
