SpringAI与LangChain4j的智能应用-(实践篇3)

原创 已于 2025-12-25 10:50:46 修改 · 410 阅读 · 6 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#人工智能 #spring boot #langchain #springai #java

于 2025-12-25 10:50:25 首次发布

「鸿蒙心迹」“2025・领航者闯关记“主题征文活动 10w+人浏览 564人参与

企业级AIOps平台（Spring Boot 3.x + Vue3）核心实现方案

一、项目整体定位

聚焦AIOps核心闭环：数据采集→异常检测→根因定位→自动处置，仅实现核心流程，剔除复盘优化、审计等旁支功能，优先保证核心链路可运行。
技术栈：

  • 后端：Spring Boot 3.2.5 + SpringAI 1.0.0-M1 + LangChain4j 0.32.0 + Prometheus Java Client + MyBatis-Plus
  • 前端：Vue3 + Element Plus + ECharts（仅核心可视化）

二、工程目录结构

1. 后端目录结构（Maven多模块，聚焦核心）

aiops-platform/
├── aiops-common/                // 通用模块（核心）
│   ├── src/main/java/com/aiops/common/
│   │   ├── constant/            // 常量（异常等级、处置类型）
│   │   ├── dto/                 // 通用DTO（分页、返回结果）
│   │   ├── enums/               // 枚举（异常类型、处置级别）
│   │   ├── exception/           // 全局异常
│   │   └── utils/               // 工具类（JSON、时间、HTTP）
├── aiops-core/                  // 核心业务模块（核心）
│   ├── src/main/java/com/aiops/core/
│   │   ├── collect/             // 数据采集模块
│   │   │   ├── controller/      // 采集配置接口（仅核心）
│   │   │   ├── service/         // 指标/日志采集服务
│   │   │   └── vo/              // 采集入参VO
│   │   ├── detect/              // 异常检测模块
│   │   │   ├── controller/      // 检测规则/结果接口
│   │   │   ├── service/         // 规则+AI检测服务
│   │   │   └── vo/              // 检测入参VO
│   │   ├── locate/              // 根因定位模块
│   │   │   ├── controller/      // 根因定位接口
│   │   │   ├── service/         // LangChain4j编排推理服务
│   │   │   └── vo/              // 定位入参VO
│   │   ├── dispose/             // 自动处置模块
│   │   │   ├── controller/      // 处置规则/执行接口
│   │   │   ├── service/         // 分级处置服务
│   │   │   └── vo/              // 处置入参VO
│   │   └── entity/              // 核心实体（指标、异常、根因、处置记录）
│   └── src/main/resources/
│       ├── mapper/              // MyBatis-Plus映射文件
│       └── application.yml      // 核心配置（AI模型、Prometheus地址）
├── aiops-api/                   // API网关（简化版，仅路由）
│   └── src/main/java/com/aiops/api/
│       └── GatewayApplication.java
└── pom.xml                      // 父依赖（Spring Boot 3.2.5）

2. 前端目录结构（Vue3 + Vite，聚焦核心）

aiops-front/
├── src/
│   ├── api/                     // 接口请求（采集、检测、定位、处置）
│   ├── assets/                  // 静态资源（图标、样式）
│   ├── components/              // 核心组件
│   │   ├── DataCollect.vue      // 数据采集配置组件
│   │   ├── AnomalyDetect.vue    // 异常检测结果组件
│   │   ├── RootCauseLocate.vue  // 根因定位组件
│   │   └── AutoDispose.vue      // 自动处置组件
│   ├── layout/                  // 基础布局（简化版）
│   ├── router/                  // 路由（核心4个页面）
│   ├── store/                   // Pinia状态管理（仅核心数据）
│   ├── views/                   // 核心页面
│   │   ├── collect/             // 数据采集页
│   │   ├── detect/              // 异常检测页
│   │   ├── locate/              // 根因定位页
│   │   └── dispose/             // 自动处置页
│   ├── App.vue                  // 根组件
│   └── main.js                  // 入口文件
├── package.json
└── vite.config.js

三、核心流程梳理（仅核心链路）

流程总览

数据采集（指标/日志）→ 异常检测（规则+AI）→ 根因定位（多源融合+AI推理）→ 自动处置（分级执行）

1. 数据采集阶段（核心实现）

目标

采集核心指标（接口超时率、CPU使用率）和ERROR日志，标准化存储。

核心实现步骤

① 配置采集源：前端配置Prometheus地址、日志文件路径，后端保存采集规则到数据库；
② 定时采集：后端通过@Scheduled定时调用Prometheus API获取指标，通过FileReader读取日志文件；
③ 数据标准化：将指标/日志转换为统一格式（包含serviceName、metricName、value、timestamp），存入MySQL。

核心代码（指标采集服务）
@Service
public class MetricCollectService {
    @Autowired
    private PrometheusApiClient prometheusApiClient; // 自定义Prometheus客户端
    @Autowired
    private MetricMapper metricMapper;

    // 每1分钟采集核心指标
    @Scheduled(cron = "0 */1 * * * ?")
    public void collectMetric() {
        // 1. 获取采集规则（仅核心服务：trade、pay）
        List<CollectRule> rules = collectRuleMapper.selectList(Wrappers.lambdaQuery(CollectRule.class)
                .in(CollectRule::getServiceName, "trade", "pay"));
        
        // 2. 遍历采集
        for (CollectRule rule : rules) {
            // 调用Prometheus API查询指标（如接口超时率）
            String query = "avg(api_timeout_rate{service=\"%s\"})[1m]".formatted(rule.getServiceName());
            BigDecimal value = prometheusApiClient.queryMetric(query);
            
            // 3. 标准化存储
            MetricDO metricDO = new MetricDO();
            metricDO.setServiceName(rule.getServiceName());
            metricDO.setMetricName("api_timeout_rate");
            metricDO.setValue(value);
            metricDO.setTimestamp(LocalDateTime.now());
            metricMapper.insert(metricDO);
        }
    }
}

2. 异常检测阶段（核心实现）

目标

规则初筛+AI复判，识别真异常（接口超时率>5%）。

核心实现步骤

① 规则检测：后端读取指标数据，判断是否超过阈值（如超时率>5%）；
② AI复判：若触发规则，调用SpringAI的ChatClient，整合日志数据判定是否为真异常；
③ 结果存储：将异常结果（服务名、异常类型、判定依据）存入数据库，前端实时展示。

核心代码（异常检测服务）
@Service
public class AnomalyDetectService {
    @Autowired
    private ChatClient chatClient;
    @Autowired
    private MetricMapper metricMapper;
    @Autowired
    private LogMapper logMapper;

    public AnomalyDetectResult detect(String serviceName) {
        AnomalyDetectResult result = new AnomalyDetectResult();
        result.setServiceName(serviceName);

        // 1. 规则检测：查询近5分钟超时率
        BigDecimal timeoutRate = metricMapper.selectAvgTimeoutRate(serviceName, 5);
        if (timeoutRate.compareTo(new BigDecimal("5")) <= 0) {
            result.setIsAnomaly(false);
            return result;
        }

        // 2. AI复判：整合日志数据
        List<LogDO> errorLogs = logMapper.selectRecentErrorLogs(serviceName, 5);
        String logContent = errorLogs.stream().map(LogDO::getContent).collect(Collectors.joining("；"));
        
        String prompt = """
                判定服务%s是否为真异常：
                1. 接口超时率：%s%%
                2. 近5分钟ERROR日志：%s
                要求：仅输出“是/否”+判定依据（≤50字）
                """.formatted(serviceName, timeoutRate, logContent);
        
        String aiResponse = chatClient.call(prompt);
        result.setIsAnomaly(aiResponse.contains("是"));
        result.setReason(aiResponse);
        
        // 3. 存储异常结果
        AnomalyDO anomalyDO = new AnomalyDO();
        BeanUtils.copyProperties(result, anomalyDO);
        anomalyMapper.insert(anomalyDO);
        
        return result;
    }
}

3. 根因定位阶段（核心实现）

目标

LangChain4j编排流程，融合指标+日志数据，定位核心根因。

核心实现步骤

① 数据整合：后端整合异常服务的指标、日志数据，生成故障上下文；
② AI推理：LangChain4j调用大模型，基于模板化Prompt推理根因；
③ 结果返回：前端展示根因+验证方法。

核心代码（根因定位服务）
@Service
public class RootCauseLocateService {
    @Autowired
    private ChatLanguageModel chatModel;

    public RootCauseResult locate(String serviceName) {
        // 1. 整合故障上下文
        String metrics = "接口超时率：8%，数据库CPU：90%";
        String logs = "ERROR - 数据库查询超时（SQL：select * from order where user_id=?）";
        String context = "指标：%s；日志：%s".formatted(metrics, logs);

        // 2. LangChain4j Prompt模板化
        PromptTemplate promptTemplate = PromptTemplate.from("""
                定位服务{{serviceName}}的核心根因：
                {{context}}
                要求：1. 根因仅1个；2. 验证方法1句话
                """);
        
        String prompt = promptTemplate.apply(Map.of("serviceName", serviceName, "context", context));
        String rootCause = chatModel.generate(prompt).content();

        // 3. 组装结果
        RootCauseResult result = new RootCauseResult();
        result.setServiceName(serviceName);
        result.setRootCause(rootCause);
        return result;
    }
}

4. 自动处置阶段（核心实现）

目标

分级处置：低风险自动重启服务，高风险生成建议。

核心实现步骤

① 匹配处置规则：根据根因匹配预设规则（如“数据库慢查询→生成建议”“线程池耗尽→重启服务”）；
② 执行处置：低风险调用Ansible重启服务，高风险返回处置建议；
③ 结果校验：处置后校验指标是否恢复，前端展示处置结果。

核心代码（自动处置服务）
@Service
public class AutoDisposeService {
    @Autowired
    private RootCauseLocateService rootCauseService;
    @Autowired
    private AnsibleClient ansibleClient;

    public DisposeResult dispose(String serviceName) {
        DisposeResult result = new DisposeResult();
        RootCauseResult rootCause = rootCauseService.locate(serviceName);
        
        // 1. 匹配处置规则
        if (rootCause.getRootCause().contains("线程池耗尽")) {
            // 低风险：自动重启服务
            boolean success = ansibleClient.restartService(serviceName);
            result.setDisposeAction("自动重启服务");
            result.setSuccess(success);
        } else {
            // 高风险：生成建议
            result.setDisposeAction("人工处置建议：优化数据库索引");
            result.setSuccess(true);
        }
        
        return result;
    }
}

四、核心流程前端交互（简化版）

  1. 数据采集页：输入服务名、Prometheus地址，点击“启动采集”，实时展示采集的指标数据（折线图）；
  2. 异常检测页：选择服务名，点击“检测”，展示是否异常+判定依据；
  3. 根因定位页：选择异常服务，点击“定位”，展示根因+验证方法；
  4. 自动处置页：选择根因结果，点击“处置”，展示处置动作+执行结果。

五、核心配置（application.yml）

spring:
  application:
    name: aiops-core
  # 数据库配置
  datasource:
    driver-class-name: com.mysql.cj.jdbc.Driver
    url: jdbc:mysql://localhost:3306/aiops?useUnicode=true&characterEncoding=utf8
    username: root
    password: root123
  # SpringAI配置
  ai:
    openai:
      api-key: ${OPENAI_API_KEY}
      chat:
        model: gpt-4o
        temperature: 0.1
# Prometheus配置
prometheus:
  url: http://localhost:9090
# 定时任务配置
spring:
  task:
    scheduling:
      pool:
        size: 5

六、核心实现注意事项

  1. 优先保证核心链路通：采集→检测→定位→处置，暂不考虑高并发、容错、审计；
  2. 前端仅实现核心交互，无需复杂样式，聚焦数据展示；
  3. AI模型优先用OpenAI（快速验证），本地模型可后续替换；
  4. 数据存储仅用MySQL，时序数据库、ES等后续扩展。

此方案聚焦核心流程，剔除所有非必要功能，可快速落地验证AIOps平台的核心能力，后续可基于此扩展复盘、审计、高可用等能力。

SpringBoot集成LangChain4j：构建智能AI应用全解析
qq_36929638的博客
05-22 503
本文介绍了如何将大语言模型（LLM）能力集成到企业级Java应用中，重点探讨了LangChain4j与SpringBoot的结合。LangChain4j是一个专为Java设计的开源框架，提供了链式调用、工具集成、记忆管理、向量存储和函数调用等核心功能，简化了LLM与Java应用的集成。SpringBoot则提供了企业级支持，简化开发流程，并与Java生态系统无缝兼容。文章从基础概念入手，详细讲解了如何快速构建一个集成LLM的SpringBoot应用，包括添加依赖、配置API密钥、创建智能服务接口和REST控
使用 Spring AI 和 LangChain4j 实现聊天机器人对比分析
互联网架构师笔记
03-31 2176
使用 Spring AI 和 LangChain4j 实现聊天机器人对比分析
SpringAI与LangChain4j的智能应用-(实践篇2)
Coder_Boy_的博客
12-25 554
摘要：企业级AIOps核心流程包含数据采集、异常检测、根因定位、自动处置和复盘优化5大阶段。数据采集需覆盖指标、日志、链路、告警4类数据，通过Prometheus、ELK、SkyWalking等组件实现标准化采集。异常检测采用规则+AI双检模式，结合静态阈值和大模型分析降低误报率。整个流程需满足企业级可观测性、稳定性和可审计要求，通过分层技术架构和动态配置实现智能运维闭环。（149字）
SpringAI与LangChain4j的智能应用-(实践篇)
Coder_Boy_的博客
12-25 604
本文比较了SpringAI和LangChain4j在AIOps日志分析场景下的实现方式。SpringAI通过标准化接口快速集成AI能力，适合简单场景的快速接入；LangChain4j则将任务拆解为可编排步骤，支持灵活扩展。SpringAI更侧重与Spring生态的无缝集成，而LangChain4j强调流程的可扩展性和步骤化处理。在AIOps场景中，SpringAI适合单一AI能力调用，LangChain4j则更适合需要多步骤编排的复杂流程。
SpringAI与LangChain4j的智能应用-(理论篇3)
Coder_Boy_的博客
12-25 491
SpringAI快速入门指南 SpringAI通过标准化抽象层和Spring生态融合，简化AI集成。环境搭建需Spring Boot 3.2+和Java 17+，引入核心依赖和Starter（如OpenAI/Ollama）。配置文件中定义模型参数和监控端点。核心接口ChatClient提供统一调用方式，支持多模型切换（@Qualifier）和上下文对话（Prompt构建）。进阶功能包括Prompt模板化（Mustache语法）实现动态参数填充，提升代码复用性。
SpringAI与LangChain4j的智能应用-(理论篇)
Coder_Boy_的博客
12-25 473
SpringAI与LangChain4j是Java生态中两大AI框架，各有侧重。SpringAI深度集成Spring生态，适合企业级应用智能化改造，典型场景包括电商评论分析、金融风控和医疗影像分析，能无缝对接Spring事务管理和权限控制。LangChain4j强调灵活性和多模型适配，适用于智能客服动态切换模型、代码生成工作流等创新型场景。选型需考虑技术栈（Spring优先选SpringAI）、核心诉求（灵活扩展选LangChain4j）和团队背景。二者也可结合使用，用SpringAI处理企业级集成，Lan
SpringAI与LangChain4j：两大Java AI框架深度对比与实践指南
私聊前往站内信：https://i.youkuaiyun.com/#/msg/chat/weixin_44976692
06-08 2274
本文对比了Java生态中两大AI框架SpringAI与LangChain4j。SpringAI深度集成Spring生态，简化AI功能开发；LangChain4j则提供更丰富的AI组件和链式调用能力。文章从架构、功能特性两方面进行对比，并通过基础聊天应用案例展示两者差异：SpringAI配置简洁但功能有限，LangChain4j更灵活且支持记忆管理等高级特性。开发者在选择时需权衡易用性与功能完备性，SpringAI适合简单集成场景，LangChain4j则更适合复杂AI应用构建。
SpringAI与LangChain4j的智能应用-(实践篇4)
最新发布
Coder_Boy_的博客
12-25 735
企业级存量系统智能化改造需遵循"最小侵入、价值优先"原则，分四阶段实施：1)前期准备（1-2周）明确业务目标，梳理系统现状；2)方案落地（2-8周）分三步改造数据层、集成AI能力并进行验证；3)上线推广（1-2周）全量部署并优化流程；4)持续迭代阶段建立数据闭环。关键要避免重构核心系统，采用插件化方式集成AI服务，优先选择高价值低改造场景（如AIOps异常分析），并确保数据安全合规。整个改造过程强调快速验证、分步落地，最终实现业务提效与运维优化。
SpringAI和LangChain4j哪个更适合企业级应用开发？
csdn_tom_168的博客
06-09 1158
摘要： Spring AI更适合企业级AI应用开发，优势体现在成熟度、微服务集成、安全合规及运维支持。LangChain4j适用于复杂场景（如多轮对话），但需额外开发企业级功能。建议混合架构：Spring AI作核心底座，LangChain4j处理特定复杂任务。关键决策因素包括企业认证需求与场景复杂度，Spring AI在稳定性、监控和资源优化方面表现更优，而LangChain4j版本兼容性和运维成本较高。优先采用Spring AI实现基础功能，必要时补充LangChain4j工具链。
Java 微服务 AI 集成：LangChain4j 与 SpringAI
果酱 の 博客
08-27 1681
本文对比了Java生态中两大AI集成框架LangChain4j与SpringAI的核心架构与实战应用。LangChain4j定位为灵活通用的LLM交互框架，支持多模型调用和链式处理；SpringAI则深度集成Spring生态，提供自动化配置和统一客户端抽象。从环境搭建到微服务集成，文章详细展示了两者在智能问答、多轮对话、语义搜索等场景的实现方案，并进行了性能对比与适用场景分析。最后提出了微服务中AI集成的最佳实践，包括性能优化、安全考虑和监控方案，为开发者选择框架提供指导建议。
Spring-AI vs LangChain4J：Java生态的AI框架选型指南
热门推荐
沉淀所学，分享所思，让热爱与成长同行。商务记录AI实战经验，助力开发者快速成长。 热爱AI，希望做出有影响力的技术成果。 技术点亮生活，分享连接价值与机会。 专注AI落地实战，陪你走好技术每一步。
12-13 1万+
最近在搞AI相关的项目，发现Java生态下有两个比较主流的框架：Spring-AI和LangChain4J。说实话，刚开始我也挺纠结选哪个，毕竟两个看起来都挺不错的。今天就来聊聊这两个框架的区别，以及在实际项目中怎么选。
Spring AI vs LangChain4j：Java AI开发框架完整对比指南
java_beautiful的博客
07-18 1444
SystemMessage("你是一个专业的客服助手")@SystemMessage("分析以下文本的情感")@SystemMessage("总结以下内容")// 使用.build();String response = assistant.chat("你好");@Tool("查询用户信息")public String queryUser(@P("用户ID") String userId) {try {",return "用户不存在";
SpringAI + DeepSeek大模型应用开发 - 入门篇
ltt159264的博客
06-17 1191
本文介绍了基于Spring AI框架搭建对话机器人的实现过程。
全品类电商AI助手诞生，AI试衣+万饰穿戴+图生视频，覆盖全链路
Dreamshop_AI的博客
12-19 1851
DreamshopAI升级推出三大核心功能，全面革新电商视觉生产流程：AI试衣功能通过智能识别服装款式和材质，7-15天模特拍摄缩短至几分钟；万饰穿戴功能突破品类限制，精准还原珠宝、箱包等商品的材质细节；图生视频功能将静态图片转化为高质量短视频，大幅降低视频制作门槛。系统基于千万级电商数据训练，能自动适配不同市场需求，并推出AI试衣屏Dreamfit实现线上线下体验闭环。此次升级使AI成为电商运营的核心生产力工具，将传统视觉制作效率提升3倍以上，推动电商行业进入智能化新阶段。
[LLM]AIM: Adaptive Inference of Multi-Modal LLMs via Token Merging and Pruning
天下事有难易乎？为之，则难者亦易矣；不为，则易者亦难矣。人之为学有难易乎？学之，则难者亦易矣；不学，则易者亦难矣。
12-20 651
本文提出AIM框架，一种无需训练的多模态大语言模型(MLLMs)推理加速方法。通过双阶段设计：在LLM前基于相似度合并视觉Token，在LLM内基于注意力重要性剪枝Token，显著降低计算量。实验表明，该方法在视频理解任务中可减少6.8倍FLOPs，在图像任务中保持3.7倍加速的同时维持性能。关键发现包括：75%视觉Token冗余、LLM早期层侧重跨模态融合而后期侧重文本推理、跨帧合并会损害视频理解等。该方法支持动态调整压缩比例，为资源受限环境下的高效多模态推理提供了实用解决方案。
企业级 RAG 问答系统开发上线流程分析
hello！
12-22 1219
这个项目流程是一个非常典型的。
Yolov10n-ReCalibrationFPN-P3456在茶树褐斑病检测中的应用与实践
Dekesas9695的博客
12-21 1247
本文提出了一种基于Yolov10n-ReCalibrationFPN-P3456的茶树褐斑病检测方法。通过引入ReCalibration模块增强特征表达能力，改进FPN结构优化多尺度特征融合，并设计P3456特征金字塔提升小目标检测能力。在自建数据集上的实验表明，该方法实现了92.6%的mAP和259FPS的推理速度，显著优于YOLOv5n/YOLOv8n等主流模型。该轻量化模型适合边缘设备部署，为茶树病害智能检测提供了高效解决方案。
界面重构与本地化实践：凤希AI伴侣的自动化演进思考 凤希AI伴侣2025年12月21日
12-21 756
昨日工作总结：完成凤希AI伴侣三项核心开发：1）重构模型选择界面，实现弹窗式分类展示；2）成功测试本地大模型的OCR功能；3）优化配置数据存储方案，采用本地存储+版本管理提升效率。同时深入探讨了AI工具自动化的本质价值——解放人类创造力。今日计划新增内容管理模块，实现H5页面文案和运营推广文案的系统化沉淀。全文由凤希AI智能生成，展现AI辅助工作的实际应用价值。
基于MATLAB的MFCC特征提取与SVM训练实现
wuk998的博客
12-19 639
MFCC（Mel频率倒谱系数）是一种模拟人耳听觉特性的特征提取方法，广泛应用于语音识别、情感分析等领域
springai 和langchain4j
03-13
### SpringAI 和 LangChain4J 的对比分析 #### 1. **SpringAI** SpringAI 是基于 Java 生态系统的 AI 开发框架，旨在简化开发者在构建企业级应用中的机器学习和自然语言处理流程。它利用了 Spring Framework 的强大功能来管理依赖关系并提供模块化设计[^1]。 以下是其主要特点： - 集成性强：能够轻松与其他 Spring 组件协同工作。 - 支持多种模型部署方式：无论是本地运行还是云端服务调用都提供了良好的支持。 - 社区资源相对较少：由于专注于特定领域（Java），因此相较于 Python 社区可能更小众。 ```java // 示例代码展示如何加载预训练模型 Model model = new Model(); model.loadPretrained("path/to/model"); ``` --- #### 2. **LangChain4J** LangChain4J 则是 LangChain 官方推出的针对 JVM 平台的支持库，允许开发人员通过熟悉的 Java 或 Kotlin 编程环境访问强大的链式推理能力以及各种大语言模型接口[^2]。它的核心优势在于继承自 LangChain 的设计理念——即灵活组合不同组件完成复杂任务的能力。 特性概述如下： - 提供统一 API 接口用于连接多个 LLMs； - 原生兼容 OpenAPI 标准的服务端实现方案； - 对表达式语言进行了优化改进以适应静态类型语言需求； ```java // 使用 LangChain4J 构建简单对话系统 Conversation conversation = Conversation.builder() .addPrompt(new StringTemplate("You are Qwen")) .build(); String response = conversation.call("Tell me about yourself."); System.out.println(response); ``` --- #### 3. **两者之间的差异** | 方面 | SpringAI | LangChain4J | |-----------------|---------------------------------------|---------------------------------------| | 主要用途 | 更适合传统 ML/NLP 应用场景 | 特别擅长于生成式人工智能的应用 | | 技术栈 | Java | Java/Kotlin | | 模型集成 | 自定义较多 | 已内置对主流 LLM 的良好支持 | | 学习曲线 | 较陡峭 | 中等 | 值得注意的是，在实际项目选型过程中还需要考虑团队技术背景、现有基础设施等因素的影响[^3]。 --- ### 结论 对于希望快速上手并充分利用当前最先进 NLP 技术的企业来说，LangChain4J 可能会是一个更好的选择因为它不仅拥有活跃的社区还有丰富的文档资料可供参考。而如果目标群体主要是熟悉整个 spring ecosystem 的工程师们，则可能会倾向于采用 springai 来保持一致性减少迁移成本等问题的发生几率。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

Coder_Boy_

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值