spring ai Alibaba（SAA）学习（一）

AI相关的名词

AI 领域名词繁多，按「核心概念→技术方向→应用场景→工具框架」分类整理

一、核心基础名词

• AI（Artificial Intelligence，人工智能）：让机器模拟人类智能的技术总称（如学习、推理、决策）。
• 机器学习（ML，Machine Learning）：AI 的核心分支，让机器通过数据学习规律，无需显式编程。
• 深度学习（DL，Deep Learning）：机器学习的子集，基于神经网络（多层结构）处理复杂数据（如图像、语音）。
• 神经网络（Neural Network）：模拟人脑神经元连接的数学模型，深度学习的核心载体。
• 数据标注（Data Annotation）：给原始数据（图、文、音视频）打标签（如分类、框选），用于模型训练。
• 训练 / 推理（Training/Inference）：训练是模型从数据中学习规律的过程，推理是训练好的模型处理新数据、输出结果的过程。
• 算力（Computing Power）：支撑 AI 模型训练 / 推理的硬件计算能力（常用 GPU、TPU 提供）。

二、关键技术方向名词

• 监督学习（Supervised Learning）：用带标签的数据训练模型（如分类、回归），例：垃圾邮件识别、房价预测。
• 无监督学习（Unsupervised Learning）：用无标签数据发现隐藏规律（如聚类、降维），例：用户行为分组、数据压缩。
• 强化学习（Reinforcement Learning）：模型通过 “试错” 获取奖励信号，优化决策（如自动驾驶、游戏 AI）。
• 半监督学习（Semi-Supervised Learning）：结合少量标签数据和大量无标签数据训练（平衡数据成本和效果）。
• 迁移学习（Transfer Learning）：将已训练好的模型知识，迁移到新的相关任务中（减少训练成本）。
• 生成式 AI（Generative AI）：能生成全新内容（文本、图像、音频）的技术，例：ChatGPT、Midjourney。
• 大语言模型（LLM，Large Language Model）：基于海量文本训练的大型语言模型（如 GPT、LLaMA、文心一言）。
• 计算机视觉（CV，Computer Vision）：让机器 “看懂” 图像 / 视频（如目标检测、图像分割、人脸识别）。
• 自然语言处理（NLP，Natural Language Processing）：让机器理解和处理人类语言（如翻译、摘要、情感分析）。
• 语音识别 / 合成（ASR/TTS）：ASR 是语音转文字，TTS 是文字转语音。
• 自动驾驶（Autonomous Driving）：结合 CV、传感器技术，让车辆自动行驶（分级：L0-L5）。

三、应用场景相关名词

• AGI（Artificial General Intelligence，通用人工智能）：具备人类级别的全面智能，能处理任意任务（目前未实现）。
• 弱人工智能（Narrow AI）：专注于单一任务的 AI（如语音助手、推荐系统），当前主流技术。
• 推荐系统（Recommendation System）：根据用户偏好推荐内容（如电商商品、短视频）。
• Chatbot（聊天机器人）：通过 NLP 与人类对话的智能交互系统（如客服机器人、AI 助手）。
• AIGC（AI Generated Content，人工智能生成内容）：由 AI 生成的文本、图像、视频、代码等内容。
• 人机交互（HCI，Human-Computer Interaction）：研究人类与机器的交互方式（如语音控制、手势识别）。

四、工具、框架与平台名词

• 框架（Framework）：简化 AI 模型开发的工具库，例：TensorFlow（谷歌）、PyTorch（Meta）、MindSpore（华为）。
• GPU/TPU：高性能计算芯片，GPU 用于通用深度学习训练 / 推理，TPU 是谷歌专为深度学习设计的芯片。
• 开源模型（Open-Source Model）：公开代码和权重的 AI 模型（如 LLaMA 2、Stable Diffusion）。
• API/SDK：第三方提供的 AI 功能接口（如 OpenAI API、百度智能云 SDK），无需自研模型即可调用。
• MLOps：机器学习运维，涵盖模型开发、训练、部署、监控的全流程管理。
• 大模型微调（Fine-Tuning）：基于预训练大模型，用少量专属数据进一步训练，适配特定任务（如行业问答、企业知识库）。
• Prompt Engineering（提示工程）：通过设计优化输入指令（Prompt），让 AI 模型输出更符合需求的结果。

五、常见指标与术语

• 准确率（Accuracy）：模型预测正确的样本占比（分类任务核心指标）。
• 召回率（Recall）：实际为正类的样本中，被模型正确预测为正类的比例（如漏检率相关）。
• F1-Score：准确率和召回率的调和平均数，综合评估分类效果。
• 损失函数（Loss Function）：衡量模型预测结果与真实标签的差距（训练目标是最小化损失）。
• 迭代（Iteration）：模型训练中，用一批数据更新一次参数的过程。
• 批次（Batch Size）：每次训练时输入模型的数据样本数量。
• 过拟合（Overfitting）：模型在训练数据上表现极好，但在新数据上泛化能力差（如死记硬背而非学习规律）。
• 欠拟合（Underfitting）：模型未能充分学习训练数据的规律，表现较差（如模型过于简单）。
• RAG(Retrieval-Augmented Generation):检索增强生成，一种结合「检索外部知识」和「大模型生成」的技术架构 —— 先从知识库中检索与问题相关的精准信息，再将信息作为上下文传给大模型，让生成结果更准确、可追溯（解决大模型 “知识过期”“胡编乱造” 问题）
• MCP(Model Control Program / Management Control Platform):模型控制程序 / 管理控制平台（需结合场景区分）：1. 技术场景：控制硬件 / 软件模型运行的核心程序；2. AI 场景：大模型生命周期管理平台（涵盖训练、部署、监控、权限控制）
• Graph(Graph Data Structure / Graph AI):图（图数据结构 / 图人工智能）：1. 基础概念：由「节点」（实体）和「边」（关系）组成的数据结构，擅长表达复杂关联；2. AI 方向：基于图结构的机器学习技术（图神经网络 GNN 是核心）

AI 应用搭建的认知纠正：

• 误区：认为简单用 dify、coze 搭建工作流、上传少量数据、能回答基础问题就是可用的 AI 应用；
• 真相：dify、coze 仅适用于产品经理快速搭建 MVP（最小可行产品），生产级应用需进一步优化。

1. 核心技术与实践重点：
   • 核心架构：Graph RAG（图结构 + RAG）、Agentic RAG（增强型 RAG）、RAG Agent 工作流；
   • 关键能力：上下文工程、生产级 Prompt 设计、模型微调、多 Agent 协同；
   • 知识库优化：混合知识库检索、文本切分策略（固定长度切分、基于内容结构动态分块、递归切分）。
2. 落地痛点与优化方向：针对知识检索慢、结果排序不佳、检索精度不足等问题，提供对应的优化思路。

核心结论

企业级 AI 应用（尤其是 RAG 相关）的落地，不能仅依赖低代码工具快速搭建，需结合 Graph 图结构、动态文本切分、多 Agent 等技术，优化检索精度与效率，同时配套生产级 Prompt 设计和模型微调，才能实现从 MVP 到生产级的落地。

模型供应商

模型供应商	主要特点	优势	备注
OpenAI	GPT 系列（如 GPT-4），具备强文本生成与理解能力	灵活性高、适用多场景；是大模型界事实标准	暂停国服 API 服务，需通过 Azure 接入
阿里百炼	提供多模型（如通义千问系列）	性能接近 GPT-4；API 价格低；支持企业迁移方案	面向企业用户；新用户享超 5000 万 Tokens+4500 张图片的免费额度
DeepSeek	开源大模型，支持多语言	推理 / 编码表现优；社区活跃；支持多样化应用	性价比高（输入价 0.1 元 / 百万 Tokens）；敏感词封号严格（缓存未命中时）
智谱清言	基于 GLM 架构，支持多轮对话与复杂指令处理	指令理解能力强；支持多场景定制化方案	模型全面；国庆月活动：用户可低价调用所有模型，每位用户获赠 1 亿 Tokens 额度
硅基流动	专注 AI 基建，提供 SiliconCloud 平台	高效推理、多模态支持；降低使用门槛，提升开发效率	面向技术开发者；提供开源模型 API（如 Qwen2、GLM4 等），多个模型永久免费
Ollama	支持本地部署，集成多开源模型，隐私保护优先	强调用户隐私与自主性	需要较高硬件配置以支持本地部署

什么是 Spring AI Alibaba？

Spring AI Alibaba 基于 Spring AI 开源项目构建，作为 AI 应用程序的基础框架，定义了包括模型适配、聊天交互、提示词管理、工具调用等概念抽象与实现：

• 提供多种大模型服务对接能力，包括 OpenAI、Ollama、阿里云 Qwen 等
• 支持的模型类型包括聊天、文生图、音频转录、文生语音等
• 支持同步和流式 API，在保持应用层 API 不变的情况下支持灵活切换底层模型服务，支持特定模型的定制化能力（参数传递）
• 支持 Structured Output，即将 AI 模型输出映射到 POJOs
• 支持矢量数据库存储与检索
• 支持函数调用 Function Calling
• 支持构建 AI Agent 所需要的工具调用和对话内存记忆能力
• 支持 RAG 开发模式，包括离线文档处理如 DocumentReader、Splitter、Embedding、VectorStore 等，支持 Retrieve 检索

以上原子能力可让您实现 AI 应用的快速开发，例如 “通过文档进行问答” 或 “通过文档进行聊天” 等。

Spring AI 官网：https://spring.io/projects/spring-ai#overview
Spring AI Alibaba 官网：https://java2ai.com
Spring AI Alibaba 仓库：https://github.com/alibaba/spring-ai-alibaba
Spring AI Alibaba 官方示例仓库：https://github.com/springaialibaba/spring-ai-alibaba-examples
Spring AI 1.0 GA 文章：https://java2ai.com/blog/spring-ai-100-ga-released
Spring AI 仓库：https://github.com/spring-projects/spring-ai

为什么选择spring ai alibaba

对比维度	Spring AI Alibaba（阿里版 Spring AI）	Spring AI（官方版）	LangChain4J
Spring Boot 集成	原生支持（无缝适配 Spring 生态）	原生支持（Spring 官方出品）	社区适配（第三方适配 Spring Boot）
文本模型	支持主流模型，可扩展	支持主流模型，可扩展	支持主流模型，可扩展
音视频 / 多模态 / 向量模型	支持多模态能力	支持多模态能力	支持多模态能力
RAG（检索增强生成）	模块化 RAG（开箱即用的 RAG 组件）	模块化 RAG（官方提供 RAG 工具链）	模块化 RAG（社区维护的 RAG 能力）
向量数据库	支持主流库（含阿里云 ADB、OpenSearch 等）	支持主流向量数据库	支持主流向量数据库
MCP 支持	支持（含 Nacos MCP Registry）	支持	支持
函数调用	支持（集成 20 + 官方工具）	支持	支持
提示词模板	硬编码，无声明式注解	硬编码，无声明式注解	声明式注解（通过注解定义模板）

提示词管理	支持 Nacos 配置中心（集中管理提示词）	无	无
Chat Memory（对话记忆）	优化支持 JDBC、Redis、ElasticSearch	支持 JDBC、Neo4j、Cassandra	多种实现适配
可观测性	支持，可接入阿里云 ARMS（监控告警）	支持	部分支持
工作流 Workflow	支持，兼容 Dify、百炼 DSL	无	无
多智能体 Multi-agent	支持，官方提供通用智能体实现	无	无
模型评测	支持	支持	支持
社区活跃度 / 文档健全性	官方社区，活跃度高	官方社区，活跃度高	个人发起社区
开发提效组件	丰富（含调试、代码生成工具）	无	无
Example 仓库	丰富，活跃度高	较少	丰富，活跃度高

怎么确定 Spring Al Alibaba与Spring AI、SpringBoot 版本的兼容关系

具体可以查看文档说明：常见问题解答-阿里云Spring AI Alibaba官网官网

快速开始

我们使用的是阿里云百炼平台+deepseek

https://bailian.console.aliyun.com/ 这个是阿里云百炼平台的地址

大模型调用三件套：

• API key

创建自己的密钥

• 调用地址

• 大模型名称

IDEA工具中建project父工程

使用 bom 管理依赖版本

出处：