海兰

本文摘要了Spring AI框架的多项重要更新： 聊天记忆优化：强制要求显式传入会话ID防止串话，移除PromptChatMemoryAdvisor改用更规范的MessageChatMemoryAdvisor； MCP生态整合：将MCP注解、传输模块及客户端定制器统一迁移至Spring AI项目，部分字段改为必填； Anthropic模块重构：基于官方Java SDK重构，调整构造函数、默认参数及新增服务选项； 其他变更：包括JSON Schema生成逻辑统一、移除默认Temperature值、观测指标调整

本文介绍了Spring AI框架2.0.0版本的重要变更： JDBC聊天记忆优化：引入sequence_id列替代时间戳，解决不同数据库精度差异导致的消息排序问题，并提供了PostgreSQL迁移SQL示例。 Options类重构： 实现严格不可变性 集中默认值到构造函数 扁平化配置属性结构（移除.options层级） 统一命名规范（如N()改为n()） JSON工具类整合：将分散的JSON处理功能统一到JsonHelper类，简化API并提高一致性。 ChatClient工具调用改进： 自动注册ToolC

Spring AI 2.0.0对Advisor层和工具调用机制进行了重构。主要变更包括：1）模块重组，将ToolSearchToolCallingAdvisor独立为单独模块并规范命名；2）新增ToolSearchToolCallingAdvisor的自动配置，支持通过属性开关和多种索引类型（regex/lucene/vector）实现工具筛选；3）调整Advisor执行顺序，使工具调用和记忆管理更合理协作；4）工具调用机制改进，移除internalToolExecutionEnabled配置，改为通过是否

文章摘要： MemGPT的召回存储模式通过“归档而非删除”机制解决大语言模型上下文窗口限制问题，完整保留对话历史供关键词检索。Spring AI的SessionEventTools实现该功能，核心工具conversation_search支持分页查询归档内容。当对话超出窗口时，历史事件被持久化存储而非丢弃，智能体可随时检索（如用户提及早期订单号ABC123）。架构包含ChatClient、会话ID管理组件和分层查询服务，需配合SessionMemoryAdvisor注册使用。分页设计避免响应过载，确保长期记

本文介绍了Spring AI中SessionMemoryAdvisor如何自动管理多轮对话历史记录。它在前置阶段拼接历史对话到系统提示词，后置阶段保存AI回复并触发压缩策略防止上下文窗口溢出。通过会话ID和用户ID实现身份识别和权限校验，支持动态调整历史记录长度，采用乐观锁处理并发冲突，并适配流式输出场景。配置简单，只需设置触发条件和压缩策略，即可让AI自动维护对话记忆，开发者无需手动处理历史记录存储和拼接。

EventFilter 是大语言模型对话应用中用于筛选会话历史的工具，支持时间范围、关键词、消息类型等多条件组合过滤（AND逻辑）。提供静态工厂方法简化常见场景（如获取最近N条、关键词搜索等），也支持Builder模式灵活定制。过滤条件包括分支可见性、分页控制等，并内置校验和归一化处理。特别适用于多Agent协作场景，可合并多个过滤器实现全局默认与局部覆盖的灵活组合。

Spring AI Session JDBC 是一个基于JDBC的会话存储实现，专为Spring AI框架设计，支持PostgreSQL、MySQL等主流数据库。其核心设计采用两张关联表结构：AI_SESSION存储会话元数据，AI_SESSION_EVENT记录事件日志。关键特性包括：1）三列拆分存储消息对象（类型/内容/数据）以规避多态序列化问题；2）通过event_version实现乐观锁机制保障压缩操作的安全性；3）利用synthetic/archived标记位实现高效查询过滤。该组件提供开箱即用的

本文介绍了多智能体协作系统中的会话隔离机制。通过设计层级化的分支标识（如"orch.researcher"），系统确保每个智能体只能访问自身及其祖先的历史记录，兄弟分支互不可见。关键实现包括：1) 点分隔路径标记事件来源；2) 分支过滤器按需加载历史；3) 记忆顾问自动应用过滤规则；4) 合成事件标记为全局可见；5) 压缩策略仅对齐根级用户消息。这种设计既保持了协作所需的上下文共享，又确保了任务执行的隔离性。

本文介绍了对话系统中上下文压缩机制的设计与实现。压缩机制由触发器和策略两个核心组件驱动，通过SessionService.compact()方法执行，包含触发评估和策略执行两个步骤。压缩采用归档而非删除的方式保留历史事件，并通过CAS机制保证并发安全。触发器包括轮次触发、Token数量触发和组合触发三种类型；压缩策略提供滑动窗口、轮次窗口、Token数量限制和递归摘要四种算法，分别适用于不同场景。所有策略都采用统一的事件格式化器进行Token估算，确保计费准确性。该机制能在保证对话连贯性的同时，有效控制上下

Spring AI Session 定义了四个核心概念来管理AI对话：1）会话（Session）作为对话的身份容器，包含元数据但不存储具体事件；2）会话事件（SessionEvent）包装消息并补充身份、时序等元信息；3）轮次（Turn）将用户输入及其所有后续响应视为原子单元；4）合成摘要轮次通过两条合成消息替换旧历史实现对话压缩。这种设计通过分离元数据与事件、维护对话原子性，以及采用影子提示模式，确保了对话的一致性和压缩效率，同时支持多代理场景下的复杂交互。

Spring AI Session是一个为Spring AI应用设计的会话管理库，提供JDBC会话持久化、记忆注入和历史压缩功能。主要特性包括：自动配置的JDBC Starter支持嵌入式数据库；与ChatClient无缝集成；支持会话有效期设置；提供历史消息压缩策略（如滑动窗口）以优化上下文管理。适用于生产环境，要求Java 17+和Spring Boot 4.0.7+，可通过BOM统一管理依赖版本。该库通过SessionMemoryAdvisor自动管理会话生命周期，是构建有状态AI聊天应用的理想选择。

摘要： Spring AI、OpenClaw和Hermes是三类定位不同的AI工具。Spring AI专注企业级Java生态的AI集成，强调安全合规；OpenClaw作为智能中枢，擅长跨平台连接与多技能调度；Hermes则侧重自主进化，适合长期个人助理场景。三者差异体现在核心定位（集成框架/智能网关/成长型智能体）、技术栈（Java/TS+Node.js/Python）及适用场景（企业业务/多平台调度/个性化服务）。选择需结合技术栈与需求，如Java团队选Spring AI，多技能调度用OpenClaw，长

它通过抽象层屏蔽底层大模型（OpenAI、Azure、Anthropic、Ollama 等）的差异，让开发者像使用标准数据源（JdbcTemplate、JPA）一样使用 AI 能力。标注的类注册为 Bean，实现外部配置（application.yml）到结构化 Java 对象的类型安全绑定。，底层模型切换（从 OpenAI 切换到 Azure 或国产模型）只需修改配置，无需改动业务代码。：类似 Spring AOP，在请求处理前后插入逻辑，实现日志、重试、缓存、安全过滤等功能。

RAG（检索增强生成）技术通过结合外部知识检索与大模型生成能力，有效解决大语言模型的知识时效性和幻觉问题。其架构包含离线文档处理和在线查询两大阶段：离线阶段通过智能解析、语义分块和向量化构建知识库；在线阶段采用混合检索、重排序优化等技术提升查询精度。关键技术包括：1）文档分块策略（固定字符、递归切分、语义分块等）；2）混合检索结合稠密/稀疏向量；3）查询重写和上下文压缩优化。RAG显著提升AI回答的准确性和时效性，适用于需要精准知识引用的场景。

企业级RAG系统构建指南：数据优化与检索增强 本文详细阐述了构建生产级RAG系统的核心技术要点： 数据质量保证：建立标准化的ETL流程，包含文档解析、文本清理、元数据增强和智能分块四个关键环节，确保语义完整性。 混合检索架构：采用向量检索与关键词检索相结合的混合检索机制，通过RRF算法实现结果融合，有效解决语义孤岛问题。 重排序优化：使用交叉编码器对候选结果进行细粒度语义交互建模，显著提升Top结果的相关性，使检索准确率达到90%以上。 生产部署要点：强调文档解析的精确性、噪声建模的系统性、元数据的多维性以

本文档介绍了Spring AI在MCP生态系统中的技术架构和核心概念。主要内容包括： 开发环境要求：JDK 17+/21、Maven 3.8+、Spring Boot 4.0.5、Spring AI 1.0.5/1.1.4 Spring AI定位：通过Boot Starters和注解驱动编程模型简化MCP开发 MCP架构： 三层架构：Host应用、MCP Client、MCP Server 支持双向通信，打破传统请求-响应模式 核心概念： 四种能力原语（Capability Primitives）