海兰

本文将对于上一篇【第2篇】helloworld解析和部署，并改造为使用openAI模型Spring AI框架的 AI 聊天服务示例，演示如何以最少的代码将大语言模型（LLM）能力集成到 Spring Boot 应用中的具体实现。采用兼容 OpenAI 协议的昇腾模型（GitCode），用了它的模型，通过统一的抽象层屏蔽了底层模型差异，最终实现可以像调用普通 Service 一样调用 AI 能力。

项目属性详情项目名称原始模型阿里云 DashScope（通义千问）核心功能基础对话、流式响应、对话记忆、自定义 Advisor服务端口18080开发框架query=写一首诗&temperature=1.2&maxTokens=500"

它标准化了 AI 与外部工具的连接方式，让你的工具可以被任何支持 MCP 的 AI 应用使用。：这是 Java 开发者进入 AI 应用开发的最短路径——基于熟悉的 Spring 生态，无需学习 Python 或前端技术，就能构建生产级的 AI 应用。Graph 是 Spring AI Alibaba 的核心差异化能力，借鉴了 LangGraph 的设计理念，让你用"搭积木"的方式构建复杂的 AI 应用。它把大模型的"通识能力"和你的"私有知识"结合，实现客服问答、文档分析、知识管理等场景。

Spring AI Alibaba图计算框架解析与MCP工具接入实践 本文深入剖析了Spring AI Alibaba图计算框架的设计原理与MCP工具调用机制。主要内容包括： 框架架构：采用四层设计（HTTP层、业务层、编排层、工具层），通过有向图管理计算流程，节点间通过共享黑板(OverAllState)交换数据 MCP集成：基于Model Context Protocol实现工具动态加载，通过标准协议将外部工具转化为大模型可调用能力 生产考量：分析异步执行、流式响应等关键特性，指出需关注状态隔离、数据拼

本文介绍了基于开源项目 multiagent-openmanus 的多智能体协作架构，通过将任务拆解为规划、监督和执行三个角色实现高效协同。规划师（Planning Agent）负责将用户指令转化为结构化计划，监督者（Supervisor Agent）评估任务状态并决策流程走向，执行者（Executor Agent）专注工具调用和具体操作。系统采用Spring技术栈，通过共享状态对象 OverAllState 实现智能体间通信，并利用状态图（StateGraph）协调工作流程。这种职责分离的架构有效解决了单

摘要：本文介绍了一个面向Java开发者的AI图应用可观测性解决方案，通过整合Spring AI Alibaba、OpenTelemetry和Langfuse三大技术栈，实现了对StateGraph执行过程的透明化监控。核心架构包括用户层、应用层、可观测性层和数据展示层，通过OTLP协议实现数据流转。重点阐述了三个关键技术握手点：Spring AI Graph与OpenTelemetry的自动埋点机制、OpenTelemetry与Langfuse的标准协议对接，以及如何通过Span属性让Langfuse理解图

本文介绍了一个基于Spring AI Alibaba和并行图编排技术的商品信息处理系统。该系统通过AI同时完成商品营销文案生成和结构化属性提取两项独立任务，显著提升电商后台运营效率。 核心功能： 并行处理：利用Parallel Graph技术同时执行文案生成和参数提取 结构化输出：自动生成包含slogan、材质、颜色、季节等字段的完整商品对象 技术实现：采用通义千问qwen-max模型，通过6个精简的Java类实现核心逻辑 系统特点： 使用Java 14+的record定义数据模型 通过MemorySave

摘要 InterruptableAction是Spring AI Alibaba Graph Core 1.1.0提供的工作流中断机制，用于根据运行时数据动态决定流程是否需要暂停等待人工确认。该机制通过解耦中断判断（interrupt()方法）和业务执行（apply()方法），实现了灵活的业务流程控制。典型应用场景包括大额订单审批（金额超过阈值时中断）和敏感操作确认（如删除数据前需人工审批）。系统通过Optional<InterruptionMetadata>返回中断状态，并利用Runnable

文章摘要： Multiagent-OpenManus是一个基于Spring AI Alibaba Graph构建的多智能体协作系统，模拟人类团队分工完成复杂任务。系统包含三个核心角色：规划师（Planning Agent）负责拆解任务步骤，监工（Supervisor Agent）监督执行流程，执行工人（Step Executing Agent）调用工具完成具体操作。该系统采用ReAct（Reasoning+Acting）模式，通过"思考-行动-观察"循环迭代执行任务，支持搜索引擎、Pyt

本项目实现了一个智能客服系统，能够处理航空公司的订票和咨询需求。系统采用分层架构，通过意图识别区分用户请求类型（订票或知识问答）。对于订票请求，系统使用槽位提取和多轮对话收集必要信息（日期、出发/到达城市）；对于政策咨询，则基于RAG技术检索知识库并生成准确回答。核心功能包括LLM分类、结构化输出提取、状态机管理对话流程以及持久化存储会话状态。系统通过Graph工作流引擎实现灵活的业务编排，确保既能处理完整信息输入，也能应对逐步补充信息的场景。

摘要 Workflow-Review-Classifier 是一个基于 Spring AI Alibaba Graph 的智能评论分类系统，通过结构化工作流自动处理电商平台海量用户评论。系统采用 StateGraph 模型，将评论处理流程分解为多个节点（情感分类、原因细分）和条件边，实现数据驱动的智能路由。核心组件包括 KeyStrategyFactory 状态管理、QuestionClassifierNode LLM 分类器，以及 Conditional Edge 智能路由。相比传统人工处理，该系统能显著

本文介绍了一个基于AI的智能字段分类分级系统，用于自动化处理数据库字段的安全合规管理。系统采用"AI预审+人工终审"的工作流，通过敏感词检测、AI分类分级、人工审核等核心节点实现字段的智能分类与安全分级。技术架构上整合了Spring Boot、阿里云大模型和RAG知识检索，构建了从字段输入到结果存储的完整处理流程。文章重点解析了敏感词检测和分类分级两个核心节点的设计与优化方案，提出通过DFA算法和AI语义检测提升敏感词识别能力，并详细说明了RAG增强机制的工作原理。该系统有效解决了人工处

文章摘要： 本文介绍了AI领域中的"反思代理"(Reflection Agent)技术，通过模拟人类创作中的"生成-评审-改进"循环来提升输出质量。相比传统的一问一答模式，反思代理让AI同时扮演写手和评审员两个角色，通过多轮自我评估和迭代优化，显著提升文章写作、代码生成等任务的质量。文章详细解析了该技术的核心原理、与ReAct代理的区别，并基于Spring AI Alibaba Graph框架展示了具体实现方案，包括图编排、嵌套子图等关键技术点，最后通过代码示例说明了

ReAct是Reasoning（推理）和Acting（行动）的缩写，是一种让大语言模型（LLM）像人类一样"边想边做"的架构模式。fill:#333;important;important;fill:none;核心思想推理 + 行动循环直到解决技术亮点Spring AI 统一抽象Graph 可视化编排工具自动注册适用场景需要实时数据多步骤推理工具调用链注意事项超时配置错误处理真实 API 接入本项目展示了。

本文介绍了一种让AI工作流具备"暂停等人"能力的机制Human-Node。该机制通过在自动化流程中插入人类决策点，实现AI执行到关键节点时暂停并等待人工确认，再根据反馈决定后续流程走向。文章详细阐述了该技术的核心原理（中断与恢复机制）、项目架构和核心组件，包括状态管理策略、ExpanderNode查询扩展功能以及HumanFeedbackNode的人类反馈决策功能。通过与传统工作流的对比，展示了可中断工作流在审核确认、分支决策、异常处理和成本管控等方面的优势。该机制通过interrupt

本文介绍了一种基于状态机和流式输出的并行AI任务实现方案，解决了传统Thread.sleep强制等待的问题。方案采用Spring AI Alibaba Graph框架，通过并行节点（翻译和扩展）实时流式输出，配合状态追踪机制确保任务可靠完成。文章详细阐述了架构设计，包括状态流转图、核心组件（TranslateNode、ExpanderNode、MergeResultsNode）以及线程安全的状态管理实现，相比传统方案在用户体验和可靠性上有显著提升。

本文介绍了Spring AI Alibaba Graph模块的并行节点处理实现。该模块通过DispatcherNode分发翻译和扩展查询两个并行任务，分别由TranslateNode和ExpanderNode异步执行，最后通过CollectorNode汇总结果。系统采用流式处理(Flux)实时返回LLM生成内容，提升用户体验。文章详细解析了状态管理、节点设计、并行原理及接口规范，重点说明了如何利用异步机制实现任务并行处理，同时指出了当前CollectorNode采用阻塞等待的局限性。该架构适用于需要同时执行

文章摘要： 《big-tool项目：AI工具调用实践》介绍了一个模拟人类使用计算器解决数学问题的AI系统。该项目通过Spring AI框架实现智能数学计算助手功能，核心是教会AI识别问题并自动调用Java Math类方法。系统架构分为四层：客户端发起请求后，控制器层初始化向量库存储Math方法信息，图计算层通过节点协作完成工具选择和计算执行，AI服务层提供语义理解支持。关键技术包括方法向量化存储、语义检索和反射调用，实现了从"25的5次方是多少"到9765625的自动求解。项目演示了函数

本文介绍了ChatFlow智能待办事项助手的技术架构与实现原理。该系统基于Spring AI Alibaba Graph框架构建，具备多轮对话、意图识别和子图调用等核心功能。文章首先概述了项目的学习价值，将其定位为掌握Graph框架的关键示例；然后深入解析了Graph框架的三大核心概念：状态（State）、节点（Node）和边（Edge），阐述了它们如何协同工作；最后通过系统交互流程图展示了从用户输入到任务创建的全过程。该项目采用模块化设计，主图负责流程调度，子图处理具体任务，体现了良好的架构设计思想，是学

本文介绍了基于 Spring AI Alibaba Graph 框架的流式查询扩展实现。该项目通过单一节点架构，将用户输入（如"如何学 Java"）自动扩展为多个精准搜索变体（如"Java 零基础自学指南"）。系统采用流式输出技术，利用 Spring WebFlux 和 SSE 实现实时响应效果。核心架构包含 GraphStreamController、StateGraph 和 ExpanderNode 三个组件，支持从配置到执行的完整流程。文中详细解析了配置策略、节

走进一间崭新的画室，墙上挂着“OpenAI DALL·E 绘画示例”的牌子，但画架是空的，颜料还没挤出来。这就是项目的现状——一个配置正确、依赖齐全，唯独核心逻辑没有实现的 Spring Boot 工程。别担心，我们一起把它填满。在动手之前，我们先来理解这幅“设计蓝图”为什么这样画。

本文介绍了Spring AI Alibaba Graph示例项目的学习路径，将18个子模块按难度分为5个级别，从入门到专业级循序渐进。学习路径包括：流式处理基础、对话编排与工具调用、并行处理与人类介入、可中断工作流等中级特性，最终达到多智能体协作和MCP协议集成等专业水平。重点推荐从chatflow模块入手，建议通过实践运行代码、修改参数、绘制流程图来深入理解。项目提供了完整的官方文档和测试用例，适合开发者系统性学习AI应用开发。

摘要 本文介绍了如何利用Spring Boot 3和Spring AI Alibaba快速集成阿里云通义万相AI绘画功能。通过封装DashScope API，开发者可以轻松实现图像生成，无需处理复杂的底层细节。文章详细解析了Spring AI的图像生成抽象接口ImageModel和ImagePrompt的设计原理，并展示了三种实用功能：基础图像生成、批量生成变体和多条件定制。项目采用分层架构设计，包含Web层、Spring AI抽象层和云服务层，通过流式传输优化性能。示例代码演示了如何通过REST接口调用A

Spring AI Alibaba Playground 是一个基于Spring Boot 3.5.7和Spring AI的示例项目，整合了阿里云通义千问（DashScope）系列模型的多种AI能力。项目采用分层架构，前端使用React + Ant Design X，后端通过Spring AI抽象层对接DashScope SDK、百度API等服务。主要功能包括普通对话、深度思考对话、图片生成/理解、语音识别/合成、视频处理、联网搜索、知识库问答等，每个功能对应独立API和前端页面。后端通过ChatClien

本文介绍了一个基于Spring AI和阿里云DashScope的翻译示例项目，展示了如何将大模型翻译能力集成到Spring Boot应用中。项目提供两种模型接入方式：本地Ollama服务和云端DashScope API，支持REST端点进行文件翻译、流式翻译等操作。 文章详细说明了项目的快速部署方法，包括环境要求、构建步骤和模型后端选择（Ollama本地部署或DashScope云端服务）。在架构设计方面，项目采用Spring AI的统一抽象层，通过ChatClient和ChatModel实现多厂商支持，并利

本文介绍了一个基于Spring AI Alibaba框架的文本摘要微服务项目。该服务核心功能包括接收文本或文件（PDF/Word/TXT等）并自动生成摘要，通过调用阿里云DashScope平台的通义千问-turbo模型实现。项目结构简洁，仅包含4个主要文件：启动类、控制器、配置文件和构建配置。技术栈采用Spring Boot 3.x、Spring AI Alibaba适配器和Apache Tika文档解析。亮点在于通过ChatClient和简单Prompt即可集成大模型能力，开发者只需关注业务逻辑。文中还分

Spring AI Alibaba 文本分类项目摘要 本项目演示了如何通过Spring AI Alibaba调用DashScope大模型实现文本分类功能。系统采用分层架构设计，包含客户端、控制器层、ChatClient抽象层和DashScope模型服务。核心功能包括基础Prompt分类、描述性Prompt分类、Few-shot学习分类以及结构化输出分类四种策略。 项目亮点在于逐步展示了Prompt工程的演进过程，从简单指令到复杂Few-shot示例，最终实现结构化输出。关键技术点包括： Spring AI

本文介绍了一个基于Spring Boot和AI模型的Text-to-SQL应用，能够将自然语言问题转换为SQL查询并返回结果。系统采用分层架构，通过SQLController协调流程，包括加载数据库结构、调用AI模型生成SQL、验证安全性、执行查询等步骤。关键技术包括Spring AI集成、Prompt工程优化以及H2内存数据库的使用。文章详细解析了系统架构、核心组件职责以及提示模板设计原理，重点阐述了如何通过精心设计的Prompt引导AI模型准确生成SQL语句，同时确保查询安全性。该项目展示了AI与传统数

本文介绍了一个多模型并行对话系统的设计与实现。系统采用Spring Boot后端和Next.js前端架构，支持同时向本地Ollama和云端DashScope模型发起请求，并通过SSE实现流式响应。文章详细分析了项目结构、技术栈和核心功能，包括多模型并行回答、流式响应显示和对话记忆管理。同时指出了当前实现中的关键问题，如对话记忆丢失、VectorStore误用和前端请求去重不足等，并提供了相应的优化建议。该系统展示了如何构建一个实时交互的多AI咨询平台的技术方案。

这不是一个简单的聊天机器人项目，而是一个。从普通的对话、带记忆的角色扮演，到能查课程、预约的智能客服，再到能读懂 PDF 的文档问答，甚至还有爬取并分析政府采购数据的图数据库应用……我会带着你，先理解它为什么这样设计，再一步步把它跑起来。

本文介绍了一种基于Spring AI Alibaba构建的数据分类分级智能体解决方案。该系统通过大模型（通义千问）结合RAG（检索增强生成）和对话记忆技术，自动完成数据字段的分类与敏感度分级。用户只需输入字段名（如"身份证号"），系统即可返回分类路径、敏感等级（1-4级）及判断理由，支持多轮上下文对话。文章详细解析了系统架构，包括知识库向量化存储、对话记忆管理以及Advisor拦截器机制，并提供了Spring Boot实现代码示例。该方案显著提升了数据分类工作的效率和准确性，适用于企业数

本文介绍了如何利用Spring AI的ObservationHandler实现AI调用全流程的可观测性拦截。文章首先解释了ObservationHandler的作用，它能在AI调用前后插入自定义逻辑，如日志记录、数据脱敏、性能监控等。通过清晰的流程图展示了调用过程中onStart和onStop的拦截时机，并提供了优化的项目结构和配置建议。重点讲解了核心依赖的选择（推荐使用稳定版1.3.4而非里程碑版）和配置文件的详细说明，包括采样率、日志开关等参数的设置。最后给出了优化后的代码实现方案，解决了原项目中日志控

本文介绍了如何为AI应用接入专有的可观测平台LangFuse，实现模型调用、Token消耗与成本的追踪。相比传统链路追踪系统，LangFuse能解析AI调用的语义字段，提供Token统计、成本分析等专用功能。文章详细展示了LangFuse的架构原理，并通过Spring AI示例项目演示了十分钟快速上手指南：从注册账号、配置环境到查看观测数据的完整流程。核心在于利用OpenTelemetry自动拦截AI调用，将数据上报至LangFuse云端，开发者无需额外编码即可获得AI专用的可视化分析面板。

本文介绍了一个基于Spring AI Alibaba、Micrometer和Zipkin的开源AI应用可观测性方案。该方案解决了生产环境中AI调用的性能监控、错误诊断和成本控制问题，相比商业方案（如阿里云ARMS）具有零成本、数据自主的优势。技术架构包含用户层、Spring Boot应用层（控制器和AI服务）、可观测层（自动埋点）和观测后端（Zipkin），通过Micrometer采集指标，Brave实现链路追踪，并异步上报至Zipkin进行可视化分析。方案适用于追求核心功能、预算有限且重视数据自主权的场景

这篇文章介绍了如何从零开始搭建具备企业级可观测能力的AI应用。主要内容包括： AI应用可观测性特点：对比传统监控与AI监控的差异，指出AI应用需要追踪Token消耗、模型参数、Prompt内容等特有维度，调试难度更大。 技术架构设计：采用四层架构（用户层、应用层、可观测层、基础设施层），通过ARMS Agent实现自动埋点采集，整合追踪、指标和日志数据。 核心实现组件：包括Spring Boot Web、Micrometer OpenTelemetry桥接、阿里云ARMS观测组件和通义千问模型集成，形成完整

本文基于 Apache Nacos 实现 Agent-to-Agent 动态通信，重构了传统硬编码 IP 直连模式。通过 Nacos 服务注册与发现机制，实现代理间的动态寻址、配置解耦和弹性扩展。文章详细解析了 A2A 通信的核心流程（注册-发现-调用闭环），并补充了原指南中缺失的关键技术细节，包括服务注册元数据、长轮询发现机制和配置集中化管理。提供了优化后的系统架构图、环境要求和项目结构说明，特别修正了原指南中的概念混淆问题（如配置存储与可扩展性的关系），并更新了 Python SDK 推荐版本。所有方案

NL2SQL：自然语言转SQL查询系统 该系统通过AI将用户自然语言问题自动转换为SQL查询数据库并返回结果。核心架构包含三个模块： Chat模块：接收用户查询，通过Graph工作流编排处理流程（表结构检索→SQL生成→执行查询） Vector-Management模块：管理数据库表结构向量化存储，支持快速检索 MCP模块：模型上下文协议服务器 技术栈采用Spring Boot+Spring AI Alibaba，结合通义千问大模型和向量数据库，通过状态图实现可调试、带校验的工作流。系统亮点在于智能解析用户

摘要：本文提出了一种动态管理AI提示词(Prompt)的方案，通过Nacos配置中心实现无需重启应用即可实时修改AI行为。传统修改Prompt需要30分钟到几小时的流程，该方案仅需30秒即可完成配置更新。系统采用Spring Boot+Spring AI Alibaba+Nacos+DashScope技术栈，支持配置热更新、集中管理、版本追溯等能力。核心组件包括启动入口、控制器和配置文件，通过Nacos监听机制实现Prompt模板的动态加载。该方案显著提升了AI应用迭代效率，适用于需要频繁调整AI行为的场景

本文介绍了Spring AI Alibaba Evaluation Example，这是一个基于Spring AI框架的大语言模型(LLM)应用评估工具链。该系统采用三维度评估体系（准确性验证、性能观测、成本核算），通过管道化评估设计解决LLM应用落地中的核心痛点。文章详细解析了系统架构设计，包括输入层、核心评估引擎和输出层，并深入阐述了评估指标体系的三大维度：准确性（从精确匹配到语义相似度计算）、性能（重点关注P95/P99延迟而非平均值）和成本（综合考虑Token经济学和优化策略）。最后针对报告卡生成器

本文介绍了基于Spring Boot和Spring AI Alibaba的Stream-Node项目，该项目展示了图流（Graph Stream）能力。主要内容包括： 项目概述：演示如何通过流式调用AI大模型、节点编排组织AI处理流程，以及使用SSE实时推送结果。 技术架构：采用Spring Boot 3.4.x、Spring AI Alibaba 1.1.2.3等技术栈，利用Flux流式处理和SSE协议实现实时响应。 运行原理：通过StateGraph编排节点，ExpanderNode调用AI模型，以流式