ITPub博客
首页 博客 专栏 学院 社区 IT新媒体评选
发博

首页 > 人工智能 > 人工智能 > 几行代码给项目集成AI功能，Spring AI 2.0太香了！

几行代码给项目集成AI功能，Spring AI 2.0太香了！

人工智能 作者：云计算频道 时间：2026-07-16 10:46:51 2 删除 编辑

Spring AI 2.0终于来了！以前想在Java里接入大模型，要么手写一堆HTTP调用和JSON解析，要么东拼西凑各种第三方库。现在有了Spring AI，加个Starter、配个Bean、注入ChatClient，三步就能让AI在项目里跑起来。这篇文章就带你从零搭建一个带对话记忆的聊天服务，看看它到底有多香。

Spring AI简介

Spring AI是Spring生态面向人工智能领域的官方扩展，旨在让Java开发者无需深入机器学习底层，就能像使用Spring MVC、Spring Data一样自然地构建AI应用。

Spring AI的核心功能如下：

  • 多模型多供应商支持：一套代码适配OpenAI、   Deepseek、Anthropic、Ollama等主流模型，覆盖对话、文生图、语音转文字等多种场景。
  • ChatClient 流式 API：与   WebClient风格一致的对话客户端，支持同步   call和流式   stream两种调用方式。
  • Advisors API：将RAG、对话记忆、安全过滤等AI模式封装为可复用的拦截器链，跨模型、跨场景移植。
  • 对话记忆（Chat Memory）：内置内存、Redis、JDBC等多种存储后端，自动管理多轮对话历史上下文。
  • RAG检索增强生成：内置   ETL流水线将文档切分向量化写入向量库，一行代码即可让大模型"读懂"你的文档。
  • 工具调用（Tool Calling）：用   @Tool注解注册Java方法，让模型调用你的API执行真实操作。

项目集成Spring AI

第一步，把Spring AI集成到项目中去。

添加依赖

  • 首先在   pom.xml中添加Spring AI的依赖管理，用于统一管理Spring AI版本，这里使用的是2.0.0版本；

< dependencyManagement
< dependencies
< dependency
< groupIdorg.springframework.ai </ groupId
< artifactIdspring-ai-bom </ artifactId
< version${spring-ai.version} </ version
< typepom </ type
< scopeimport </ scope
</ dependency
</ dependencies
</ dependencyManagement

  • 由于很多模型都兼容OpenAI的API，我们这里使用OpenAI模型的Starter，之后我们需要实现SSE的流式输出，还需添加WebFlux的Starter。

<!-- Spring AI OpenAI Starter -->
< dependency
< groupIdorg.springframework.ai </ groupId
< artifactIdspring-ai-starter-model-openai </ artifactId
</ dependency
<!-- SpringBoot WebFlux依赖模块（提供Flux/Mono响应式类型） -->
< dependency
< groupIdorg.springframework.boot </ groupId
< artifactIdspring-boot-starter-webflux </ artifactId
</ dependency

添加配置

  • 接下来在   application.yaml中添加模型调用相关配置，包含base-url、api-key、chat.model，这里使用的是deepseek-v4-pro模型；

spring:
ai:
openai:
# 通过OpenAI兼容接口访问DeepSeek服务
base-url:
# 对应API_KEY
api-key:  ${DEEPSEEK_API_KEY}
chat:
# 要使用的模型ID，支持deepseek-v4-flash、deepseek-v4-pro
model:  deepseek-v4-pro

  • 最后添加Java配置类，配置一个ChatClient的Bean即可，ChatClient类封装了与AI模型通信的全部细节，你只需要调用它的方法，无需关心底层HTTP请求、流式处理等。

/**
* Spring AI配置类
*  @author macrozheng
*  @since 2026/6/29
*  @see <a href="https://github.com/macrozheng">GitHub</a>
*/
@Configuration
public  class  SpringAIConfig {

@Bean
public ChatClient  chatClient (ChatClient.Builder builder) {
return builder.build;
}

}

实现对话功能

Spring AI集成完毕，开发一个对话功能来试试效果。

  • 创建ChatController，实现同步调用大模型的call方法和流式调用大模型的stream方法，对于流式调用大模型的方法，输出格式我们需要配置为   TEXT_EVENT_STREAM_VALUE；

/**
* 对话功能相关接口
*  @author macrozheng
*  @since 2026/6/29
*  @see <a href="https://github.com/macrozheng">GitHub</a>
*/
@RequiredArgsConstructor
@RestController
@RequestMapping( "/chat")
@Tag(name =  "ChatController",description =  "对话功能相关接口")
public class  ChatController {

private final ChatClient chatClient;

@Operation(summary =  "同步调用大模型")
@PostMapping( "/call")
public String  call (@RequestParam String question, @RequestParam String conversationId) {
return this.chatClient.prompt
.user(question)
.call
.content;
}

@Operation(summary =  "流式调用大模型")
@PostMapping(value =  "/stream", produces = MediaType.TEXT_EVENT_STREAM_VALUE)
public Flux<ChatEventDto>  stream (@RequestParam String question, @RequestParam String conversationId) {
return this.chatClient.prompt
.user(question)
.stream
.content
// 对于流式输出中的每条消息，转化为ChatEventDto对象
.map(content -> ChatEventDto.builder
.eventType(ChatEventType.DATA.getValue)
.eventData(content)
.build)
// 在流式输出结束后追加一条代表STOP的消息
.concatWith(Flux.just(ChatEventDto.builder
.eventType(ChatEventType.STOP.getValue)
.build));
}
}

  • 其中的ChatEventDto用于封装Sse会话事件返回结果，这会让SSE对话返回json格式的数据；

/**
* Sse会话事件返回结果
*  @author macrozheng
*  @since 2026/7/1
*  @see <a href="https://github.com/macrozheng">GitHub</a>
*/
@Data
@Builder
@NoArgsConstructor
@AllArgsConstructor
@Schema(title =  "ChatEventDto",description =  "Sse会话事件返回结果")
public class  ChatEventDto {

@Schema(description =  "事件类型，1001-数据事件，1002-停止事件，1003-参数事件")
private Integer eventType;

@Schema(description =  "消息内容")
private Object eventData;

}

  • 这里我们使用Postman测试下同步调用的call接口，可以发现响应比较慢，会一次性返回所有信息；

  • 再测试下异步调用的stream接口，会逐步返回JSON格式的信息；

  • 接着上面的对话询问：我刚问了什么问题，这是第几次对话，大模型会回复我们这是第一次对话，说明目前还没有对话记忆功能。

实现对话记忆

那么如何实现对话记忆功能呢，Spring AI支持多种类型的记忆存储，以适应不同的使用场景，例如内存、JDBC、Neo4j、MongoDB、Redis等。这里就以Redis为例，介绍下如何实现对话记忆功能。

  • Redis对话记忆功能需要使用redis-stack，而不是普通的redis版本，这里使用的是redis-stack的7.4.0版本，docker运行命令如下；

docker run --name redis-stack \
-p 6379:6379 \
-p 8001:8001 \
-d redis/redis-stack:7.4.0-v8

  • 然后在项目的   pom.xml中添加Redis对话记忆对应的Starter；

<!-- Spring AI Redis Chat Memory Repository -->
< dependency
< groupIdorg.springframework.ai </ groupId
< artifactIdspring-ai-starter-model-chat-memory-repository-redis </ artifactId
</ dependency

  • 在   application.yaml中添加Redis的连接配置；

spring:
ai:
chat:
memory:
redis:
host:  192.168 .3 .101
port:  6379
time-to-live:  24h
key-prefix:  spring-chat

  • 在Java配置类中创建RedisChatMemoryRepository和ChatMemory对应的Bean，通过ChatMemory我们可以让AI大模型"记住"同一会话中的历史对话内容，实现真正的多轮对话；

/**
* Spring AI配置类
*  @author macrozheng
*  @since 2026/6/29
*  @see <a href="https://github.com/macrozheng">GitHub</a>
*/
@Configuration
public class  SpringAIConfig {

@Value( "${spring.ai.chat.memory.redis.host}")
private String redisHost;

@Value( "${spring.ai.chat.memory.redis.port}")
private int redisPort;

@Bean
public RedisChatMemoryRepository  redisChatMemoryRepository  {
RedisClient redisClient = RedisClient.builder
.hostAndPort(redisHost, redisPort)
.build;
return RedisChatMemoryRepository.builder
.jedisClient(redisClient)
.build;
}

@Bean
public ChatMemory  chatMemory (RedisChatMemoryRepository repository) {
return MessageWindowChatMemory.builder
.chatMemoryRepository(repository)
.maxMessages( 100)
.build;
}
}

  • 接下来在ChatController中注入ChatMemory，通过它的add方法添加对话记忆，get方法获取对话记忆，clear方法清空对话记忆，所有相关记忆都要绑定到对应的conversationId上。

/**
* 对话功能相关接口
*  @author macrozheng
*  @since 2026/6/29
*  @see <a href="https://github.com/macrozheng">GitHub</a>
*/
@RequiredArgsConstructor
@RestController
@RequestMapping( "/chat")
@Tag(name =  "ChatController",description =  "对话功能相关接口")
public class  ChatController {

private final ChatClient chatClient;
private final ChatMemory chatMemory;

@Operation(summary =  "同步调用大模型")
@PostMapping( "/call")
public String  call (@RequestParam String question, @RequestParam String conversationId) {
// 获取历史消息作为上下文
List<Message> historyMessages = chatMemory.get(conversationId);
// 手动保存用户消息
chatMemory.add(conversationId, List.of( new UserMessage(question)));
// 调用大模型
String response =  this.chatClient.prompt
.messages(historyMessages)
.user(question)
.call
.content;
// 手动保存助手回复
chatMemory.add(conversationId, List.of( new AssistantMessage(response)));
return response;
}

@Operation(summary =  "流式调用大模型")
@PostMapping(value =  "/stream", produces = MediaType.TEXT_EVENT_STREAM_VALUE)
public Flux<ChatEventDto>  stream (@RequestParam String question, @RequestParam String conversationId) {
// 获取历史消息作为上下文
List<Message> historyMessages = chatMemory.get(conversationId);
// 手动保存用户消息
chatMemory.add(conversationId, List.of( new UserMessage(question)));
// 用于收集完整的助手回复
StringBuilder fullResponse =  new StringBuilder;
return this.chatClient.prompt
.messages(historyMessages)
.user(question)
.stream
.content
// 对于流式输出中的每条消息，转化为ChatEventDto对象
.map(content -> {
fullResponse.append(content);
return ChatEventDto.builder
.eventType(ChatEventType.DATA.getValue)
.eventData(content)
.build;
})
// 在流式输出结束后追加一条代表STOP的消息
.concatWith(Flux.just(ChatEventDto.builder
.eventType(ChatEventType.STOP.getValue)
.build))
.doOnComplete( -> {
// 流完成后手动保存助手回复
if (!fullResponse.isEmpty) {
chatMemory.add(conversationId, List.of( new AssistantMessage(fullResponse.toString)));
}
});
}

@Operation(summary =  "获取对话历史记录")
@GetMapping( "/history")
public CommonResult<List<Map<String, Object>>> history( @RequestParam String conversationId) {
var result = chatMemory.get(conversationId).stream
.map(msg -> Map.<String, Object>of(
"role", msg.getMessageType.name,
"content", msg.getText
))
.collect(Collectors.toList);
return CommonResult.success(result);
}

@Operation(summary =  "清除对话历史记录")
@PostMapping( "/clearHistory")
public CommonResult<Void>  clearHistory (@RequestParam String conversationId) {
chatMemory.clear(conversationId);
return CommonResult.success( null);
}
}

功能测试

我这里用TDesign中的Chatbot组件做了个聊天界面，让我们一起来看下效果。

  • 首先我们来测试下对话记忆功能，例如我先问它一个问题，再问它   之前问了什么问题，是第几次对话了，大模型正确回答了，说明已经实现了对话记忆；

  • 打开redis的管理控制台，也可以看到存储的对话记忆数据了；

  • 在Controller中我们还实现了   获取对话历史记录的接口，刷新下页面，就会根据该接口获取历史记录了。

总结

本文带你从零开始，用Spring AI 2.0搭建了一个具备对话记忆功能的AI对话服务。核心步骤就三步：   引入Starter依赖、配置模型参数、注入ChatClient调用，几行代码即可实现同步对话和SSE流式输出。

在此基础上，通过引入ChatMemory并对接Redis，轻松实现了多轮对话记忆，彻底解决了大模型"每次都是第一次聊天"的问题。

Spring AI让你用最熟悉的Spring方式，以最少的代码，将AI能力集成到项目中去，感兴趣的小伙伴可以尝试下！

项目源码地址

https://github.com/macrozheng/spring-ai-examples

来自 “ ITPUB博客 ” ，链接：https://blog.itpub.net/31545808/viewspace-3176029/ ，如需转载，请注明出处，否则将追究法律责任。

0
0
上一篇： Spring 诞生 23 年：AI 刚将其推入安全紧急状态
下一篇： Spring Boot 2026：云原生时代的编程范式革新
请登录后发表评论 登录
全部评论
云计算频道

注册时间：2018-09-19

  • 博文量
    479
  • 访问量
    2702408

最新文章

支持我们 作者招募 用户协议 FAQ Contact Us

北京盛拓优讯信息技术有限公司. 版权所有  京ICP备16024965号-8 北京市公安局海淀分局网监中心备案编号：11010802021510 niuxiaotong@pcpop.com 17352615567 未成年人举报专区

广播电视节目制作经营许可证(京) 字第1234号 中国互联网协会会员

违法和不良信息举报电话:18101376593