Spring AI：简化人工智能功能应用程序开发

一、项目简介

Spring AI 项目致力于简化包含人工智能功能的应用程序的开发工作，并且不会引入不必要的复杂性。该项目从著名的 Python 项目（如 LangChain 和 LlamaIndex）中获取灵感，但它并非是对这些项目的直接移植。Spring AI 秉持着这样的理念：下一波生成式 AI 应用程序将不仅局限于 Python 开发人员，而是会在多种编程语言中广泛应用。

二、解决的核心挑战

Spring AI 主要解决了 AI 集成的根本挑战，即实现企业数据和 API 与 AI 模型的连接（Connecting your enterprise Data and APIs with AI Models）。

三、提供的抽象基础

Spring AI 提供了抽象，作为开发 AI 应用程序的基础。这些抽象具备多种实现方式，能够支持在最少代码更改的情况下轻松实现组件的交换。

四、功能介绍

1. 跨 AI 提供商的可移植 API 支持：涵盖聊天、文本到图像和嵌入模型等功能。同时支持同步和流式处理 API 选项，还可访问特定于模型的特征。
2. 支持的 AI 模型提供商：包括 Anthropic、OpenAI、Microsoft、Amazon、Google 和 Ollama 等所有主要的 AI 模型提供商。
3. 支持的模型类型
   • 聊天补全
   • 嵌入
   • 文本生成图像
   • 音频转录
   • 文本生成语音
   • 内容审核
   • 结构化输出：实现 AI 模型输出到 POJO 的映射。
4. 支持的矢量数据库提供商：如 Apache Cassandra、Azure Cosmos DB、Azure Vector Search、Chroma、Elasticsearch、GemFire、MariaDB、Milvus、MongoDB Atlas、Neo4j、OpenSearch、Oracle、PostgreSQL/PGVector、PineCone、Qdrant、Redis、SAP Hana、Typesense 和 Weaviate 等所有主要的矢量数据库提供商。
5. 跨 Vector Store 提供商的可移植 API：包含新颖的类似 SQL 的元数据过滤器 API。
6. 工具/函数调用：允许模型请求执行客户端工具和函数，以便根据需求访问必要的实时信息并采取行动。
7. 可观察性：提供对 AI 相关操作的见解。
8. 数据工程的文档摄取 ETL 框架：助力数据处理。
9. AI 模型评估：提供帮助评估生成的内容并防止幻觉响应的实用程序。
10. AI 模型和向量存储的 Spring Boot 自动配置和 Starters：便于快速启动项目。
11. ChatClient API：用于与 AI 聊天模型通信的 Fluent API，其惯用性类似于 WebClient 和 RestClient API。
12. Advisors API：封装重复的生成式 AI 模式，转换发送到和传出语言模型（LLM）的数据，并提供跨各种模型和用例的可移植性。
13. 支持 Chat Conversation Memory and Retrieval Augmented Generation（RAG）：可实现常见使用案例，例如“就您的文档进行问答”或“与您的文档聊天”。

五、项目相关部分介绍

1. 概念部分：提供 AI 概念及其在 Spring AI 中的表示的高级概述，帮助开发者理解项目的基本概念。
2. 入门部分：介绍如何创建您的第一个 AI 应用程序，引导新手快速上手。
3. 后续部分：将采用以代码为中心的方法深入研究每个组件和常见使用案例，满足开发者进一步学习和实践的需求。

Spring AI 凭借其丰富的功能和特性，为开发包含人工智能功能的应用程序提供了强大且便捷的支持，无论是对于新手还是有经验的开发者，都具有很高的学习和使用价值。