Spring AI 代码分析（一）--工程结构

Spring AI 工程分析文档

请关注微信公众号：阿呆-bot
1. 工程结构概览

Spring AI 是一个大型的多模块 Maven 项目，采用模块化设计，主要分为核心模块、模型实现、向量存储、自动配置等几大类。下面我们来看看主要的目录结构（已排除 spec、doc 等文档相关文件夹）：

1. spring-ai-main/
2. ├── spring-ai-commons/              # 基础公共模块，无其他 Spring AI 依赖
3. ├── spring-ai-model/                 # AI 能力抽象层（ChatModel、EmbeddingModel 等）
4. ├── spring-ai-vector-store/          # 向量数据库统一抽象
5. ├── spring-ai-client-chat/           # 高级对话 AI API（ChatClient）
6. ├── spring-ai-rag/                   # 检索增强生成框架
7. ├── spring-ai-retry/                 # 重试机制
8. ├── spring-ai-bom/                   # 依赖管理 BOM
9. │
10. ├── models/                          # AI 模型实现
11. │   ├── spring-ai-openai/           # OpenAI 实现
12. │   ├── spring-ai-anthropic/         # Anthropic Claude 实现
13. │   ├── spring-ai-azure-openai/      # Azure OpenAI 实现
14. │   ├── spring-ai-ollama/            # Ollama 本地模型
15. │   └── ... (20+ 个模型实现)
16. │
17. ├── vector-stores/                   # 向量数据库实现
18. │   ├── spring-ai-pgvector-store/   # PostgreSQL/PGVector
19. │   ├── spring-ai-chroma-store/      # Chroma
20. │   ├── spring-ai-pinecone-store/    # Pinecone
21. │   ├── spring-ai-qdrant-store/      # Qdrant
22. │   └── ... (20+ 个向量存储实现)
23. │
24. ├── auto-configurations/             # Spring Boot 自动配置
25. │   ├── models/                      # 模型自动配置
26. │   ├── vector-stores/               # 向量存储自动配置
27. │   └── mcp/                         # MCP 协议自动配置
28. │
29. ├── document-readers/                # 文档读取器
30. │   ├── pdf-reader/                    # PDF 解析
31. │   ├── markdown-reader/              # Markdown 解析
32. │   └── tika-reader/                 # 通用文档解析
33. │
34. ├── memory/repository/               # 对话记忆存储实现
35. │   ├── spring-ai-model-chat-memory-repository-jdbc/
36. │   ├── spring-ai-model-chat-memory-repository-mongodb/
37. │   └── ...
38. │
39. └── spring-ai-spring-boot-starters/  # Spring Boot Starters
40.     ├── spring-ai-starter-model-openai/
41.     ├── spring-ai-starter-vector-store-pgvector/
42.     └── ...

复制代码

2. 技术体系与模块关系

Spring AI 采用分层架构设计，从底层到上层依次是：基础层 → 抽象层 → 实现层 → 自动配置层。这种设计让代码既灵活又易于扩展。

技术栈说明：

• Java 17 + Spring Boot 3.5.7：现代 Java 企业级开发栈
  
• Maven：依赖管理和构建工具
  
• 响应式编程：支持 Reactor 流式处理
  
• 观察性：集成 Micrometer，提供指标和追踪
  

3. 关键场景示例代码

3.1 使用 ChatModel 进行对话

这是最基础的用法，直接调用 AI 模型：

1. @Autowired
2. private ChatModel chatModel;
4. public String chat(String userMessage) {
5.     // 简单调用
6.     String response = chatModel.call(userMessage);
7.     return response;
8.    
9.     // 或者使用 Prompt 对象，更灵活
10.     Prompt prompt = new Prompt(new UserMessage(userMessage));
11.     ChatResponse response = chatModel.call(prompt);
12.     return response.getResult().getOutput().getContent();
13. }

复制代码

3.2 使用 ChatClient 流式 API

ChatClient 提供了更友好的流式 API，类似 WebClient 的风格：

1. @Autowired
2. private ChatModel chatModel;
4. public void streamChat(String question) {
5.     ChatClient chatClient = ChatClient.create(chatModel);
6.    
7.     chatClient.prompt()
8.         .user(question)
9.         .stream()
10.         .content()
11.         .doOnNext(chunk -> System.out.print(chunk))
12.         .blockLast();
13. }

复制代码

3.3 使用 VectorStore 进行相似度搜索

向量存储是 RAG 的核心，用于存储和检索文档：

1. @Autowired
2. private EmbeddingModel embeddingModel;
3. @Autowired
4. private VectorStore vectorStore;
6. public void storeAndSearch() {
7.     // 1. 存储文档
8.     List<Document> documents = Arrays.asList(
9.         new Document("Spring AI 是一个 AI 应用开发框架"),
10.         new Document("支持多种 AI 模型和向量数据库")
11.     );
12.     vectorStore.add(documents);
13.    
14.     // 2. 相似度搜索
15.     List<Document> results = vectorStore.similaritySearch("AI 框架");
16.     results.forEach(doc -> System.out.println(doc.getContent()));
17. }

复制代码

3.4 RAG 模式：检索增强生成

这是 Spring AI 的杀手级功能，结合向量存储和 AI 模型：

1. @Autowired
2. private ChatClient chatClient;
3. @Autowired
4. private VectorStore vectorStore;
6. public String ragQuery(String question) {
7.     // 使用 QuestionAnswerAdvisor 自动处理 RAG
8.     QuestionAnswerAdvisor advisor = new QuestionAnswerAdvisor(vectorStore);
9.    
10.     return chatClient.prompt()
11.         .user(question)
12.         .advisors(advisor)
13.         .call()
14.         .content();
15. }

复制代码

4. 入口类与关键类关系

Spring AI 的入口主要是各种 AutoConfiguration 类，它们负责自动配置 Bean。核心接口之间的关系如下：

关键入口类说明：

• AutoConfiguration 类：位于 auto-configurations/ 目录，根据 classpath 自动配置相应的 Bean
  
• ChatModel：所有对话模型的统一接口，包括 OpenAI、Anthropic 等
  
• VectorStore：向量数据库的统一抽象，支持 PGVector、Chroma、Pinecone 等
  
• ChatClient：高级 API，提供流式、Advisor 等高级特性
  

5. 外部依赖

Spring AI 的外部依赖主要分为几大类：
5.1 AI 模型提供商 SDK

• OpenAI：官方 Java SDK
  
• Anthropic：Claude API 客户端
  
• Azure OpenAI：Azure 服务 SDK
  
• AWS Bedrock：AWS SDK for Java
  
• Google GenAI：Google AI SDK
  
• Ollama：本地模型运行框架
  

5.2 向量数据库客户端

• PostgreSQL/PGVector：JDBC + pgvector 扩展
  
• Chroma：Python 服务的 HTTP 客户端
  
• Pinecone：官方 Java SDK
  
• Qdrant：REST API 客户端
  
• Redis：Spring Data Redis
  
• MongoDB Atlas：MongoDB Java Driver
  
• Elasticsearch：Elasticsearch Java Client
  
• 还有 Neo4j、Weaviate、Milvus 等 10+ 种实现
  

5.3 文档处理

• Apache Tika：通用文档解析
  
• PDFBox：PDF 处理
  
• Jsoup：HTML 解析
  
• CommonMark：Markdown 解析
  

5.4 构建和测试工具

• Maven：构建工具
  
• Testcontainers：集成测试容器
  
• JaCoCo：代码覆盖率
  
• Checkstyle：代码风格检查
  

6. 工程总结

Spring AI 这个项目，说白了就是 Spring 生态在 AI 领域的延伸。它的设计理念非常清晰：可移植性 + 模块化 + POJO 优先。
6.1 设计亮点

第一，抽象做得好。不管是 OpenAI 还是 Anthropic，不管是 PGVector 还是 Pinecone，都用统一的接口。这意味着你可以轻松切换提供商，不用改业务代码。
第二，模块化设计。核心抽象和具体实现完全分离，想用哪个模型、哪个向量数据库，引入对应的 starter 就行。这种设计让项目既灵活又不会臃肿。
第三，Spring Boot 深度集成。自动配置、Starters、观察性，该有的都有。用起来就像用 Spring Data 一样自然。
6.2 核心价值

Spring AI 解决的核心问题是：如何把企业数据和 API 连接到 AI 模型。它提供了：

• RAG 框架：让 AI 能"看到"你的数据
  
• 工具调用：让 AI 能"操作"你的系统
  
• 对话记忆：让 AI 能"记住"对话历史
  
• 流式处理：让 AI 响应更流畅
  

6.3 适用场景

这个框架特别适合：

• 企业内部知识库问答系统
  
• 文档智能检索和分析
  
• AI 驱动的业务自动化
  
• 多模型、多数据源的 AI 应用
  

总的来说，Spring AI 是一个企业级、生产就绪的 AI 应用开发框架。它把复杂的 AI 集成工作标准化、简单化，让 Java 开发者也能轻松构建 AI 应用。如果你熟悉 Spring 生态，上手会非常快。

来源：程序园用户自行投稿发布，如果侵权，请联系站长删除
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！