Spring AI 代码分析（一）--工程结构

news/2025/11/19 19:41:39/文章来源:https://www.cnblogs.com/wasp520/p/19243775

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）：

spring-ai-main/
├── spring-ai-commons/              # 基础公共模块，无其他 Spring AI 依赖
├── spring-ai-model/                 # AI 能力抽象层（ChatModel、EmbeddingModel 等）
├── spring-ai-vector-store/          # 向量数据库统一抽象
├── spring-ai-client-chat/           # 高级对话 AI API（ChatClient）
├── spring-ai-rag/                   # 检索增强生成框架
├── spring-ai-retry/                 # 重试机制
├── spring-ai-bom/                   # 依赖管理 BOM
│
├── models/                          # AI 模型实现
│   ├── spring-ai-openai/           # OpenAI 实现
│   ├── spring-ai-anthropic/         # Anthropic Claude 实现
│   ├── spring-ai-azure-openai/      # Azure OpenAI 实现
│   ├── spring-ai-ollama/            # Ollama 本地模型
│   └── ... (20+ 个模型实现)
│
├── vector-stores/                   # 向量数据库实现
│   ├── spring-ai-pgvector-store/   # PostgreSQL/PGVector
│   ├── spring-ai-chroma-store/      # Chroma
│   ├── spring-ai-pinecone-store/    # Pinecone
│   ├── spring-ai-qdrant-store/      # Qdrant
│   └── ... (20+ 个向量存储实现)
│
├── auto-configurations/             # Spring Boot 自动配置
│   ├── models/                      # 模型自动配置
│   ├── vector-stores/               # 向量存储自动配置
│   └── mcp/                         # MCP 协议自动配置
│
├── document-readers/                # 文档读取器
│   ├── pdf-reader/                    # PDF 解析
│   ├── markdown-reader/              # Markdown 解析
│   └── tika-reader/                 # 通用文档解析
│
├── memory/repository/               # 对话记忆存储实现
│   ├── spring-ai-model-chat-memory-repository-jdbc/
│   ├── spring-ai-model-chat-memory-repository-mongodb/
│   └── ...
│
└── spring-ai-spring-boot-starters/  # Spring Boot Starters├── spring-ai-starter-model-openai/├── spring-ai-starter-vector-store-pgvector/└── ...

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：

@Autowired
private ChatModel chatModel;public String chat(String userMessage) {// 简单调用String response = chatModel.call(userMessage);return response;// 或者使用 Prompt 对象，更灵活Prompt prompt = new Prompt(new UserMessage(userMessage));ChatResponse response = chatModel.call(prompt);return response.getResult().getOutput().getContent();
}

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：

@Autowired
private ChatModel chatModel;public void streamChat(String question) {ChatClient chatClient = ChatClient.create(chatModel);chatClient.prompt().user(question).stream().content().doOnNext(chunk -> System.out.print(chunk)).blockLast();
}

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：

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

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：

@Autowired
private ChatClient chatClient;
@Autowired
private VectorStore vectorStore;public String ragQuery(String question) {// 使用 QuestionAnswerAdvisor 自动处理 RAGQuestionAnswerAdvisor advisor = new QuestionAnswerAdvisor(vectorStore);return chatClient.prompt().user(question).advisors(advisor).call().content();
}