Spring AI 代码分析（一）–工程结构

技术分享 4个月前 (11-20) 0 999+

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 RAG     QuestionAnswerAdvisor advisor = new QuestionAnswerAdvisor(vectorStore);          return chatClient.prompt()         .user(question)         .advisors(advisor)         .call()         .content(); }