开篇引入

在Java开发领域，Spring AI（Spring官方为Java生态打造的AI应用开发框架）的出现，彻底改变了Java开发者接入大语言模型的方式——不再需要学习Python、不再需要手动封装各家API的HTTP请求。很多学习者依然面临共同的困境：只会调用、不懂原理、概念容易混淆、面试一问就卡壳。本文将手把手带你搭建一个名为“酸奶AI助手”的Spring Boot AI应用，从集成DeepSeek大模型到理解提示工程（Prompt Engineering）与RAG（Retrieval-Augmented Generation，检索增强生成）两大核心概念，让你真正看懂逻辑、记住考点，建立起从入门到进阶的完整知识链路。

一、痛点切入：为什么需要Spring AI？

传统实现方式：手写HTTP调用大模型

在没有Spring AI之前，Java开发者要调用大模型API，通常是这样写的：

// 传统方式：手写HTTP请求
HttpClient client = HttpClient.newHttpClient();
String jsonBody = """
    {
        "model": "deepseek-chat",
        "messages": [{"role": "user", "content": "你好"}]
    }
    """;
HttpRequest request = HttpRequest.newBuilder()
    .uri(URI.create("https://api.deepseek.com/v1/chat/completions"))
    .header("Authorization", "Bearer YOUR_API_KEY")
    .header("Content-Type", "application/json")
    .POST(HttpRequest.BodyPublishers.ofString(jsonBody))
    .build();
// 然后还要手动解析JSON，处理异常...

传统方式的痛点

1. 耦合度高：API的URL、请求格式、认证方式硬编码在代码中，换一个模型厂商就要全部重写。

2. 扩展性差：想支持流式输出、函数调用（Function Calling）、结构化输出等高级功能，需要自行封装大量代码。

3. 维护困难：各家API的接口规范五花八门——OpenAI的格式、Claude的参数名、国内模型的签名机制各不相同，代码中充斥着厂商特定的逻辑-6。

4. 测试不便：无法像Spring Bean一样方便地进行Mock和单元测试。

Spring AI的设计初衷

Spring AI正是为了解决上述痛点而生。它由Spring官方团队主导开发，旨在为Java/Spring生态系统提供一个统一、模块化、企业级友好的AI应用开发框架，让开发者能够像使用RestTemplate一样，以惯用的Spring风格集成大模型能力-3。

二、核心概念讲解：Spring AI

定义

Spring AI（Spring官方AI应用开发框架）是Spring生态中用于集成AI能力的统一抽象层。它屏蔽了不同AI模型厂商的API差异，提供了一套标准化的接口（如ChatClient、EmbeddingClient、VectorStore），让Java开发者用熟悉的依赖注入和自动配置方式调用大模型。

拆解关键词

• 统一抽象层：无论底层是OpenAI的GPT-4、Anthropic的Claude，还是国内的DeepSeek、通义千问，调用代码完全一样，切换模型只需修改一个配置参数-3。

• Spring风格：遵循“约定优于配置”的设计哲学，通过@Bean注入、application.yml配置，与现有Spring Boot项目无缝集成-6。

• 企业级能力：支持流式响应、函数调用、RAG、结构化输出等现代AI能力，同时具备Micrometer监控、重试、熔断等生产级特性-3。

生活化类比

可以把Spring AI想象成一个通用的AI电源转换头：你去不同国家旅行（对接不同大模型），不用重新学当地插座标准（不用学每家API），只需带一个转换头（Spring AI），所有设备都能正常使用。

三、关联概念讲解：提示工程（Prompt Engineering）

定义

提示工程（Prompt Engineering）是设计、优化和迭代输入提示词（Prompt），以引导生成式AI模型产生准确、相关、高质量输出的策略性过程-32。它不是直接修改模型参数，而是通过精心设计的输入来控制模型的输出行为。

三种核心提示类型

在实际应用中，提示工程主要围绕以下三种提示类型展开-31：

生活化类比

提示工程就像给员工下指令的艺术：你说“整理文件”，他可能随便堆在一起；你说“按日期排序，放到红色文件夹，每份文件标注页码”，他就能精准完成任务。提示词越清晰、越有结构，AI的输出就越符合预期。

四、概念关系与区别总结

核心关系一句话概括

Spring AI是“基础设施框架”，负责“怎么连”大模型；提示工程是“应用方法论”，负责“怎么问”才能得到好答案。

对比表格

两者的关系类似于：Spring AI提供了“打电话的工具”，提示工程决定了“通话内容怎么说”。二者相辅相成，缺一不可。

五、代码示例：从0到1搭建酸奶AI助手

准备工作

• JDK 17+（Spring Boot 3要求JDK 17及以上）-11

• Maven或Gradle

• DeepSeek API Key（免费注册即可获取，且无需科学上网）-11

💡 为什么选DeepSeek？ DeepSeek的API完全兼容OpenAI接口规范，我们可以直接使用spring-ai-starter-model-openai依赖，只需把base-url指向DeepSeek即可，真正做到“一行配置换模型”-11。

第1步：添加依赖（pom.xml）

<parent>
    <groupId>org.springframework.boot</groupId>
    <artifactId>spring-boot-starter-parent</artifactId>
    <version>3.5.0</version>
</parent>

<dependencyManagement>
    <dependencies>
        <dependency>
            <groupId>org.springframework.ai</groupId>
            <artifactId>spring-ai-bom</artifactId>
            <version>1.0.0</version>
            <type>pom</type>
            <scope>import</scope>
        </dependency>
    </dependencies>
</dependencyManagement>

<dependencies>
    <!-- Spring Boot Web Starter -->
    <dependency>
        <groupId>org.springframework.boot</groupId>
        <artifactId>spring-boot-starter-web</artifactId>
    </dependency>
    <!-- Spring AI OpenAI Starter（兼容DeepSeek） -->
    <dependency>
        <groupId>org.springframework.ai</groupId>
        <artifactId>spring-ai-starter-model-openai</artifactId>
    </dependency>
</dependencies>

第2步：配置文件（application.yml）

spring:
  ai:
    openai:
      api-key: ${DEEPSEEK_API_KEY}     使用环境变量，不要硬编码！
      base-url: https://api.deepseek.com
      chat:
        options:
          model: deepseek-chat
          temperature: 0.7

⚠️ 安全提醒：生产环境绝对不要将API Key直接写在配置文件中，请使用环境变量或密钥管理服务-11。

第3步：编写酸奶AI助手核心服务

@Service
public class YogurtAIAssistant {
    private final ChatClient chatClient;

    // 依赖注入：Spring AI 自动配置好 ChatClient.Builder
    public YogurtAIAssistant(ChatClient.Builder builder) {
        // 配置系统提示词（提示工程的典型应用）
        this.chatClient = builder
            .defaultSystem("你是一位专业的酸奶营养顾问。" +
                          "你的回答要亲切、易懂，帮助用户了解酸奶的营养价值。" +
                          "回答时尽量提供科学依据，避免夸大宣传。")
            .build();
    }

    // 简单对话：一行代码完成AI调用
    public String chat(String userMessage) {
        return chatClient.prompt(userMessage).call().content();
    }

    // 带系统提示词的对话
    public String chatWithSystem(String systemPrompt, String userMessage) {
        return chatClient.prompt()
            .system(systemPrompt)
            .user(userMessage)
            .call()
            .content();
    }

    // 流式输出：实现打字机效果
    public Flux<String> streamChat(String userMessage) {
        return chatClient.prompt(userMessage)
            .stream()
            .content();
    }
}

第4步：编写REST Controller

@RestController
@RequestMapping("/api/yogurt")
public class YogurtAIController {
    private final YogurtAIAssistant assistant;

    public YogurtAIController(YogurtAIAssistant assistant) {
        this.assistant = assistant;
    }

    @GetMapping("/chat")
    public Map<String, String> chat(@RequestParam String message) {
        String response = assistant.chat(message);
        return Map.of("response", response);
    }

    // 流式输出：SSE
    @GetMapping(value = "/stream", produces = MediaType.TEXT_EVENT_STREAM_VALUE)
    public Flux<String> stream(@RequestParam String message) {
        return assistant.streamChat(message);
    }
}

关键代码解读

1. ChatClient.Builder的自动注入：Spring AI通过自动配置，将ChatClient.Builder注册为Spring Bean，你只需要在构造函数中声明即可注入-2。

2. .defaultSystem()：这就是提示工程的应用——设置全局的系统提示词，让AI在整个会话中保持“酸奶营养顾问”的角色定位。

3. .prompt().call().content()：一行代码完成完整的AI调用链路，Spring AI内部处理了HTTP请求、JSON解析、错误重试等所有细节。

4. .stream()：返回Flux<String>，配合Spring WebFlux自动转换为SSE（Server-Sent Events）流，实现逐字输出的“打字机”效果-2。

运行效果

启动Spring Boot应用后，访问http://localhost:8080/api/yogurt/chat?message=酸奶有什么好处，你会得到一段来自DeepSeek大模型的专业回答，而且AI的回答会始终保持在“酸奶营养顾问”的角色设定内。

六、底层原理与技术支撑

Spring AI的底层依赖

Spring AI之所以能如此简洁地调用大模型，底层主要依赖以下技术：

1. 动态代理与反射：Spring AI通过动态代理将ChatClient接口的方法调用，动态转换为特定厂商的HTTP请求。你写的chatClient.prompt("你好").call()，在运行时被代理成了对应模型（如DeepSeek）的API调用。

2. Spring Boot自动配置：利用@ConditionalOnClass、@ConfigurationProperties等机制，根据application.yml中的配置自动创建相应的ChatModel Bean。核心逻辑在spring-ai-autoconfigure模块中实现。

3. HTTP客户端抽象：Spring AI内部封装了WebClient或RestClient，统一处理HTTP连接池、超时、重试、熔断等企业级能力。

4. JSON Schema自动生成：在结构化输出功能中，Spring AI会根据你的Java POJO类，自动生成JSON Schema供大模型使用，然后自动将返回的JSON反序列化为Java对象-2。

大模型调用的本质

无论你用Spring AI还是手写HTTP，大模型调用的本质都是向云端API发送HTTP请求，模型在服务器端完成推理后返回结果。Spring AI的价值在于把这个过程“Spring化”——让AI调用变得像调用本地方法一样简单，同时提供可观测、可测试、可扩展的企业级能力。

七、高频面试题与参考答案

Q1：Spring AI是什么？它解决了什么问题？

参考答案：
Spring AI是Spring官方推出的AI应用开发框架，它为Java开发者提供了统一的API抽象层来集成大语言模型。主要解决了三个问题：一是接口不统一——屏蔽了OpenAI、Claude、DeepSeek等不同厂商的API差异；二是开发复杂度高——将复杂的HTTP调用、JSON解析封装成一行chatClient.prompt().call()；三是企业级能力缺失——内置了监控、重试、熔断、流式响应等生产级特性-3。

踩分点：官方框架、统一抽象、降低复杂度、企业级能力。

Q2：提示工程（Prompt Engineering）和RAG有什么区别？

参考答案：
提示工程和RAG都是优化AI输出的方法，但角度不同。提示工程是通过优化输入文本（提示词）来引导模型输出，不引入外部数据，属于“问问题的方式”优化。RAG（检索增强生成）则是先从外部知识库检索相关信息，再把这些信息作为上下文注入提示词中，属于“给模型补充知识”的优化-41。简单说：提示工程教AI“怎么答”，RAG给AI“答什么资料”。

踩分点：提示工程=优化输入格式，RAG=检索外部知识后注入上下文，两者可组合使用。

Q3：Spring AI如何实现多模型切换？

参考答案：
Spring AI通过统一的ChatClient接口屏蔽了底层差异，多模型切换只需要修改application.yml中的三个配置：api-key、base-url和model。因为DeepSeek、OpenAI、通义千问等都通过统一的spring-ai-starter-model-openai依赖接入（只要厂商兼容OpenAI规范），修改配置即可无缝切换，业务代码完全不用改动-11。

踩分点：统一抽象层、配置驱动、OpenAI兼容规范、业务代码零改动。

Q4：Spring AI中的流式响应（Streaming）是如何实现的？

参考答案：
Spring AI的流式响应基于Reactor响应式编程实现。调用chatClient.prompt().stream()会返回Flux<String>对象，底层通过SSE（Server-Sent Events）协议将大模型逐字生成的内容推送给客户端。相比等待完整响应，流式响应能在300ms内返回第一个字符，显著提升用户体验-2。Spring WebFlux会自动将Flux转换为HTTP流式响应。

踩分点：Reactor、Flux、SSE协议、首字延迟优化。

Q5：使用Spring AI时，API Key等敏感信息应该如何管理？

参考答案：
生产环境中绝对不要将API Key硬编码在配置文件或代码中。推荐使用环境变量（${DEEPSEEK_API_KEY}）或配置中心（如Spring Cloud Config、Apollo），以及专业的密钥管理服务（如AWS Secrets Manager、HashiCorp Vault）。Spring AI支持spring.ai.openai.api-key配置项的占位符解析，可以直接引用环境变量-11。

踩分点：禁止硬编码、环境变量、配置中心、密钥管理服务。

八、结尾总结

核心知识点回顾

1. Spring AI：Spring官方的AI集成框架，提供统一抽象层，让Java开发者用熟悉的方式调用大模型。

2. 提示工程：通过优化提示词（特别是系统提示词）来控制AI的输出质量和角色定位，是AI应用开发的核心技能。

3. RAG：检索增强生成，从外部知识库检索信息后注入上下文，解决大模型知识过时和幻觉问题。

4. 三者关系：Spring AI是“工具”，提示工程是“方法”，RAG是“增强手段”。组合使用才能构建生产级AI应用。

重点与易错点

• ⚠️ 不要硬编码API Key：生产环境务必使用环境变量或密钥管理服务。

• ⚠️ 提示词不是万能药：对于需要最新知识或私有数据的场景，必须配合RAG使用。

• ⚠️ 不要忽略流式响应：大模型响应通常需要2-5秒，没有流式输出的体验会很差。

• ✅ 从Spring AI 1.0开始学习：Spring AI 2.0目前还在里程碑版本（2.0.0-M4），生产环境推荐使用稳定版1.x-2。

进阶预告

下一篇文章我们将深入讲解Spring AI中的RAG实战：如何将企业知识库（PDF、Word、数据库）向量化存储，在用户提问时实时检索相关内容注入提示词，让AI真正“懂”你的业务数据。同时还会讲解@Tool注解实现函数调用（Function Calling），让AI能够调用你的Java方法完成天气查询、订单处理等实际业务操作。

敬请期待！