概述
介绍
Spring AI 项目旨在简化集成人工智能功能的应用开发流程，避免引入不必要的复杂性。
该项目从 LangChain、LlamaIndex 等知名 Python 项目中汲取灵感，但并非这些项目的直接移植版本。项目的创立理念是：下一代生成式人工智能应用不会仅面向 Python 开发者，而是将普及到多种编程语言生态中。
| Spring AI 旨在解决人工智能集成的核心挑战：将企业数据与 API 同人工智能模型打通。 |
|---|
Spring AI 提供了一系列抽象层，作为开发人工智能应用的基础。这些抽象层具备多种实现方案，能够以最少的代码改动轻松实现组件替换。
Spring AI 提供以下功能特性：
为对话（Chat）、文本转图片（text-to-image）和嵌入向量（Embedding）模型提供跨人工智能服务商的可移植 API 支持，同时兼容同步和流式 API 两种调用方式，也支持访问各模型的专属特性。
支持所有主流人工智能模型提供商，例如 Anthropic、OpenAI、微软（Microsoft）、亚马逊（Amazon）、谷歌（Google）和 Ollama。支持的模型类型包括：
对话补全（Chat Completion）
嵌入向量生成（Embedding）
文本转图片（Text to Image）
音频转文字（Audio Transcription）
文本转语音（Text to Speech）
内容审核（Moderation）
结构化输出（Structured Outputs）—— 将人工智能模型的输出结果映射为简单 Java 对象（POJOs）。
支持所有主流向量数据库提供商，例如 Apache Cassandra、Azure 向量搜索（Azure Vector Search）、Chroma、Milvus（Milvus 向量数据库）、MongoDB Atlas、Neo4j、Oracle（甲骨文）、PostgreSQL/PGVector、PineCone、Qdrant、Redis（分布式缓存数据库）和 Weaviate。
跨向量存储提供商的可移植 API，包括创新的类 SQL 元数据过滤 API。
工具 / 函数调用（Tools/Function Calling）—— 允许模型请求执行客户端工具和函数，从而根据需求获取必要的实时信息。
可观测性（Observability）—— 提供对人工智能相关操作的深度洞察。
面向数据工程的文档导入 ETL 框架。
人工智能模型评估（AI Model Evaluation）—— 提供实用工具以助力评估生成内容，并防范幻觉响应的产生。
面向人工智能模型与向量存储的 Spring Boot 自动配置（Auto Configuration）及启动器（Starters）。
对话客户端 API（ChatClient API）—— 用于与人工智能对话模型交互的流式 API（Fluent API），语法风格与 WebClient、RestClient API 一脉相承。
增强器 API（Advisors API）—— 封装生成式人工智能的常用模式，对往返于大语言模型（LLMs）的数据进行转换，并支持跨多种模型与应用场景的可移植性。
支持对话记忆（Chat Conversation Memory）与检索增强生成（Retrieval Augmented Generation, RAG）。
这套功能集支持你实现各类常见应用场景，例如「基于文档的问答」或「与文档对话」。
概念部分（Concepts）提供了人工智能核心概念的宏观概述，以及这些概念在 Spring AI 中的具体实现形式。
快速入门部分（Getting Started）将指导你创建首个人工智能应用。后续章节将以代码为核心导向，深入探讨每个组件的细节及各类常见应用场景。