首页  思维导图  详情



 



Spring AI Alibaba 知识体系

2026-06-13 16:26:00   0  举报





AI智能生成

本文件为Spring AI Alibaba 框架全覆盖官方级知识体系手册，基于 Spring AI 标准规范与阿里云 DashScope 大模型生态深度整合梳理而成，完整覆盖框架基础原理、核心模块、高阶能力、企业级落地、实战场景与生产避坑规范。文件整合结构化脑图源码、体系化文字知识点、可直接运行的核心业务代码，形成「理论+架构+实战+落地优化」一体化学习与落地资料，适用于开发者入门进阶、项目开发参考、团队技术沉淀、面试复习及企业AI项目落地指导。

技能提升

java

模板推荐

作者其他创作

大纲/内容

1. 基础核心模块

1.1 框架架构与依赖

核心依赖坐标

spring-ai-alibaba-starter（全量包）

spring-ai-alibaba-starter-dashscope（通义千问）

spring-ai-alibaba-starter-vector-store（向量库）

spring-ai-alibaba-starter-agent（智能体）

版本对应关系

Spring Boot 3.x / Spring AI 官方版本匹配

DashScope SDK 内置封装

自动装配原理

META-INF/spring/org.springframework.boot.autoconfigure.AutoConfiguration.imports

DashScopeAutoConfiguration、VectorStoreAutoConfiguration

1.2 配置体系（application.yml/application.properties）

全局鉴权配置

spring.ai.alibaba.dashscope.api-key

环境变量、阿里云RAM角色、STS临时密钥三种鉴权方式

Chat 模型通用配置

模型名称：qwen-turbo/qwen-plus/qwen-max/qwen-vl

temperature、top_p、max_tokens、stop、seed

流式开关、超时时间、重试策略

Embedding 嵌入模型配置

text-embedding-v1/v2/v3 模型参数

VectorStore 向量库配置

阿里云DashVector/Elasticsearch/本地内存向量库参数

1.3 核心顶层API（兼容Spring AI标准）

ChatClient：对话统一入口

prompt 构建、system-message、user-message、assistant-message

call() 同步输出 / stream() 流式SSE输出

EmbeddingModel：文本向量化

embed() 单文本嵌入 / embedForList() 批量嵌入

VectorStore：向量存储检索

add()、delete()、similaritySearch()

PromptTemplate：提示词模板渲染

字符串模板、文件模板、变量占位符

2. DashScope 大模型对话模块（核心业务）

2.1 文本对话模型（Qwen通义千问系列）

主流模型清单

qwen-turbo：轻量低成本

qwen-plus：均衡性能

qwen-max：最强通用

qwen-long：超长上下文128k

同步对话开发流程

注入ChatClient、构建Prompt、调用call、解析ChatResponse

流式对话（SSE/前端实时打字效果）

Flux<ChatResponse> 响应、分片解析、前端EventSource对接

多轮上下文记忆

Spring AI ChatMemory 实现

InMemoryChatMemory（内存）

RedisChatMemory（分布式会话持久化）

2.2 多模态视觉模型 Qwen-VL

图片理解、图文问答、OCR、图表解析

入参构造：UserMessage + Media（图片URL/字节流）

配置参数：图片分辨率、多图批量输入

2.3 结构化输出（JSON强制返回）

OutputParser 内置实现

BeanOutputParser：直接映射Java实体类

ListOutputParser、MapOutputParser

原理：Prompt追加格式约束 + 模型JSON修复

2.4 函数调用 / Tool Calling 工具调用

两种实现方式

声明式：@Tool 注解定义Java工具方法（框架自动扫描）

编程式：FunctionTool 手动构建工具定义

执行流程：

LLM 判断是否需要调用工具

框架自动序列化参数执行本地方法

工具结果回传给LLM生成最终回答

内置工具：日期查询、计算器、HTTP搜索示例

3. Embedding 文本向量化模块

3.1 阿里云嵌入模型

text-embedding-v3 优势：维度1024、中英双语、长文本支持

批量嵌入优化：分块批量请求降低API调用次数

3.2 向量归一化、相似度计算

内置余弦相似度计算工具

向量预处理：文本分段、清洗、去重

3.3 业务场景

文档知识库向量化、检索增强、语义匹配、问答匹配

4. VectorStore 向量存储 & RAG检索增强

4.1 支持的向量库实现

阿里云原生：DashVector（云端托管向量数据库）

开源兼容：ElasticsearchVectorStore、PgVector

本地调试：InMemoryVectorStore（测试专用，不生产）

4.2 RAG完整全链路流程

文档加载 DocumentReader

FileSystemReader、UrlReader、自定义PDF/Word解析器

文本分割 TextSplitter

TokenTextSplitter、RecursiveCharacterTextSplitter

分块大小、重叠窗口配置

向量化写入VectorStore

用户提问向量化 + 相似向量检索

检索结果拼接上下文注入Prompt

LLM基于知识库回答（区分幻觉）

4.3 RAG高阶优化

重排Rerank：DashScope Rerank模型过滤低相似度文档

元数据过滤：按文档来源、时间、分类筛选检索结果

混合检索：关键词检索 + 向量检索融合

5. Agent 智能体模块

5.1 框架内置Agent类型

SimpleAgent：单工具简单智能体

ReActAgent：思考-行动循环标准ReAct智能体

MultiAgent：多智能体协作（规划Agent、工具执行Agent）

5.2 Agent 核心组件

AgentRequest / AgentResponse：统一入参出参

ToolCallHandler：工具执行拦截器

AgentMemory：智能体独立会话记忆

Planner：复杂任务分步规划器

5.3 业务场景

自动化客服、数据分析Agent、文档处理机器人、工单自动处理

6. 多模态扩展能力

6.1 图像生成（通义万相 WanX）

文生图、图生图、图像编辑、风格化

ImageModel API、参数：尺寸、风格、生成数量

6.2 音频模型（通义听悟）

语音转文字ASR、文字转语音TTS

AudioModel 统一封装、字节流音频传输

6.3 文档解析大模型

通义文档解析：PDF/Word/Excel直接问答，无需手动分割

7. 企业级生产特性

7.1 异常与容错

DashScope自定义异常体系

ApiKeyInvalidException、RateLimitException、ModelOverloadException

重试机制：Spring Retry 自动装配、自定义重试次数/间隔

降级策略：模型不可用时切换备用模型

7.2 可观测性（监控链路）

Micrometer Metrics：调用耗时、成功失败计数、token消耗统计

Spring Cloud Sleuth / SkyWalking 链路追踪

自动埋点：Chat请求、向量检索、工具调用span

日志增强：打印输入Prompt、输出、消耗token数

7.3 安全与权限

RAM子账号权限管控（限制模型调用、向量库操作）

STS临时密钥动态鉴权（前端端侧应用）

Prompt 输入过滤、敏感词拦截扩展接口

7.4 性能优化

连接池：DashScope HTTP客户端连接池配置

批量接口：批量嵌入、批量文档入库

缓存：Prompt缓存、向量检索结果缓存（Spring Cache整合）

8. 扩展与自定义开发

8.1 自定义ChatModel实现

实现Spring AI ChatModel顶层接口，兼容自有模型

8.2 自定义VectorStore

对接私有向量数据库，实现VectorStore标准接口

8.3 自定义工具Tool

复杂业务工具、数据库查询、第三方API调用封装

8.4 Prompt 全局拦截器

ChatClientInterceptor：统一修改prompt、添加全局上下文、日志拦截

8.5 事件监听

ChatLifecycleListener：监听对话开始、结束、工具调用事件

9. 实战工程落地场景

场景1：企业内部知识库问答（RAG+DashVector）

场景2：流式对话聊天机器人（Vue/React + SSE）

场景3：后端Agent自动业务流程处理

场景4：多模态图文OCR问答系统

场景5：API网关统一封装大模型能力给前端调用

10. 常见踩坑与最佳实践

10.1 配置坑

API Key 硬编码安全问题（推荐环境变量/配置中心Nacos/Apollo）

上下文长度超限：合理配置文本分块、qwen-long超长模型选用

10.2 性能坑

未复用ChatClient实例、频繁创建连接

批量文档未做分批次嵌入触发限流

10.3 业务最佳实践

生产环境禁用内存向量库，使用DashVector

分布式会话必须RedisChatMemory

流式输出统一使用Flux，避免阻塞IO

所有大模型调用增加超时与熔断（Resilience4j整合）

 Collect

Get Started

AI产品经理必备知识

 Collect

Get Started

软件知识体系

 Collect

Get Started

知识体系脑图

 Collect

Get Started

AI产品经理知识体系





0 条评论

下一页