LangChain与Spring AI均为当下主流的AI应用开发框架，核心目标是简化大语言模型（LLM）与各类组件的集成，降低AI应用的开发门槛，但二者在设计理念、技术栈、生态适配等方面存在显著差异，适配不同的开发场景与需求。

在核心功能实现上，二者各有侧重。记忆机制方面，LangChain将Memory作为独立组件，提供多种记忆类型，支持多类数据库持久化，可与Chain、Agent灵活组合；Spring AI则采用记忆逻辑与存储解耦的Repository模式，通过ChatMemory接口与ChatMemoryRepository实现会话记忆的管理与持久化，适配企业级数据存储需求。模型调用上，LangChain通过Runnable接口统一组件，封装50+种LLM，支持多模型协同与灵活路由；Spring AI则通过ChatClient Fluent API简化调用，更换配置即可实现多模型切换，更贴合企业级组件替换需求。

工具调用、向量数据库、结构化输出等核心功能上，LangChain提供丰富的内置工具与向量数据库支持，原生支持RAG与多模态交互，结构化输出依赖Pydantic模型保证类型安全；Spring AI则通过注解简化工具定义，依托Spring自动配置实现向量数据库集成，结构化输出通过Java类型系统与JSON Schema保障，虽无内置业务工具，但可无缝调用任何Spring Bean，适配企业级业务集成。

1. 概念对比

对比项	LangChain	Spring AI
核心概念	Chain（链）、Agent（智能体）、Tool（工具）、Memory（记忆）	ChatClient（对话客户端）、ChatModel（模型抽象）、VectorStore（向量库）
设计理念	组件可组合，LCEL（LangChain 表达式语言）统一 Runnable 接口	Spring 风格抽象，依赖注入、声明式配置、可移植性优先
主要语言	Python / TypeScript	Java / Kotlin
生态集成	Python 数据生态、Jupyter、LangSmith、LangGraph	Spring Boot、Spring Cloud、MCP、企业级中间件
学习曲线	中等偏高（概念较多，但灵活）	较低（Spring 开发者几乎无痛上手）

---

2. 记忆力 (Memory)

对比项	LangChain	Spring AI
核心抽象	BaseChatMessageHistory + 多种 Memory 类（Buffer、Entity、Window 等）	ChatMemory 接口（逻辑层） + ChatMemoryRepository（存储层）
短期记忆	LangGraph 检查点（checkpoint）保存会话状态，可持久化至数据库	MessageWindowChatMemory 维护滑动窗口对话历史
长期记忆	LangMem SDK 提取对话事实，优化 Agent 行为	ChatMemoryRepository 持久化至数据库，实现跨会话记忆
支持存储后端	MongoDB、Redis、SQLite、Neo4j、Couchbase、ScyllaDB 等	JDBC（MySQL/PostgreSQL/SQL Server）、Cassandra、Redis、内存 Map
架构特点	Memory 作为独立组件，与 Chain/Agent 组合使用	记忆管理与存储解耦，遵循 Repository 模式

---

3. 模型调用

对比项	LangChain	Spring AI
统一接口	所有组件实现 Runnable，支持 invoke、stream、batch	ChatClient Fluent API + ChatModel 抽象
多模型切换	封装 50+ 种 LLM，通过 ChatOpenAI、ChatAnthropic 等类切换	更换配置文件即可切换 OpenAI、Anthropic、Vertex AI、Ollama 等
流式输出	.stream() 返回迭代器	.stream() 返回 Flux<String>（Reactor）
调用示例	model.invoke("Hello")	chatClient.prompt("Hello").call().content()
多模型协同	RunnableParallel、ModelRouter 条件路由	创建多个 ChatClient Bean，手动编排

---

4. 提示词 (Prompt)

对比项	LangChain	Spring AI
模板类	PromptTemplate、ChatPromptTemplate	PromptTemplate、SystemPromptTemplate
角色支持	System / Human / AI / Tool	System / User / Assistant / Tool
模板加载	支持从文件、字符串、YAML 加载	支持从 resources 目录加载，类似 Spring 视图解析
特性	Few-shot 示例注入、部分变量填充、模板组合	变量替换、链式 API 与底层 Message 组装两种方式
角色决定语义	通过不同 Message 类区分角色	强调“角色决定语义”，不同角色消息处理逻辑不同

---

5. 工具 (Tool / Function Calling)

对比项	LangChain	Spring AI
定义方式	@tool 装饰器 或 StructuredTool 类	@Tool 注解 + @ToolParam 注解
调用流程	LLM 决定 → 解析参数 → 执行 → 结果返回 LLM（ReAct 循环）	LLM 请求 → ToolCallAdvisor 发送工具定义 → 执行 → 返回结果
支持类型	函数、API、Chain 作为工具	java.util.Function、Supplier、Consumer
多工具编排	Agent 可在循环中调用多个工具	支持 MCP（模型上下文协议）集成
内置工具	35+ 内置工具和工具包（如 Search、Calculator）	无内置业务工具，但无缝调用任何 Spring Bean

---

6. 持久化

对比项	LangChain	Spring AI
记忆持久化	ChatMessageHistory 接口 + 多种后端实现	ChatMemoryRepository 接口，内置 JdbcChatMemoryRepository
状态持久化	LangGraph 检查点（Checkpointer）保存整个图状态	ChatMemory + ChatMemoryRepository 保存对话历史
支持数据库	MongoDB、Redis、SQLite、PostgreSQL、ScyllaDB 等	MySQL、PostgreSQL、SQL Server、Cassandra、Redis
架构模式	检查点模式 + 内存组件	Repository 模式（存储与逻辑分离）

---

7. 向量数据库

对比项	LangChain	Spring AI
核心抽象	VectorStore 接口（存储/检索嵌入）	VectorStore 接口（统一 API）
支持产品	PGVector、Redis、MongoDB、FAISS、Chroma、Pinecone 等数十种	Redis、Elasticsearch、Oracle Vector DB、Couchbase、SimpleVectorStore（内存）
RAG 支持	原生支持，可与 Agent 结合构建多模态 RAG	提供 ETL 框架（数据摄取 → 分块 → 嵌入 → 存储）
混合搜索	支持全文检索 + 向量相似度	支持相似度检索 + 元数据过滤
初始化方式	通过适配器显式创建	Spring Boot 自动配置，注入 VectorStore Bean

---

8. 结构化输出

对比项	LangChain	Spring AI
核心组件	OutputParser 接口	StructuredOutputConverter 接口
输出类型	JSON、XML、Pydantic 对象、自定义类	Java 对象（Record/Class）、Map、List、JSON Schema
实现机制	解析器自动构建格式指令 + 解析原始输出	调用前附加 JSON Schema，调用后映射到 Java 对象
主要解析器	PydanticOutputParser、XMLOutputParser、CommaSeparatedListOutputParser	BeanOutputConverter、MapOutputConverter、ListOutputConverter
类型安全	通过 Pydantic 模型验证	通过 Java 类型系统和 JSON Schema 保证

---

9. 多模态

对比项	LangChain	Spring AI
支持方式	通过提示词模板嵌入图像、PDF、音频 URL 或 base64	Message API 提供统一多模态抽象（Media 类型）
支持内容	图像、PDF、音频（依赖多模态模型如 GPT-4V、Gemini 1.5）	文本、图像、音频输入/输出（OpenAI 音频模式）
多模态 RAG	结合多模态嵌入模型（如 CLIP）构建视觉 RAG	ETL 框架支持多模态数据摄取
模型依赖	必须使用多模态模型	依赖模型提供商的能力，API 统一
典型场景	图像描述、文档问答、图表分析	图像问答、语音转录、多模态对话

---

10. 消息角色

两个框架均支持四种核心角色，细节如下：

角色	LangChain	Spring AI
System	SystemMessage — 设置 AI 行为模式和角色	SystemMessage — 系统消息，配置 AI 行为
User	HumanMessage — 用户输入（问题、指令）	UserMessage — 用户消息
Assistant	AIMessage — AI 模型生成的回复	AssistantMessage — AI 助手响应
Tool	ToolMessage — 工具调用及结果	ToolMessage — 工具调用及结果
角色决定语义	消息格式统一，屏蔽不同提供商差异	强调“角色决定语义”，角色不同消息处理逻辑不同

---

11. 关键代码示例

LangChain (Python)

How components connect

Each component layer builds on the previous ones:

1. Input processing – Transform raw data into structured documents
2. Embedding & storage – Convert text into searchable vector representations
3. Retrieval – Find relevant information based on user queries
4. Generation – Use AI models to create responses, optionally with tools
5. Orchestration – Coordinate everything through agents and memory systems

from langchain_openai import ChatOpenAI
from langchain.prompts import PromptTemplate
from langchain.memory import ConversationBufferMemory
from langchain.chains import ConversationChain
from langchain.tools import tool
from langchain.agents import create_agent
from langchain.output_parsers import PydanticOutputParser
from pydantic import BaseModel, Field
from langchain_community.vectorstores import FAISS
from langchain_openai import OpenAIEmbeddings

# 1. 模型调用
model = ChatOpenAI(model="gpt-4")

# 2. 提示词模板
template = PromptTemplate.from_template("翻译成{language}: {text}")

# 3. 记忆
memory = ConversationBufferMemory()
conversation = ConversationChain(llm=model, memory=memory)

# 4. 工具定义
@tool
def get_weather(location: str) -> str:
    """获取天气"""
    return f"{location} 天气晴朗"

# 5. Agent
agent = create_agent(model, tools=[get_weather])
response = agent.invoke({"messages": [("user", "北京天气？")]})

# 6. 结构化输出
class Person(BaseModel):
    name: str = Field(description="姓名")
    age: int = Field(description="年龄")

parser = PydanticOutputParser(pydantic_object=Person)

# 7. 向量数据库
embeddings = OpenAIEmbeddings()
vectorstore = FAISS.from_texts(["文本1", "文本2"], embeddings)

# 8. 多模态（需多模态模型）
multimodal_prompt = ChatPromptTemplate.from_messages([
    ("system", "描述这张图片"),
    ("user", [{"type": "image_url", "image_url": {"url": "https://example.com/cat.jpg"}}])
])

Spring AI (Java / Spring Boot)

Spring AI 提供了作为开发 AI 应用程序基础的抽象。这些抽象具有多种实现，支持通过最少的代码更改轻松地进行组件替换。

import org.springframework.ai.chat.client.ChatClient;
import org.springframework.ai.chat.memory.MessageWindowChatMemory;
import org.springframework.ai.chat.memory.ChatMemory;
import org.springframework.ai.chat.memory.jdbc.JdbcChatMemoryRepository;
import org.springframework.ai.tool.annotation.Tool;
import org.springframework.ai.tool.annotation.ToolParam;
import org.springframework.ai.vectorstore.VectorStore;
import org.springframework.ai.vectorstore.SimpleVectorStore;
import org.springframework.ai.converter.BeanOutputConverter;
import org.springframework.stereotype.Component;
import org.springframework.web.bind.annotation.*;

@RestController
public class AiController {

    private final ChatClient chatClient;

    public AiController(ChatClient.Builder builder) {
        this.chatClient = builder.build();
    }

    // 1. 模型调用 + 提示词
    @GetMapping("/chat")
    public String chat(@RequestParam String message) {
        return chatClient.prompt()
                .system("你是一个友好的助手")
                .user(message)
                .call()
                .content();
    }

    // 2. 记忆配置
    @Bean
    public ChatMemory chatMemory() {
        return MessageWindowChatMemory.builder()
                .withMaxMessages(10)
                .build();
    }

    // 3. 记忆持久化（JDBC）
    @Bean
    public JdbcChatMemoryRepository chatMemoryRepository(DataSource dataSource) {
        return new JdbcChatMemoryRepository(dataSource);
    }

    // 4. 工具定义
    @Component
    static class WeatherService {
        @Tool(description = "获取指定地点的天气")
        public String getWeather(@ToolParam(description = "地点名称") String location) {
            return location + " 天气晴朗";
        }
    }

    // 5. 结构化输出
    public record Person(String name, int age) {}

    @GetMapping("/extract")
    public Person extract() {
        BeanOutputConverter<Person> converter = new BeanOutputConverter<>(Person.class);
        return chatClient.prompt("提取姓名和年龄：张三，25岁")
                .call()
                .entity(converter);
    }

    // 6. 向量数据库（RAG）
    @Autowired
    private VectorStore vectorStore;  // 自动配置

    public void addDocument(String text) {
        vectorStore.add(List.of(new Document(text)));
    }

    // 7. 多模态（需模型支持）
    @GetMapping("/multimodal")
    public String describeImage() {
        return chatClient.prompt()
                .user(u -> u.text("描述这张图片").media(Media.IMAGE, "https://example.com/cat.jpg"))
                .call()
                .content();
    }
}