Spring AI Alibaba 快速掌握，看这篇文章就够了

java1234_小锋

113人浏览 · 2026-05-27 19:08:59

java1234_小锋 · 2026-05-27 19:08:59 发布

大家好，我是Java1234_小锋老师。

一句话总结：Spring AI Alibaba = Spring AI 的“国产 Agent 加强版”，帮 Java 开发者用最少代码做出能思考、能调工具、能编排多智能体、能跑工作流的 AI 应用。
官方文档：https://java2ai.com | 源码：https://github.com/alibaba/spring-ai-alibaba

一、它到底是什么？

如果你已经会用 Spring Boot 写业务，那大概率也听说过 Spring AI——它把大模型、向量库、工具调用这些能力，用 Spring 一贯的风格（自动配置、Bean、Starter）包装好了。

Spring AI Alibaba 则是在 Spring AI 之上，由阿里云开源团队维护的 Agent 与工作流框架，主打：

能力	白话解释
ReactAgent	会“想一步、做一步”的智能体，能自己决定要不要调工具
多 Agent 编排	多个智能体按顺序、并行、路由、循环等方式协作
Graph 工作流	把复杂业务流程拆成节点，像画流程图一样编排
通义 / DashScope 深度集成	百炼 API、模型参数、国内部署更顺手
上下文工程	记忆压缩、调用次数限制、人工审批等“生产必备”能力
可观测 & 可视化	Admin 平台、Studio 调试、链路追踪

官方说法很实在：不到 10 行代码就能跑起一个 Agent。对 Java 后端来说，不用再切 Python 写 LangChain，也不必从零拼 HTTP 调模型。

重要说明（2026 年官方口径）
Spring AI Alibaba 的 ReactAgent 跑在 Graph Runtime 之上，更擅长 工作流 + 多智能体编排。
若你追求更“模型驱动”的高级 Agent 范式，可关注阿里 AgentScope 项目；Spring AI Alibaba 会持续维护 ReactAgent 并修安全漏洞，同时强化 Spring 生态集成。

二、三层架构一张图看懂

在这里插入图片描述

从上到下分三层，记牢就不迷路：

1. Agent Framework（你最常接触的层）

ReactAgent：ReAct 范式（推理 + 行动）
SequentialAgent / ParallelAgent / RoutingAgent / LoopAgent：多 Agent 套路
Hooks：人机协同、限流、工具重试等

2. Graph（底层运行时）

StateGraph：状态图
Node / Edge：节点与边
OverAllState：全局共享状态
Checkpoint：断点续跑、持久化

3. Augmented LLM（Spring AI 底座）

ChatModel、Tool、MCP、Vector Store、Message 等

关系可以这么理解：Spring AI 提供“零件”，Graph 提供“流水线”，Agent Framework 提供“老师傅帮你组装好的机器人”。

三、和 Spring AI、LangChain4j 怎么选？

在这里插入图片描述

3.1 三者定位（大白话）

框架	是什么	适合谁
Spring AI	Spring 官方的 AI 抽象层，像 JDBC 统一数据库一样统一各家大模型	已有 Spring Boot 项目，主要做 RAG、对话、简单 Tool
Spring AI Alibaba	在 Spring AI 上长出的 Agent + 工作流 + 通义全家桶	要做智能体、多 Agent、复杂流程、国内通义模型
LangChain4j	不绑 Spring 的 AI 积木库，Quarkus/Micronaut/纯 Java 都能用	非 Spring 技术栈、要最多供应商集成、喜欢自己拼装

3.2 核心差异

Spring AI vs Spring AI Alibaba

Spring AI 解决的是：怎么调模型、怎么接向量库、怎么做 Advisor 链。
Spring AI Alibaba 解决的是：怎么让模型像员工一样干活——自己推理、调工具、多 Agent 协作、画工作流、人工审批。

可以类比：

Spring AI = 发动机 + 变速箱
Spring AI Alibaba = 整车 + 自动驾驶编排系统

Spring AI Alibaba vs LangChain4j

维度	Spring AI Alibaba	LangChain4j
Spring 亲和度	极高，Starter + 自动配置	可用，但要自己拼更多
Agent / 工作流	内置 ReactAgent、Graph、多 Agent 模式	灵活，Agent 链需更多手写
国内模型	DashScope 一等公民	支持但不如 SAA 深
可观测	接 Spring Actuator / Micrometer 顺滑	需额外接入
学习资料	java2ai.com 中文文档全	社区示例多、偏国际模型

3.3 选型口诀

已有 Spring Boot + 要做 Agent/工作流     → Spring AI Alibaba
已有 Spring Boot + 只要聊天/RAG         → Spring AI 够用
不用 Spring（Quarkus/纯 Java）           → LangChain4j

四、5 分钟快速入门

4.1 环境要求

JDK 17+
Maven 3.8+
阿里云百炼 DashScope API Key（或其他 Spring AI 支持的模型）

4.2 Maven 依赖

<dependencies>
    <!-- Agent 框架 -->
    <dependency>
        <groupId>com.alibaba.cloud.ai</groupId>
        <artifactId>spring-ai-alibaba-agent-framework</artifactId>
        <version>1.1.2.2</version>
    </dependency>
    <!-- 通义 DashScope 模型 -->
    <dependency>
        <groupId>com.alibaba.cloud.ai</groupId>
        <artifactId>spring-ai-alibaba-starter-dashscope</artifactId>
        <version>1.1.2.2</version>
    </dependency>
</dependencies>

4.3 配置 API Key

推荐环境变量（别写死在代码里）：

# Linux / macOS
export AI_DASHSCOPE_API_KEY=你的密钥

# Windows PowerShell
$env:AI_DASHSCOPE_API_KEY="你的密钥"

或 application.yml：

spring:
  ai:
    dashscope:
      api-key: ${AI_DASHSCOPE_API_KEY}

百炼控制台获取密钥：https://bailian.console.aliyun.com

4.4 十行代码跑起 Agent

import com.alibaba.cloud.ai.dashscope.api.DashScopeApi;
import com.alibaba.cloud.ai.dashscope.chat.DashScopeChatModel;
import com.alibaba.cloud.ai.graph.agent.ReactAgent;
import org.springframework.ai.chat.model.ChatModel;

public class QuickStart {
    public static void main(String[] args) throws Exception {
        DashScopeApi api = DashScopeApi.builder()
                .apiKey(System.getenv("AI_DASHSCOPE_API_KEY"))
                .build();
        ChatModel chatModel = DashScopeChatModel.builder()
                .dashScopeApi(api)
                .build();

        ReactAgent agent = ReactAgent.builder()
                .name("hello_agent")
                .model(chatModel)
                .systemPrompt("你是一个友好的 Java AI 助手，回答简洁。")
                .build();

        var reply = agent.call("用一句话介绍 Spring AI Alibaba");
        System.out.println(reply.getText());
    }
}

4.5 官方 ChatBot 示例（推荐先跑通）

git clone --depth=1 https://github.com/alibaba/spring-ai-alibaba.git
cd spring-ai-alibaba
export AI_DASHSCOPE_API_KEY=你的密钥
./mvnw -pl examples/chatbot spring-boot:run

浏览器打开：http://localhost:8080/chatui/index.html

五、核心概念扫盲

把这些词搞懂，看官方文档就不会晕：

概念	干什么用
ChatModel	和大模型对话的入口，类似 `JdbcTemplate`
ChatClient	更顺手的流式 API（Spring AI 提供）
Tool / ToolCallback	让模型能调你写的 Java 方法
Message	User / Assistant / System 等消息体
ReactAgent	会自动“想 + 调工具 + 再想”的智能体
RunnableConfig	一次运行的配置，含 `threadId`、元数据
MemorySaver / Checkpointer	对话记忆与状态持久化
StateGraph	工作流图：节点 + 边 + 共享状态
NodeAction	工作流里的一个步骤
Hook	在 Agent 生命周期里插入逻辑（审批、限次等）
MCP	Model Context Protocol，标准化接外部工具/数据

六、ReactAgent：最常用的智能体

在这里插入图片描述

ReAct = Reasoning（推理） + Acting（行动）。
模型不是一次性瞎编答案，而是：先想 → 决定要不要查天气/查库 → 看结果 → 再想 → 直到满意才回复。

6.1 最小可用 Agent（带系统提示）

ReactAgent agent = ReactAgent.builder()
        .name("weather_agent")
        .model(chatModel)
        .systemPrompt("你是天气预报助手，回答要简短。")
        .build();

AssistantMessage msg = agent.call("杭州今天天气怎么样？");
System.out.println(msg.getText());

6.2 限制模型调用次数（防死循环）

import com.alibaba.cloud.ai.graph.agent.hook.modelcalllimit.ModelCallLimitHook;

ModelCallLimitHook hook = ModelCallLimitHook.builder()
        .runLimit(5)
        .exitBehavior(ModelCallLimitHook.ExitBehavior.ERROR)
        .build();

ReactAgent agent = ReactAgent.builder()
        .name("safe_agent")
        .model(chatModel)
        .hooks(hook)
        .saver(new MemorySaver())
        .build();

6.3 获取完整状态（调试用）

import com.alibaba.cloud.ai.graph.OverAllState;
import java.util.Optional;

Optional<OverAllState> result = agent.invoke("写一首关于春天的诗");
result.ifPresent(state -> {
    System.out.println("当前状态: " + state);
});

七、Tool 工具调用实战

工具就是 你给 Agent 准备的 Java 函数，模型在需要时自动调用。

7.1 定义天气工具

import org.springframework.ai.chat.model.ToolContext;
import org.springframework.ai.tool.ToolCallback;
import org.springframework.ai.tool.annotation.ToolParam;
import org.springframework.ai.tool.function.FunctionToolCallback;

import java.util.function.BiFunction;

public class WeatherForLocationTool implements BiFunction<String, ToolContext, String> {
    @Override
    public String apply(
            @ToolParam(description = "城市名称，如：杭州") String city,
            ToolContext toolContext) {
        // 生产环境这里接真实天气 API
        return city + " 今天晴，25°C，适合出门。";
    }
}

ToolCallback weatherTool = FunctionToolCallback.builder(
                "get_weather_for_location", new WeatherForLocationTool())
        .description("查询指定城市的天气")
        .inputType(String.class)
        .build();

7.2 带用户上下文的工具

import com.alibaba.cloud.ai.graph.RunnableConfig;
import static com.alibaba.cloud.ai.graph.agent.Agent.AGENT_CONFIG_CONTEXT_KEY;

public class UserLocationTool implements BiFunction<String, ToolContext, String> {
    @Override
    public String apply(String query, ToolContext toolContext) {
        String userId = "1";
        if (toolContext != null && toolContext.getContext() != null) {
            RunnableConfig config = (RunnableConfig)
                    toolContext.getContext().get(AGENT_CONFIG_CONTEXT_KEY);
            if (config != null) {
                userId = config.metadata("user_id").map(Object::toString).orElse("1");
            }
        }
        return "1".equals(userId) ? "杭州" : "上海";
    }
}

7.3 组装进 Agent

String SYSTEM_PROMPT = """
    你是天气助手。需要查天气时用 get_weather_for_location；
    不知道用户在哪时，先用 get_user_location。
    """;

ReactAgent agent = ReactAgent.builder()
        .name("weather_pun_agent")
        .model(chatModel)
        .systemPrompt(SYSTEM_PROMPT)
        .tools(weatherTool, userLocationTool)
        .saver(new MemorySaver())
        .build();

RunnableConfig config = RunnableConfig.builder()
        .threadId("session-001")
        .addMetadata("user_id", "1")
        .build();

agent.call("我这边天气怎么样？", config);

写好 Tool 的三条经验：

名字、描述、参数说明 都会进 prompt，写得越清楚，模型越不容易乱调。
用 @ToolParam 标注参数含义。
需要登录用户、租户 ID 等，走 ToolContext + RunnableConfig.metadata。

八、对话记忆与结构化输出

8.1 多轮对话（threadId）

import com.alibaba.cloud.ai.graph.checkpoint.savers.MemorySaver;
import com.alibaba.cloud.ai.graph.RunnableConfig;

ReactAgent agent = ReactAgent.builder()
        .name("chat_agent")
        .model(chatModel)
        .saver(new MemorySaver())
        .build();

String threadId = "user-10001-thread";
RunnableConfig config = RunnableConfig.builder().threadId(threadId).build();

agent.call("杭州天气如何？", config);
agent.call("那明天呢？", config);  // 能记住上一轮

生产环境把 MemorySaver 换成 持久化 Checkpointer（数据库、Redis 等）。

8.2 结构化 JSON 输出

方式一：Java 类

public class WeatherResponse {
    private String punnyResponse;
    private String weatherConditions;
    // getter / setter
}

ReactAgent agent = ReactAgent.builder()
        .name("structured_agent")
        .model(chatModel)
        .outputType(WeatherResponse.class)
        .saver(new MemorySaver())
        .build();

方式二：自定义 JSON Schema 字符串

String schema = """
    {
      "title": "标题",
      "content": "正文",
      "style": "风格"
    }
    """;

ReactAgent agent = ReactAgent.builder()
        .name("schema_agent")
        .model(chatModel)
        .outputSchema(schema)
        .build();

8.3 模型参数 tuning

import com.alibaba.cloud.ai.dashscope.chat.DashScopeChatOptions;

ChatModel chatModel = DashScopeChatModel.builder()
        .dashScopeApi(dashScopeApi)
        .defaultOptions(DashScopeChatOptions.builder()
                .withModel(DashScopeChatModel.DEFAULT_MODEL_NAME)
                .withTemperature(0.5)
                .withMaxToken(2000)
                .build())
        .build();

九、Hooks 与人机协同（HITL）

有些工具不能随便执行（发短信、转账、删数据），就要 Human In The Loop（人在回路）。

import com.alibaba.cloud.ai.graph.agent.hook.hip.HumanInTheLoopHook;
import com.alibaba.cloud.ai.graph.agent.hook.hip.ToolConfig;

Hook humanInTheLoopHook = HumanInTheLoopHook.builder()
        .approvalOn("get_weather_for_location",
                ToolConfig.builder()
                        .description("请确认是否查询天气")
                        .build())
        .build();

ReactAgent agent = ReactAgent.builder()
        .name("hitl_agent")
        .model(chatModel)
        .tools(weatherTool)
        .hooks(humanInTheLoopHook)
        .saver(new MemorySaver())
        .build();

常见 Hook 场景：

Hook 类型	作用
ModelCallLimitHook	限制 LLM 调用次数
HumanInTheLoopHook	敏感工具人工审批
上下文压缩 / 编辑	控制 token、提升稳定性
工具重试	瞬时失败自动重试

十、多 Agent 编排模式

单个 Agent 搞不定时，就拆成多个“专员”协作。框架内置四种套路：

模式	干什么	生活例子
SequentialAgent	按顺序一个接一个干	先翻译，再润色，再排版
ParallelAgent	同时干，再汇总	三个分析师同时写报告
RoutingAgent / LlmRoutingAgent	先分类，再派给对的人	前台分流：技术/账单/投诉
LoopAgent	循环直到满足条件	改稿改到通过为止

设计建议：

每个 Agent 职责单一，system prompt 别又长又杂。
路由 Agent 的分类标准写清楚（最好给 JSON 输出格式）。
并行注意 token 成本 和超时。

十一、Graph 工作流编排

需要 固定流程、多分支、要人工审核 的场景（客服邮件、审批流、工单），用 Graph 比单个 ReactAgent 更合适。

11.1 思路五步法

把业务拆成 节点（Node）
画清楚 谁连谁（Edge）
设计 共享状态（State）——只存原始数据，别存拼好的 prompt
每个节点写 NodeAction
用 条件边 做分支

11.2 状态设计示例（客服邮件）

import com.alibaba.cloud.ai.graph.KeyStrategy;
import com.alibaba.cloud.ai.graph.KeyStrategyFactory;
import com.alibaba.cloud.ai.graph.state.strategy.ReplaceStrategy;
import com.alibaba.cloud.ai.graph.state.strategy.AppendStrategy;

import java.util.HashMap;

public static KeyStrategyFactory createKeyStrategyFactory() {
    return () -> {
        HashMap<String, KeyStrategy> strategies = new HashMap<>();
        strategies.put("email_content", new ReplaceStrategy());
        strategies.put("classification", new ReplaceStrategy());
        strategies.put("search_results", new ReplaceStrategy());
        strategies.put("draft_response", new ReplaceStrategy());
        strategies.put("messages", new AppendStrategy());
        return strategies;
    };
}

11.3 构建 StateGraph（简化示例）

import com.alibaba.cloud.ai.graph.StateGraph;
import com.alibaba.cloud.ai.graph.action.AsyncNodeAction;
import com.alibaba.cloud.ai.graph.action.AsyncEdgeAction;
import static com.alibaba.cloud.ai.graph.action.AsyncNodeAction.node_async;
import static com.alibaba.cloud.ai.graph.action.AsyncEdgeAction.edge_async;

StateGraph graph = new StateGraph(createKeyStrategyFactory())
        .addNode("read_email", node_async(new ReadEmailNode()))
        .addNode("classify", node_async(new ClassifyIntentNode(chatModel)))
        .addNode("search_docs", node_async(new SearchDocumentationNode()))
        .addNode("draft_reply", node_async(new DraftReplyNode(chatModel)))
        .addNode("human_review", node_async(new HumanReviewNode()))
        .addNode("send_reply", node_async(new SendReplyNode()))
        .addEdge(StateGraph.START, "read_email")
        .addEdge("read_email", "classify")
        .addConditionalEdges("classify",
                edge_async(new IntentDispatcher()),
                Map.of(
                        "question", "search_docs",
                        "bug", "bug_track",
                        "complex", "human_review",
                        StateGraph.END, StateGraph.END
                ))
        .addEdge("search_docs", "draft_reply")
        .addEdge("draft_reply", "human_review")
        .addEdge("human_review", "send_reply")
        .addEdge("send_reply", StateGraph.END);

11.4 预置节点（省事利器）

对标 Dify、百炼低代码平台的常见节点，框架里已有：

LLMNode — 大模型节点
QuestionClassifierNode — 问题分类
ToolNode — 工具调用
还有更多，见 Graph 文档

11.5 导出流程图（PlantUML / Mermaid）

import com.alibaba.cloud.ai.graph.GraphRepresentation;

GraphRepresentation representation = graph.getGraph(
        GraphRepresentation.Type.PLANTUML, "客服邮件流程");
System.out.println(representation.content());

从 Dify 迁移：社区支持把 Dify 等平台的工作流 导出成 Spring AI Alibaba 工程，适合从低代码过渡到代码管控。

11.6 错误处理策略（必记）

错误类型	处理方式
网络抖动、限流	自动重试
工具失败、JSON 解析失败	错误写入 state，让 LLM 看见并重试
缺用户输入	`interruptBefore` 暂停等人填
未知 Bug	抛出让开发者查

十二、MCP、RAG、向量库

12.1 MCP（Model Context Protocol）

MCP 是 接外部工具和数据的标准协议。Spring AI 1.1+ 对 MCP 支持已较成熟，Spring AI Alibaba 沿用这套体系，方便接：

数据库查询服务
企业内部 API
第三方 SaaS

Starter 方式接入（示意）：

<dependency>
    <groupId>org.springframework.ai</groupId>
    <artifactId>spring-ai-starter-mcp-client</artifactId>
    <version>1.1.2</version>
</dependency>

12.2 RAG 检索增强

经典流程：

Spring AI 里 VectorStore、DocumentReader、Advisor 负责 RAG；Agent 里把检索封装成 Tool 或 Graph 节点 即可。

12.3 向量库选型提示

场景	常见选择
已有 PostgreSQL	pgvector（和 Spring DataSource 共用连接池）
纯内存 Demo	SimpleVectorStore
大规模生产	Milvus、Elasticsearch、Redis Stack 等

十三、A2A 分布式智能体

A2A（Agent-to-Agent） 解决的是：多个服务里的 Agent 怎么互相喊话。

集成 Nacos 做注册发现
跨微服务协作、任务委派
适合“订单 Agent 调库存 Agent 再调物流 Agent”这类分布式场景

<!-- 示意：A2A 相关 starter 以官方文档为准 -->
<dependency>
    <groupId>com.alibaba.cloud.ai</groupId>
    <artifactId>spring-ai-alibaba-starter-a2a-nacos</artifactId>
    <version>1.1.2.2</version>
</dependency>

十四、生态工具：Admin 与 Studio

组件	作用
Spring AI Alibaba Admin	可视化开发 Agent、观测、评估、MCP 管理、对接 Dify 迁移
Spring AI Alibaba Studio	嵌入式 UI，看推理过程、工具调用细节
示例仓库 examples	chatbot、graph、multi-agent、voice-agent 等

生态项目（可借鉴）：

JManus — Java 版 Manus 实现
DataAgent — 自然语言转 SQL
DeepResearch — 基于 Graph 的深度研究
Copilot — 编码辅助

十五、Spring Boot 完整工程示例

15.1 `pom.xml` 核心依赖

<parent>
    <groupId>org.springframework.boot</groupId>
    <artifactId>spring-boot-starter-parent</artifactId>
    <version>3.4.0</version>
</parent>

<dependencies>
    <dependency>
        <groupId>org.springframework.boot</groupId>
        <artifactId>spring-boot-starter-web</artifactId>
    </dependency>
    <dependency>
        <groupId>com.alibaba.cloud.ai</groupId>
        <artifactId>spring-ai-alibaba-agent-framework</artifactId>
        <version>1.1.2.2</version>
    </dependency>
    <dependency>
        <groupId>com.alibaba.cloud.ai</groupId>
        <artifactId>spring-ai-alibaba-starter-dashscope</artifactId>
        <version>1.1.2.2</version>
    </dependency>
</dependencies>

15.2 配置类

import com.alibaba.cloud.ai.dashscope.api.DashScopeApi;
import com.alibaba.cloud.ai.dashscope.chat.DashScopeChatModel;
import org.springframework.ai.chat.model.ChatModel;
import org.springframework.beans.factory.annotation.Value;
import org.springframework.context.annotation.Bean;
import org.springframework.context.annotation.Configuration;

@Configuration
public class AiConfig {

    @Bean
    public DashScopeApi dashScopeApi(@Value("${spring.ai.dashscope.api-key}") String apiKey) {
        return DashScopeApi.builder().apiKey(apiKey).build();
    }

    @Bean
    public ChatModel chatModel(DashScopeApi dashScopeApi) {
        return DashScopeChatModel.builder().dashScopeApi(dashScopeApi).build();
    }
}

15.3 Agent Bean + Controller

import com.alibaba.cloud.ai.graph.agent.ReactAgent;
import com.alibaba.cloud.ai.graph.checkpoint.savers.MemorySaver;
import com.alibaba.cloud.ai.graph.RunnableConfig;
import org.springframework.ai.chat.messages.AssistantMessage;
import org.springframework.ai.chat.model.ChatModel;
import org.springframework.context.annotation.Bean;
import org.springframework.context.annotation.Configuration;
import org.springframework.web.bind.annotation.*;

@Configuration
class AgentConfig {
    @Bean
    ReactAgent weatherAgent(ChatModel chatModel) {
        return ReactAgent.builder()
                .name("boot_weather_agent")
                .model(chatModel)
                .systemPrompt("你是天气助手")
                .saver(new MemorySaver())
                .build();
    }
}

@RestController
@RequestMapping("/api/chat")
class ChatController {
    private final ReactAgent agent;

    ChatController(ReactAgent agent) {
        this.agent = agent;
    }

    @PostMapping
    public String chat(@RequestParam String message,
                       @RequestParam(defaultValue = "default-thread") String threadId) {
        RunnableConfig config = RunnableConfig.builder().threadId(threadId).build();
        AssistantMessage reply = agent.call(message, config);
        return reply.getText();
    }
}

15.4 `application.yml`

server:
  port: 8080

spring:
  ai:
    dashscope:
      api-key: ${AI_DASHSCOPE_API_KEY}

十六、生产环境注意事项

API Key：只用环境变量或密钥管理服务，别提交 Git。
记忆持久化：MemorySaver 仅适合开发；上线用数据库 Checkpointer。
限流与预算：ModelCallLimitHook + 网关限流，防止 Agent 死循环烧 token。
敏感工具必走 HITL：支付、删库、群发等。
可观测：接 Micrometer / Actuator，记录每次 model、tool 调用耗时。
版本对齐：agent-framework 与 starter-dashscope 版本尽量一致（如 1.1.2.x）。
JDK：官方要求 17+，用 LTS 版本更稳。

十七、学习路线与资源

官方资源

资源	链接
文档首页	https://java2ai.com
概览	https://java2ai.com/docs/overview
快速开始	https://java2ai.com/docs/quick-start
Agent 教程	https://java2ai.com/docs/frameworks/agent-framework/tutorials/agents
Graph 教程	https://java2ai.com/docs/frameworks/graph-core/quick-start
GitHub 主仓库	https://github.com/alibaba/spring-ai-alibaba
示例代码	https://github.com/alibaba/spring-ai-alibaba/tree/main/examples

写在最后

Spring AI Alibaba 不是替代 Spring AI，而是在 Spring AI 铺好的路上，把 Agent、多智能体、工作流、通义模型、国内工程化 打包成一套能直接上生产的方案。

你只要记住三句话：

聊天 + RAG → Spring AI 可能就够了。
要 Agent 自动调工具、多轮记忆 → 上 ReactAgent。
要固定流程、人工审核、多 Agent 协作 → 用 Agent Framework + Graph。

AtomGit开源社区

AtomGit 是由开放原子开源基金会联合 CSDN 等生态伙伴共同推出的新一代开源与人工智能协作平台。平台坚持“开放、中立、公益”的理念，把代码托管、模型共享、数据集托管、智能体开发体验和算力服务整合在一起，为开发者提供从开发、训练到部署的一站式体验。

更多推荐

【COZE-07】插件(Plugin)开发与集成 - 从API注册到生产环境实战

在前几篇文章中，我们已经深入探讨了扣子平台的智能体设计、技能开发和工作流编排。今天我们要聊的是扣子生态中另一个核心能力——插件(Plugin)系统。插件是扣子平台的能力倍增器。通过插件，智能体可以调用任意外部API，将互联网服务、企业内部系统、第三方工具的能力无缝接入AI应用。掌握插件开发，就意味着掌握了扣子平台与万千世界连接的钥匙。本文结构。

AtomGit开源社区

TheR1Dshell_gpt：命令行AI生产力工具

ShellGPT是一款基于大语言模型的命令行AI工具，已在GitHub获得12k+星标。它支持跨平台使用，能直接生成shell命令、代码片段和技术文档，无需额外搜索。核心功能包括：智能生成适配当前系统的命令、代码注释与优化、交互式对话模式以及函数调用扩展。支持OpenAI API和本地模型部署，通过pip安装即可使用。特别适合开发者快速查询命令、批量生成代码以及构建AI工作流。该工具显著提升了命令

AtomGit开源社区

无需官方API、无Hook零封号，基于视觉大模型的个人微信私域自动化方案，构建Ai时代下的微信自动化生态

AtomGit开源社区

所有评论(0)

查看更多评论

java1234_小锋

@caoli201314

已为社区贡献47条内容

Spring AI Alibaba 快速掌握，看这篇文章就够了

java1234_小锋

一、它到底是什么？

二、三层架构一张图看懂

1. Agent Framework（你最常接触的层）

2. Graph（底层运行时）

3. Augmented LLM（Spring AI 底座）

三、和 Spring AI、LangChain4j 怎么选？

3.1 三者定位（大白话）

3.2 核心差异

3.3 选型口诀

四、5 分钟快速入门

4.1 环境要求

4.2 Maven 依赖

4.3 配置 API Key

4.4 十行代码跑起 Agent

4.5 官方 ChatBot 示例（推荐先跑通）

五、核心概念扫盲

六、ReactAgent：最常用的智能体

6.1 最小可用 Agent（带系统提示）

6.2 限制模型调用次数（防死循环）

6.3 获取完整状态（调试用）

七、Tool 工具调用实战

7.1 定义天气工具

7.2 带用户上下文的工具

7.3 组装进 Agent

八、对话记忆与结构化输出

8.1 多轮对话（threadId）

8.2 结构化 JSON 输出

8.3 模型参数 tuning

九、Hooks 与人机协同（HITL）

十、多 Agent 编排模式

十一、Graph 工作流编排

11.1 思路五步法

11.2 状态设计示例（客服邮件）

11.3 构建 StateGraph（简化示例）

11.4 预置节点（省事利器）

11.5 导出流程图（PlantUML / Mermaid）

11.6 错误处理策略（必记）

十二、MCP、RAG、向量库

12.1 MCP（Model Context Protocol）

12.2 RAG 检索增强

12.3 向量库选型提示

十三、A2A 分布式智能体

十四、生态工具：Admin 与 Studio

十五、Spring Boot 完整工程示例

15.1 pom.xml 核心依赖

15.2 配置类

15.3 Agent Bean + Controller

15.4 application.yml

十六、生产环境注意事项

十七、学习路线与资源

推荐学习顺序

官方资源

写在最后

所有评论(0)

温馨提示：您尚未绑定手机号

java1234_小锋

15.1 `pom.xml` 核心依赖

15.4 `application.yml`