天津网站建设怎么样,wordpress插件支付宝积分,住房和城乡建设部官网证件查询,wordpress首饰商城系统Spring AI 来了#xff0c;打造Java生态大模型应用开发新框架#xff01; Spring AI 开发框架设计理念Spring AI 主要功能特性如下 Spring AI 应用开发案例案例一#xff1a;基于大模型的对话应用开发案例二#xff1a;RAG 检索增强应用开发案例三#xff1a;Function Cal… Spring AI 来了打造Java生态大模型应用开发新框架 Spring AI 开发框架设计理念Spring AI 主要功能特性如下 Spring AI 应用开发案例案例一基于大模型的对话应用开发案例二RAG 检索增强应用开发案例三Function Calling Agent 应用开发 尽管 Python 长期主导 AI 大模型应用开发领域但 Java 并未熄火Spring AI 来了正式告别实验期迈向广泛应用新阶段这意味着 Spring 生态体系的广大开发者迎来 AI 大模型应用开发的新里程。
Spring AI 开发框架设计理念
Spring AI 是一个 AI 工程师的应用框架它提供了一个友好的 API 和开发 AI 应用的抽象旨在简化 AI 大模型应用的开发工作。
Spring AI 吸取了知名 Python 项目的精髓比如LangChain 和 LlamaIndex。Spring AI 是基于这样一个理念创立的未来的 AI 大模型应用将不仅限于 Python 开发者而且会普及到多种编程语言中。Spring AI 的核心是提供了开发 AI 大模型应用所需的基本抽象模型这些抽象拥有多种实现方式使得开发者可以用很少的代码改动就能实现组件的轻松替换。 Spring AI 主要功能特性如下
第一、 对主流 AI 大模型供应商提供了支持比如OpenAI、Microsoft、Amazon、Google HuggingFace、Ollama、MistralAI 支持目前对国内大模型支持还不友好。第二、 支持 AI 大模型类型包括聊天、文本到图像、文本到声音比如OpenAI with DALL-E、StabilityAI 等。第三、 支持主流的 Embedding Model 和向量数据库比如Azure Vector Search、Chroma、Milvus、Neo4j、PostgreSQL/PGVector、PineCone、Redis 等。第四、 把 AI 大模型输出映射到简单的 Java 对象POJOs上。第五、 支持了函数调用Function calling功能。第六、 为数据工程提供 ETL数据抽取、转换和加载框架。第七、 支持 Spring Boot 自动配置和快速启动便于运行 AI 模型和管理向量库。 当前Spring AI 最新版本为 0.8.1具体使用也比较简单符合 Java 开发者的开发习惯。 更详细的特性在这里https://spring.io/projects/spring-ai
Spring AI 应用开发案例
接下来我们来看3个具体的开发案例Spring AI 最新版本为 0.8.1具体使用也比较简单符合 Java 开发者的开发习惯。
案例一基于大模型的对话应用开发 package org.springframework.ai.openai.samples.helloworld.simple;import org.springframework.ai.chat.ChatClient;
import org.springframework.beans.factory.annotation.Autowired;
import org.springframework.web.bind.annotation.GetMapping;
import org.springframework.web.bind.annotation.RequestParam;
import org.springframework.web.bind.annotation.RestController;import java.util.Map;RestController
public class SimpleAiController {private final ChatClient chatClient;Autowiredpublic SimpleAiController(ChatClient chatClient) {this.chatClient chatClient;}GetMapping(/ai/simple)public MapString, String completion(RequestParam(value message, defaultValue Tell me a joke) String message) {return Map.of(generation, chatClient.call(message));}
}案例二RAG 检索增强应用开发
package org.springframework.samples.ai.azure.openai.rag;import org.slf4j.Logger;
import org.slf4j.LoggerFactory;
import org.springframework.ai.client.AiClient;
import org.springframework.ai.client.AiResponse;
import org.springframework.ai.client.Generation;
import org.springframework.ai.document.Document;
import org.springframework.ai.embedding.EmbeddingClient;
import org.springframework.ai.loader.impl.JsonLoader;
import org.springframework.ai.prompt.Prompt;
import org.springframework.ai.prompt.SystemPromptTemplate;
import org.springframework.ai.prompt.messages.Message;
import org.springframework.ai.prompt.messages.UserMessage;
import org.springframework.ai.retriever.impl.VectorStoreRetriever;
import org.springframework.ai.vectorstore.VectorStore;
import org.springframework.ai.vectorstore.impl.InMemoryVectorStore;
import org.springframework.beans.factory.annotation.Value;
import org.springframework.core.io.Resource;import java.util.List;
import java.util.Map;
import java.util.stream.Collectors;public class RagService {private static final Logger logger LoggerFactory.getLogger(RagService.class);Value(classpath:/data/bikes.json)private Resource bikesResource;Value(classpath:/prompts/system-qa.st)private Resource systemBikePrompt;private final AiClient aiClient;private final EmbeddingClient embeddingClient;public RagService(AiClient aiClient, EmbeddingClient embeddingClient) {this.aiClient aiClient;this.embeddingClient embeddingClient;}public Generation retrieve(String message) {// Step 1 - Load JSON document as Documentslogger.info(Loading JSON as Documents);JsonLoader jsonLoader new JsonLoader(bikesResource,name, price, shortDescription, description);ListDocument documents jsonLoader.load();logger.info(Loading JSON as Documents);// Step 2 - Create embeddings and save to vector storelogger.info(Creating Embeddings...);VectorStore vectorStore new InMemoryVectorStore(embeddingClient);vectorStore.add(documents);logger.info(Embeddings created.);// Step 3 retrieve related documents to queryVectorStoreRetriever vectorStoreRetriever new VectorStoreRetriever(vectorStore);logger.info(Retrieving relevant documents);ListDocument similarDocuments vectorStoreRetriever.retrieve(message);logger.info(String.format(Found %s relevant documents., similarDocuments.size()));// Step 4 Embed documents into SystemMessage with the system-qa.st prompt templateMessage systemMessage getSystemMessage(similarDocuments);UserMessage userMessage new UserMessage(message);// Step 4 - Ask the AI modellogger.info(Asking AI model to reply to question.);Prompt prompt new Prompt(List.of(systemMessage, userMessage));logger.info(prompt.toString());AiResponse response aiClient.generate(prompt);logger.info(AI responded.);logger.info(response.getGeneration().toString());return response.getGeneration();}private Message getSystemMessage(ListDocument similarDocuments) {String documents similarDocuments.stream().map(entry - entry.getContent()).collect(Collectors.joining(\n));SystemPromptTemplate systemPromptTemplate new SystemPromptTemplate(systemBikePrompt);Message systemMessage systemPromptTemplate.createMessage(Map.of(documents, documents));return systemMessage;}
}案例三Function Calling Agent 应用开发
Spring AI Function Calling 函数调用工作流程如下图所示包含了 Prompt 提示词、大模型、业务服务 API、回调、大模型响应等核心模块。
