Spring AI 介绍 ：简化Java AI开发的统一接口解决方案

在过去，使用Java开发AI应用时面临的主要困境是没有统一且标准的封装库，导致开发者需要针对不同的AI服务提供商分别学习和对接各自的API，这增加了开发难度与迁移成本。而Spring AI的出现解决了这一问题，它提供了一套兼容市面上主要生成任务（如文本、图像生成）的标准接口。通过采用Spring AI，开发者只需编写一次代码，并通过修改配置即可轻松切换至不同AI供应商的服务，极大简化了AI功能集成过程，使得基于Java Spring的应用能够更加便捷地利用先进的AI能力。

Spring AI Alibaba：阿里的Spring AI最佳实践集合

Spring AI Alibaba 是基于 Spring AI 的实现，专为阿里云的百炼系列大模型提供接入服务。它继承了 Spring 生态系统的设计原则，如可移植性和模块化设计，并将其应用于人工智能领域。Spring AI 的核心优势在于其标准化了不同AI提供商（如OpenAI、Azure、阿里云等）的接口实现，使得开发者只需编写一次代码，通过修改配置即可轻松切换不同的AI后端。此外，Spring AI 直接兼容Flux流输出，简化了与市面上大多数基于流的机器人模型的集成过程。这不仅大幅减少了开发和迁移时的工作量，也提高了应用程序的灵活性和适应性。通过使用 Spring AI Alibaba，开发者可以更高效地构建并扩展利用通义千问等大模型的应用程序。

Spring AI函数调用(function calling) 机制探秘

在Spring AI中实现函数调用的原理是，用户首先定义一个实现了Function接口的Java类，该类通过特定的注解如@JsonProperty和@JsonPropertyDescription来描述其输入参数、输出结果以及函数的具体作用。这些注解使得开发者能够明确指定函数的行为及其预期用途，为后续步骤打下基础。

当应用程序启动时，Spring AI会自动读取并解析这些注解信息，将它们转换成一种易于大模型理解的文字描述形式，并作为上下文的一部分传递给大模型。这样做是为了让大模型能够根据当前对话或任务的需求，判断是否需要调用某个已定义好的函数来完成更复杂的任务。如果大模型决定调用某项功能，则会在响应中明确指出希望调用哪个具体的函数及所需的参数值。

接下来，Spring AI接收到这一指示后，在本地环境中执行相应的Java方法，获取到执行结果。随后，它不仅将该结果反馈给大模型，同时还会一并将之前的对话历史或相关信息再次提交给大模型，以确保整个交互过程中的连贯性和一致性。这种方式有效地增强了AI系统的功能性与灵活性，使其能够利用外部工具或服务完成更加多样化且复杂的工作流程。

构建后端：Spring Boot集成Spring AI Alibaba实现第三方API调用优化利润分析

实现步骤

1. 环境准备与依赖添加

首先确保JDK版本为17及以上，Spring Boot版本为3.3.x以上。接着，在项目中添加必要的仓库和依赖。

仓库配置

<repositories>
    <repository>
        <id>sonatype-snapshots</id>

        <url>https://oss.sonatype.org/content/repositories/snapshots</url>

        <snapshots>
            <enabled>true</enabled>

        </snapshots>

    </repository>

    <repository>
        <id>spring-milestones</id>

        <name>Spring Milestones</name>

        <url>https://repo.spring.io/milestone</url>

        <snapshots>
            <enabled>false</enabled>

        </snapshots>

    </repository>

    <repository>
        <id>spring-snapshots</id>

        <name>Spring Snapshots</name>

        <url>https://repo.spring.io/snapshot</url>

        <releases>
            <enabled>false</enabled>

        </releases>

    </repository>

</repositories>

依赖配置

<dependencies>
    <dependency>
        <groupId>com.alibaba.cloud.ai</groupId>

        <artifactId>spring-ai-alibaba-starter</artifactId>

        <version>1.0.0-M2</version>

    </dependency>

    <!-- 其他必需依赖 -->
</dependencies>

2. 配置阿里云API Key

在application.properties文件中设置阿里云通义大模型的API Key。

spring.ai.dashscope.api-key=YOUR_API_KEY

3. 创建函数定义

定义一个用于查询雪球股票利润表的Java函数。此函数将被注册给LLM使用。

import com.fasterxml.jackson.annotation.JsonProperty;
import com.fasterxml.jackson.annotation.JsonPropertyDescription;
import org.springframework.web.client.RestTemplate;

public class XueQiuStockService implements Function<XueQiuStockService.StockRequest, String> {

    private final RestTemplate restTemplate = new RestTemplate();

    @Override
    public String apply(StockRequest request) {
        String url = "https://stock.xueqiu.com/v5/stock/finance/cn/income.json?symbol=" + request.getSymbol() + "&type=all&is_detail=true&count=1";
        String response = restTemplate.getForObject(url, String.class);
        // 对返回的数据进行简单处理或直接返回
        return response;
    }

    public static class StockRequest {
        @JsonProperty(required = true, value = "股票代码")
        @JsonPropertyDescription("股票代码, 如SH600900")
        private String symbol;

        public StockRequest() {}

        public StockRequest(String symbol) { this.symbol = symbol; }

        public String getSymbol() { return symbol; }

        public void setSymbol(String symbol) { this.symbol = symbol; }
    }
}

4. 注册函数

通过Spring配置类将上述定义的函数注册为一个Bean。

@Configuration
public class AppConfig {

    @Bean
    @Description("查询指定股票代码的利润表")
    public Function<XueQiuStockService.StockRequest, String> xueQiuStockFunction() {
        return new XueQiuStockService();
    }
}

5. 使用Prompt Template结合函数提供服务

创建Controller来接收请求并结合Prompt和已注册的函数执行操作。

@RestController
@RequestMapping("/ai")
@CrossOrigin(origins = "*")
public class ChatController {

    private final ChatClient chatClient;

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

    @GetMapping("/chatSteam")
    public Flux<String> chatSteam(@RequestParam String input) {
        PromptTemplate promptTemplate = new PromptTemplate("{input} 的利润率是多少？请给出详细分析。");
        DashScopeChatOptionsBuilder opsBuilder = DashScopeChatOptions.builder()
                .withFunction("xueQiuStockFunction");
        DashScopeChatOptions ops = opsBuilder.build();
        Map<String, Object> map = Map.of("input", input);
        Prompt prompt = promptTemplate.create(map, ops);
        return chatClient.prompt(prompt).stream().content();
    }
}

步骤解释

1. 环境准备：确保开发环境满足基本要求（JDK、Spring Boot版本）。

1. 依赖添加：添加了Spring AI Alibaba和其他必要依赖。

1. 配置API Key：设置了阿里云API Key以启用大模型服务。

1. 函数定义与注册：创建了一个简单的HTTP客户端函数来获取股票财务数据，并将其作为Spring Bean注册。

1. 服务实现：编写了一个控制器方法，该方法接受用户输入（股票代码），构建带有特定提示的Prompt，并指示大模型调用之前注册的功能来获取所需数据。最终，返回模型生成的内容流。

这样就完成了基于Spring Boot集成Spring AI Alibaba以及使用其Function Calling能力完成对话和分析模型的任务。

构建前端：一个简单的对话基于React

为了构建一个基于React的简单前端项目，支持从后端接收流数据（flux<String>），可以按照以下步骤进行操作。此示例假设你的后端接口地址为 http://.../ai/chatStream?input=... 并且返回的是一个字符串流。

创建并初始化项目

首先，你需要创建一个新的 React 应用，并安装所有必要的依赖项。打开终端并运行以下命令：

npx create-react-app frontend
cd frontend
npm install

这将生成一个新的 React 项目结构，并自动安装基本的开发环境。

配置基础文件

确保你有如下几个基础文件设置好。这些文件通常不需要做过多修改，但确认它们的存在是重要的一步。

• public/index.html

<!DOCTYPE html>
<html lang="en">
<head>
  <meta charset="UTF-8">
  <meta name="viewport" content="width=device-width, initial-scale=1.0">
  <title>Chat App</title>

</head>

<body>
  <div id="root"></div>

</body>

</html>

• src/index.js

import React from 'react';
import ReactDOM from 'react-dom';
import App from './App';

ReactDOM.render(
  <React.StrictMode>
    <App />
  </React.StrictMode>,
  document.getElementById('root')
);

• src/App.js

import React from 'react';
import ChatComponent from './components/ChatComponent';

function App() {
  return (
    <div className="App">
      <ChatComponent />
    </div>

  );
}

export default App;

实现聊天组件

关键部分在于实现一个能够发送请求到后端并处理响应流的组件。这里我们定义了 ChatComponent 来完成这个任务。

• src/components/ChatComponent.js

import React, { useState } from 'react';

function ChatComponent() {
  const [input, setInput] = useState('');
  const [messages, setMessages] = useState('');

  const handleInputChange = (event) => {
    setInput(event.target.value);
  };

  const handleSendMessage = async () => {
    try {
      // 注意这里的URL应该替换为你实际使用的后端服务地址
      const response = await fetch(`http://.../ai/chatStream?input=${input}`, {
        method: 'GET', // 或者POST根据实际情况调整
        headers: {
          'Content-Type': 'application/json',
          // 如果需要认证信息或其他头信息，请在此添加
        },
      });

      if (!response.ok) throw new Error('Network response was not ok');

      const reader = response.body.getReader();
      const decoder = new TextDecoder('utf-8');
      let done = false;

      while (!done) {
        const { value, done: readerDone } = await reader.read();
        done = readerDone;
        const chunk = decoder.decode(value, { stream: true });
        setMessages((prevMessages) => prevMessages + chunk);  // 将接收到的数据拼接到现有消息中
      }
    } catch (error) {
      console.error('Failed to fetch:', error);
    }
  };

  const handleClearMessages = () => {
    setMessages('');
  };

  return (
    <div>
      <input
        type="text"
        value={input}
        onChange={handleInputChange}
        placeholder="Enter your message"
      />
      <button onClick={handleSendMessage}>Send</button>

      <button onClick={handleClearMessages}>Clear</button>

      <div>
        <h3>Messages:</h3>

        <pre>{messages}</pre>  {/* 显示接收到的消息 */}
      </div>

    </div>

  );
}

export default ChatComponent;

这段代码实现了向指定URL发送请求，并通过流式读取响应内容逐步更新状态中的消息列表的功能。注意，如果您的后端API要求特定的HTTP方法或头部信息，则需相应地调整 fetch 请求的配置。

运行项目

最后，启动你的前端应用以查看效果：

npm start

以上步骤详细描述了如何基于React构建一个简单的支持流输出的前端项目。其中涉及到的主要技术包括使用React Hooks管理状态、利用Fetch API与后端通信以及处理服务器返回的流数据。确保在开发过程中保持前后端之间的良好协作，特别是关于CORS策略的设置，以便前端能够顺利访问到后端提供的资源。