当前位置：首页 > news >正文

关于Spring AI Alibaba

news 2026/5/26 8:55:46

前言

Spring AI在2024年2月发布了第一个公开可用版本。从此Java有了官方支持的AI框架，相对于LangChain4J，Spring AI天生建立在Spring的基础上，与Spring和SpringBoot的结合更加的紧密。

2024年9月，阿里云开源了Spring AI Alibaba，这个项目已经发布了1.0 GA正式版，并在阿里双11核心系统中验证，支持每秒百万级智能体交互，平均决策延迟控制在8ms以内。

一、Spring AI Alibaba是什么？

Spring AI，它是Spring官方推出的AI应用开发框架。而Spring AI Alibaba，则是阿里云在Spring AI基础上做的增强版。

根据官方博客介绍，Spring AI Alibaba的开源团队正是当年开源Apache Dubbo和Spring Cloud Alibaba的同一批人。

他们深刻理解应用开发框架对加速开发所起到的不可替代的作用。

2023-2024年期间，LangChain和Dify为开发者们提供了极大便利，但彼时仍缺少一个专门面向Java开发者的AI应用开发框架。

阿里团队确信，Java开发者是AI应用生态不可或缺的群体，能加速AI在各行业的落地。

幸运的是，Spring AI在2024年2月发布了第一个公开可用版本。

阿里团队基于Spring AI向上做了抽象和功能增强，在2024年9月开源了Spring AI Alibaba，希望借助本地化服务和阿里实践经验，更好地服务Java开发者。

一句话定位：连接企业的数据和API与AI模型，帮助Java开发者快速构建AI智能体应用的企业级框架。

二、Spring AI Alibaba vs Spring AI区别

这是大家最关心的问题。

根据官方文档，两者的定位和核心能力有显著差异：

定位不同

对比维度	Spring AI	Spring AI Alibaba
定位	AI应用开发的底层框架	AI智能体开发框架
核心目标	提供AI开发的原子能力抽象	帮助开发者更容易构建智能体应用
类比	LangChain	LangChain + LangGraph
关注点	模型接入、工具定义、向量数据库访问	工作流编排、多智能体协作、生产落地

功能对比

功能维度	Spring AI	Spring AI Alibaba
Spring Boot集成	原生支持	原生支持，更深度
多智能体支持	❌ 不支持	✅ Graph框架支持
工作流编排	❌ 不支持	✅ 内置工作流节点
提示词管理	硬编码	✅ Nacos配置中心动态管理
MCP分布式部署	基础支持	✅ Nacos MCP Registry
可观测性	基础埋点	✅ ARMS深度集成
开发效率组件	较少	✅ 调试工具、代码生成
示例丰富度	较少	✅ 官方Playground完整示例

架构对比

简单来说，Spring AI是LangChain，Spring AI Alibaba是LangChain + LangGraph。

三、框架解析

3.1 架构解析

理解Spring AI Alibaba的架构，是掌握它的关键。

根据官方文档，它采用了四层模块化架构：

3.2 GraphCore：工作流运行时引擎

GraphCore是Spring AI Alibaba的核心底层，基于有向无环图（DAG）的工作流执行引擎。它包含几个关键组件：

StateGraph：声明式构建工作流

StateGraph<MyState> graph = new StateGraph<>(MyState.class) .addNode("step1", node1) .addNode("step2", node2) .addEdge("step1", "step2") .addConditionalEdge("step2", condition) .build();

CheckpointSaver：状态持久化，支持内存、PostgreSQL、Redis、文件系统等多种后端

3.3 AgentFramework：智能体抽象层

这一层提供了开箱即用的智能体模式：

组件	描述	适用场景
ReactAgent	基础ReAct模式智能体	通用对话任务
SequentialAgent	顺序执行多个Agent	流水线处理
ParallelAgent	并行执行多个Agent	并发任务处理
SupervisorAgent	监督者模式，协调多个子Agent	复杂任务调度
LoopAgent	循环执行直到满足条件	迭代优化任务

3.4 Graph多智能体框架：最大的差异化

Spring AI Alibaba最核心的差异化能力是Graph多智能体框架。

这是Spring AI本身不具备的。

基于Graph，开发者可以轻松构建：

工作流（Workflow）：以相对固化的模式拆解任务，确定性强
多智能体（Multi-agent）：多个子智能体间通过通信协作完成复杂任务

Graph内置了大量预置节点，与主流低代码平台对齐：

节点类型	功能	使用场景
LlmNode	大模型节点	内容生成、总结
QuestionClassifierNode	问题分类节点	意图识别
ToolNode	工具节点	函数调用
HumanNode	人工确认节点	人机协同
BranchNode	分支节点	条件路由
ParallelNode	并行节点	并发执行

官方数据显示：使用Spring AI Alibaba Graph，开发者可以把MultiAgent实现时间从5天压缩到5小时。

3.5 企业级MCP集成

Spring AI Alibaba MCP Gateway基于Nacos提供的MCP server registry实现，为普通应用建立一个中间代理层。

核心能力：

将Nacos中注册的服务信息转换成MCP协议的服务器信息
实现协议转化，将MCP协议转换为对后端HTTP、Dubbo等服务的调用
无需对原有业务代码进行改造，新增或删除MCP服务无需重启代理应用

3.6 分布式多智能体支持

Spring AI Alibaba与Nacos协同发布了分布式Multi-Agent构建方案。

从2025年10月开始，Nacos 3.1.0引入了A2A（Agent-to-Agent）注册中心功能，提供轻量化的Agent服务注册与发现能力。

为什么需要分布式多智能体？

组织协同困难：交易智能体和搜索智能体更适合由不同团队独立维护
可用性难保证：所有智能体共享同一进程资源，一个出问题可能导致全部不可用
存在安全风险：内存与上下文共享导致权限边界模糊

基于Spring AI Alibaba + Nacos，开发者可以像构建微服务一样构建分布式Multi Agent系统，实现智能体弹性伸缩与跨团队解耦。

3.7 生态集成

Spring AI Alibaba深度集成了阿里云的企业级基础设施：

百炼平台集成：提供RAG知识库管理、模型服务调用
Nacos MCP Registry：支持MCP Server分布式部署与负载均衡
ARMS可观测性：自动埋点，兼容OpenTelemetry
Higress AI网关：提供模型代理、流量管控
析言ChatBI：自然语言到SQL自动生成

四、快速上手实战

4.1 环境搭建

在pom.xml中添加依赖：

<properties> <java.version>21</java.version> <spring-ai-alibaba.version>1.0.0.2</spring-ai-alibaba.version> </properties> <dependencies> <dependency> <groupId>com.alibaba.cloud.ai</groupId> <artifactId>spring-ai-alibaba-starter-dashscope</artifactId> <version>${spring-ai-alibaba.version}</version> </dependency> <dependency> <groupId>org.springframework.boot</groupId> <artifactId>spring-boot-starter-web</artifactId> </dependency> </dependencies> <repositories> <repository> <id>spring-milestones</id> <url>https://repo.spring.io/milestone</url> </repository> </repositories>

在application.yml中配置API Key：

spring: ai: dashscope: api-key: ${AI_DASHSCOPE_API_KEY} server: port: 8080

4.2 基础对话接口

@RestController @RequestMapping("/api/ai") publicclass AIController { privatefinal ChatClient chatClient; public AIController(ChatClient.Builder builder) { this.chatClient = builder.build(); } @GetMapping("/chat") public String chat(@RequestParam String message) { return chatClient.prompt() .user(message) .call() .content(); } }

只需这几行代码，一个AI对话接口就完成了！

4.3 流式响应

@GetMapping(value = "/stream", produces = MediaType.TEXT_EVENT_STREAM_VALUE) public Flux<String> stream(@RequestParam String message) { return chatClient.prompt() .user(message) .stream() .content(); }

4.4 函数调用（Tool Calling）

通过@Tool注解，让AI可以调用你的Java方法：

@Component publicclass WeatherService { @Tool(description = "根据城市名称查询天气") public String getWeather(@ToolParam(description = "城市名称") String city) { // 调用天气API return weatherApi.get(city); } } @RestController @RequestMapping("/api/ai") publicclass ToolController { privatefinal ChatClient chatClient; privatefinal WeatherService weatherService; public ToolController(ChatClient.Builder builder, WeatherService weatherService) { this.chatClient = builder.build(); this.weatherService = weatherService; } @GetMapping("/weather") public String weather(@RequestParam String city) { return chatClient.prompt() .user("查询" + city + "的天气") .tools(weatherService) .call() .content(); } }

4.5 RAG智能问答

基于向量检索的增强生成示例：

AI写代码go运行

4.6 智能体（Agent）开发

使用AgentFramework构建智能体：

@Bean public VectorStore vectorStore() { MilvusVectorStore store = new MilvusVectorStore(); store.setCollectionName("qa_knowledge"); store.setDimension(768); return store; } @PostMapping("/search") public String search(@RequestParam String query) { // 向量检索 List<Document> docs = vectorStore.similaritySearch( SearchRequest.query(query).withTopK(3) ); String context = docs.stream() .map(Document::getContent) .collect(Collectors.joining("\n\n")); return chatClient.prompt() .system("基于以下资料回答问题：" + context) .user(query) .call() .content(); }

@Agent publicclass OrderProcessingAgent { @Autowired private InventoryAgent inventoryAgent; @Autowired private PaymentAgent paymentAgent; @Action public OrderResult handle(OrderRequest request) { // 1. 检查库存 if (!inventoryAgent.checkStock(request.getProductId(), request.getQuantity())) { return OrderResult.failed("库存不足"); } // 2. 处理支付 PaymentResult payment = paymentAgent.process(request.getAmount()); if (!payment.isSuccess()) { return OrderResult.failed("支付失败"); } // 3. 扣减库存 inventoryAgent.deduct(request.getProductId(), request.getQuantity()); return OrderResult.success("订单创建成功"); } }

五、架构全景图

六、优缺点与使用场景

优点

Java生态深度融合：与Spring Boot、Spring Cloud无缝集成，复用现有开发经验
多智能体编排能力：Graph框架支持工作流和多智能体，这是Spring AI不具备的
企业级特性完备：分布式MCP、可观测性、动态配置管理、权限控制
国产化支持：深度适配通义千问、DashScope等国内模型和服务
性能卓越：阿里双11核心系统验证，百万级智能体交互，8ms延迟
开发效率高：预置节点、代码生成工具、官方Playground示例

缺点

学习曲线：需要理解Graph、工作流、多智能体等概念
Java版本要求：需要JDK 17+
与阿里云耦合：部分功能依赖阿里云服务（但核心Graph框架可独立使用）
框架相对较重：相比轻量级方案有更多依赖

适用场景

强烈推荐使用：

已有Spring Boot/Spring Cloud技术栈的企业
需要构建工作流或多智能体应用的项目
对可观测性、配置管理有要求的企业级应用
数据安全要求高、需要私有化部署的场景
需要RAG知识库、NL2SQL等企业级能力的项目

不适合的场景：

简单的单次对话调用（用Spring AI就够了）
非Java技术栈的项目
对JDK 8有强依赖的遗留系统

七、与主流框架对比

根据最新的框架对比报告，Spring AI Alibaba在Java生态中具有明显优势：

对比维度	Spring AI Alibaba	LangChain4j	AgentScope
编程语言	Java	Java	Python
Spring Boot集成	原生支持	社区适配	不支持
多智能体	✅ Graph框架	需自行实现	⭐⭐⭐⭐⭐
工作流	✅ 内置支持	❌	❌
MCP分布式	✅ Nacos Registry	基础支持	基础支持
可观测性	✅ ARMS集成	部分支持	部分支持
企业级特性	⭐⭐⭐⭐⭐	⭐⭐⭐	⭐⭐⭐⭐
开发效率	⭐⭐⭐⭐⭐	⭐⭐⭐	⭐⭐⭐⭐
综合评分	8.8	7.6	8.2