模型上下文协议（Model Context Protocol，简称MCP）是一个由 Anthropic 在 2024 年 11 月 25 日开源的新标准。MCP 是一个开放标准，旨在连接AI助手与数据所在的系统，包括内容存储库、业务工具和开发环境。其目标是帮助前沿模型产生更好、更相关的响应。 MCP 遵循客户端-服务器架构，其中主机应用可以连接到多个服务器。 MCP 有三个关键组件： 主机(

1 核心概念和作用定义：RAG 是一种结合检索与生成的技术，解决大语言模型（LLM）在长文本处理、事实准确性和上下文感知方面的局限。 核心逻辑：通过检索外部知识库（如向量数据库）获取相关文档，将其作为上下文附加到用户查询中，辅助 LLM 生成更准确、有依据的回答。 Spring AI 支持：提供模块化架构和开箱即用的 Advisor，允许自定义 RAG 流程或使用现成实现。 2 Milvus的

1 核心概念和作用定义：允许 AI 模型调用外部工具（如 API、数据库查询），扩展模型能力，实现信息检索和操作执行。 两大应用场景： 信息检索：获取实时数据（如天气、新闻），支持 RAG 场景。 操作执行：自动化任务（如发送邮件、创建数据库记录）。 安全机制：模型仅能请求工具调用，实际执行由应用负责，模型无法直接访问 API。 2 快速开始信息检索工具（获取当前时间） 先定义一个自定义的工

1 核心概念和作用背景：LLM（大语言模型）无状态，无法保留历史交互信息，ChatMemory 用于存储和检索跨交互的上下文，维持对话连续性。 核心区别： Chat Memory：模型用于维持对话上下文的相关信息（非完整历史）。 Chat History：用户与模型交互的完整消息记录（需用其他方式存储，如 Spring Data）。 抽象设计： ChatMemory：管理对话上下文的

1 核心概念和作用定义：Prompt 是引导 AI 模型生成特定输出的输入，其设计和措辞直接影响模型响应。类比 Spring MVC 中的 “View” 或带占位符的 SQL 语句，支持动态内容替换。 核心组件： Prompt：封装多个 Message 和 ChatOptions，作为与 AI 模型交互的基本输入单元。 Message：包含文本内容、元数据和角色（如用户、系统、助手），构成 P

1 核心概念和作用定义：Advisors 是 Spring AI 中用于拦截、修改和增强 AI 交互的组件，可封装通用的生成式 AI 模式，实现数据转换和跨模型复用。 核心价值： 封装对话历史管理、检索增强（RAG）等重复模式。 支持请求和响应的预处理与后处理，提升 LLM 交互灵活性。 集成可观测性，记录执行指标和追踪信息。 使用场景： 对话记忆管理（维护历史消息）。 检索增强生成（

1 概述 核心功能：提供与 AI 模型通信的流式 API，支持同步和流式编程模型。 输入构建：通过流式 API 构建包含用户消息和系统消息的提示（Prompt），消息可包含运行时替换的占位符。 输出处理：支持返回文本内容、结构化实体、带元数据的响应（如 token 使用量），以及流式响应。 对比 交互方式 功能扩展 结构化输出 适用场景 ChatModel 直接调用模型，需手动处

1 环境介绍在SpringAI中支持的SpringBoot是3.4.x，JDK的版本是17及以上的版本! 提供一个JDK17的下载地址: https://www.injdk.cn 2 第一个案例通过idea来创建SpringBoot项目。idea的版本最好有比较新的版本。不然不支持JDK17的特性。 123456789101112131415161718192021222324252627

Spring AI 是由 Spring 官方推出的开源框架，旨在将人工智能（AI）功能无缝集成到 Java 应用程序中。它借鉴了 LangChain 和 LlamaIndex 等 Python 项目的设计理念，提供统一的抽象和模块化接口，简化了 AI 模型的接入和管理，降低了开发复杂度。 1 Model人工智能模型是用于处理和生成信息的算法，通常模仿人类的认知功能。通过从大型数据集中学习模式和洞察

在 Java Web 项目中，整合大语言模型（LLM）的开发框架主要有以下几种，它们各自具有不同的特点和适用场景。以下是对这些框架的简要介绍和比较： Spring AI 简介：Spring AI 是由 Spring 团队推出的框架，旨在简化将 AI 功能集成到 Spring 应用程序中的过程。它深度集成了 Spring Boot 和 Spring Cloud，提供一致的编程模型。 特点：