随着人工智能大模型技术的全面爆发，AI应用开发已成为程序员圈中最热门的话题之一。对于Java开发者而言，Spring AI无疑是切入这一领域最便捷的选择。作为Spring生态下的子项目，它在扩展性上表现优异——正如当年Spring Cloud不断集成微服务组件那样，Spring AI也在快速整合聊天大模型、文本嵌入模型、向量数据库等能力。可以说，如果你打算使用Java开发大模型应用，Spring AI就是当前的最优方案。
Spring AI的基本用法其实并不复杂，几行代码就能与AI模型进行交互。但要真正用好它，还需要深入挖掘许多细节——这正是《Spring AI 进阶开发实战》课程所要探讨的内容。整个课程按照知识点组织，共7个模块，每个模块配有完整的代码示例和详细讲解。
这7个知识点分别是：消息历史记录、流式输出、输出解析、多模态输入、方法调用、图片生成和可观测性。下面逐一介绍它们所解决的具体问题。
首先来看消息历史记录。它本质上是在应用端将用户与大模型的每一次对话都存储下来，作为下一次交互的上下文。这样用户就能围绕同一话题持续深入探讨，无需每次重复交代背景。例如：第一次问“怎么做西红柿牛腩”，第二次问“如果希望吃得清淡一点呢”——有了历史记录，大模型就能知道第二次问的还是那道菜，而不会偏离主题。
流式输出这个概念也比较好理解。传统做法是等大模型生成完整结果后再一次性返回，但用户等待时间较长。Spring AI提供了StreamingChatClient，让模型一边生成token一边输出——用户能够实时看到内容逐渐呈现，体验感明显提升。下面是演示效果：
输出解析则解决了结构化问题。大模型默认输出的是自然语言，但应用端往往需要JSON等格式化数据。Spring AI可以帮助我们把模型输出直接映射为列表、Map，甚至任意自定义对象。例如在下图中，大模型按照预先定义的User类型格式，生成了测试用的mock数据。
多模态输入意味着我们不仅可以向大模型发送文字，还能把图片、音频等文件传入，让模型理解其中的内容。在下面这个例子中，模型成功解析了图片中的场景。
方法调用是模型的一项核心能力。它不仅能够有效缓解大模型在特定输入下产生的“幻觉”问题，更是构建智能体（Agent）的基础。示例中创建了一个简单的加法工具，大模型直接调用这个方法来完成任务。
图片生成环节使用了Stable Diffusion模型，并通过Spring AI集成进来，自定义了一个ImageClient实现。
最后是可观测性。这是应用运维中不可跳过的一环——我们需要了解每次与大模型交互消耗了多少token，输入输出是什么，出现了哪些异常。在示例中，通过Micrometer开放应用的metrics和tracing数据，再集成Prometheus、OpenTelemetry和Grafana，形成完整的监控链路。
