Spring AI Alibaba 1.0 GA 正式發(fā)布，它是專屬 Spring 開發(fā)者的 AI 框架，兼具提示詞模版、函數(shù)調(diào)用、格式化輸出等低層次抽象與 RAG、Agent、對話記憶等高層次抽象，通義系列模型驅(qū)動，深度集成網(wǎng)關(guān)、配置中心、可觀測等云原生基礎(chǔ)設(shè)施生態(tài)，讓 Java 智能體開發(fā)迎來一款生產(chǎn)可用的企業(yè)級框架與解決方案，助力企業(yè)智能體開發(fā)進(jìn)入一個新階段。

Github 地址：??https://github.com/alibaba/spring-ai-alibaba??

官網(wǎng)地址：??https://java2ai.com/??

1、Spring AI Alibaba 1.0 GA 核心能力

在 1.0 版本中，Spring AI Alibaba 提供以下核心能力，讓開發(fā)者可以快速構(gòu)建自己的 Agent、Workflow 或 Multi-agent 應(yīng)用：

第一、Graph 多智能體框架

基于 Spring AI Alibaba Graph，開發(fā)者可以快速構(gòu)建工作流和多智能體應(yīng)用，無需關(guān)注底層的流程編排和上下文記憶管理。通過將 Graph 與低代碼、自規(guī)劃智能體相結(jié)合，為開發(fā)者提供了從低代碼、高代碼到零代碼構(gòu)建智能體的靈活選擇。

Spring AI Alibaba Graph 核心能力：

?? 支持 Multi-agent，內(nèi)置 ReAct Agent、Supervisor 等常規(guī)智能體模式

?? 支持工作流，內(nèi)置工作流節(jié)點，與主流低代碼平臺對齊

?? 原生支持 Streaming

?? Human-in-the-loop，通過人類確認(rèn)節(jié)點，支持修改狀態(tài)、恢復(fù)執(zhí)行

?? 支持記憶與持久存儲

?? 支持流程快照

?? 支持嵌套分支、并行分支

?? PlantUML、Mermaid 可視化導(dǎo)出

第二、通過 AI 生態(tài)集成，解決企業(yè)智能體落地過程中關(guān)心的痛點問題

通過 AI 生態(tài)集成，解決了企業(yè)在智能體落地過程中所關(guān)心的痛點問題。Spring AI Alibaba 支持與百煉平臺深度集成，提供模型接入和 RAG 知識庫解決方案；支持 ARMS、Langfuse 等可觀測產(chǎn)品的無縫接入；支持企業(yè)級的 MCP 集成，包括 Nacos MCP Registry 分布式注冊與發(fā)現(xiàn)、自動 Router 路由等。

Spring AI Alibaba MCP 通過集成 Nacos MCP Registry，支持 MCP Server 分布式部署與負(fù)載均衡調(diào)用。對于存量 Spring Cloud、Dubbo 等應(yīng)用，支持零代碼改造實現(xiàn) API 到 MCP 服務(wù)發(fā)布，開發(fā)者可通過 Spring AI Alibaba MCP 開發(fā)自己的 MCP Server 服務(wù)代理，即可支持 Nacos 中心 MCP 元數(shù)據(jù)的自動加載。

第三、探索具備自主規(guī)劃能力的通用智能體產(chǎn)品與平臺

社區(qū)發(fā)布了基于 Spring AI Alibaba 框架實現(xiàn)的 JManus 智能體。除了具備與 Manus 相當(dāng)?shù)耐ㄓ弥悄荏w能力外，我們的目標(biāo)是通過 JManus 探索自主規(guī)劃在智能體開發(fā)中的應(yīng)用，為開發(fā)者提供從低代碼、高代碼到零代碼構(gòu)建智能體的靈活選擇。

Spring AI 在多個關(guān)鍵節(jié)點都做了 SDK 默認(rèn)埋點，用來記錄運行過程中的 metrics 與 tracing 信息，這包括模型調(diào)用、向量檢索、工具調(diào)用等關(guān)鍵環(huán)節(jié)的調(diào)用情況。Spring AI tracing 信息兼容 OpenTelemetry，因此理論上可接入市面上主流的開源平臺如 Langfuse，或者阿里云 ARMS。

2、從聊天機(jī)器人、工作流到多智能體

第一、聊天機(jī)器人（ChatBot）

開發(fā) AI 應(yīng)用并非僅僅是調(diào)用無狀態(tài)大模型的 API。由于大模型的預(yù)訓(xùn)練特性，AI 應(yīng)用還需要具備領(lǐng)域數(shù)據(jù)檢索（RAG）、會話記憶（Memory）和工具調(diào)用（Tool）等集成能力。這些集成能力統(tǒng)稱為“模型增強模式”（The Augmented LLM），它允許開發(fā)者將自己的數(shù)據(jù)和外部 API 直接融入模型的推理過程中。

在 Spring AI 中，ChatClient 是最核心的組件。開發(fā)者可以使用 ChatClient 來開發(fā)自己的聊天機(jī)器人或智能體應(yīng)用。ChatClient 支持模型增強模式，能夠為模型調(diào)用掛載檢索（Retrieval）、工具（Tools）和記憶（Memory）等外部數(shù)據(jù)和服務(wù)。例如：

我們將通過 ChatClient 開發(fā)的 AI 應(yīng)用稱為“單智能體應(yīng)用”，這可能是最理想的開發(fā)模式。它足夠簡單直接，即將所有工具和上下文信息提供給模型，由模型持續(xù)決策并迭代，直到最終完成任務(wù)解答。然而，現(xiàn)實情況遠(yuǎn)比這復(fù)雜。目前，模型的能力尚未達(dá)到我們的期望。當(dāng)上下文信息或工具過多時，整體效果往往會變差，甚至可能嚴(yán)重偏離預(yù)期。

因此，我們考慮將復(fù)雜問題拆解為更簡單的部分。目前有兩種常用的模式：工作流和多智能體模式。

第二、工作流（Workflow）

工作流是一種通過相對固定模式人為拆解任務(wù)的方法，將一個復(fù)雜的大任務(wù)分解為多個分支的固定流程。其核心優(yōu)勢在于流程的確定性較強，模型在其中主要承擔(dān)分類決策的角色，因此特別適合用于意圖識別等具有明確類別屬性的應(yīng)用場景。然而，工作流也有明顯的局限性。它要求開發(fā)人員對業(yè)務(wù)流程有深入的理解，并且整個流程的設(shè)計依賴于人工繪制。模型在工作流中主要負(fù)責(zé)內(nèi)容生成、總結(jié)或分類識別，無法充分發(fā)揮其推理能力，因此常被批評為不夠智能。

通過使用 Spring AI Alibaba Graph，開發(fā)者可以輕松地開發(fā)工作流，聲明不同的節(jié)點，并將這些節(jié)點串聯(lián)成一個流程圖。

Spring AI Alibaba Graph 提供了大量預(yù)置節(jié)點，這些節(jié)點與市面上主流的低代碼平臺（如 Dify、百煉等）的功能相對應(yīng)。典型節(jié)點包括 LlmNode（大模型節(jié)點）、QuestionClassifierNode（問題分類節(jié)點）、ToolNode（工具節(jié)點）等。這些預(yù)置節(jié)點免去了開發(fā)者重復(fù)開發(fā)和定義的負(fù)擔(dān)，使他們能夠?qū)Ｗ⒂诹鞒痰拇?lián)。

以下是一個可視化繪制的“用戶評價分類系統(tǒng)”工作流，以及對應(yīng)的 Spring AI Alibaba Graph 代碼示例：

StateGraph stateGraph = new StateGraph("Consumer Service Workflow Demo", stateFactory)
			.addNode("feedback_classifier", node_async(feedbackClassifier))
			.addNode("specific_question_classifier", node_async(specificQuestionClassifier))
			.addNode("recorder", node_async(new RecordingNode()))
			.addEdge(START, "feedback_classifier")
			.addConditionalEdges("feedback_classifier",edge_async(new CustomerServiceController.FeedbackQuestionDispatcher()),Map.of("positive", "recorder", "negative", "specific_question_classifier"))
			.addConditionalEdges("specific_question_classifier",edge_async(new CustomerServiceController.SpecificQuestionDispatcher()),Map.of("after-sale", "recorder", "transportation", "recorder", "quality", "recorder", "others","recorder"))
			.addEdge("recorder", END);

通過這種方式，開發(fā)者可以高效地構(gòu)建復(fù)雜的工作流，同時利用預(yù)置節(jié)點的強大功能，實現(xiàn)高效的任務(wù)拆解和流程管理。

第三、多智能體（Multi-Agent）

除了工作流，多智能體是解決復(fù)雜任務(wù)拆解的另一種有效方式。與工作流相比，多智能體雖然也需要遵循一定的流程，但在整個決策和執(zhí)行過程中，它們展現(xiàn)出更高的自主性和靈活性。多個子智能體通過相互協(xié)作和通信來完成任務(wù)，最終實現(xiàn)任務(wù)的解答。

Spring AI Alibaba Graph 提供了強大的框架支持，可用于開發(fā)多種多智能體模式。目前，官方社區(qū)已經(jīng)發(fā)布了幾款基于 Spring AI Alibaba Graph 開發(fā)的智能體產(chǎn)品，包括：

• JManus：一款通用智能體，具備廣泛的應(yīng)用能力。
• DeepResearch：專注于深度研究任務(wù)的智能體。
• AgentScope：提供更廣泛的智能體功能，適用于多種復(fù)雜場景。

這些智能體產(chǎn)品不僅展示了多智能體的強大能力，還為開發(fā)者提供了豐富的應(yīng)用場景和實踐參考。

3、快速開發(fā)第一個 Spring AI Alibaba 應(yīng)用

在 Spring Boot 工程中添加以下依賴，就可以開始您的 AI 智能體開發(fā)之旅了。

<dependencyManagement>
<dependencies>
<dependency>
<groupId>com.alibaba.cloud.ai</groupId>
<artifactId>spring-ai-alibaba-bom</artifactId>
<version>1.0.0.2</version>
<type>pom</type>
<scope>import</scope>
</dependency>
</dependencies>
</dependencyManagement>
<dependencies>
  <dependency>
    <groupId>com.alibaba.cloud.ai</groupId>
    <artifactId>spring-ai-alibaba-starter-dashscope</artifactId>
  </dependency>
</dependencies>

您也可以參考我們發(fā)布在官網(wǎng)的快速開始了解如何開發(fā) Chatbot、智能體或工作流等應(yīng)用。總的來說，根據(jù)不同場景，您可以選擇使用 ??ChatClient??? 或 ??Spring AI Alibaba Graph?? 兩個核心組件來開發(fā) AI應(yīng)用。

本文轉(zhuǎn)載自??玄姐聊AGI???  作者：玄姐