寻道AI，探索AI无限可能！

在上一篇文章中，我们介绍了如何使用 Spring AI 框架实现智能工具调用功能，通过 `FunctionToolCallback` 扩展了 AI 助手的能力。本文将继续深入，介绍如何通过 **ChatMemory** 和 **ToolCallingManager** 实现更复杂的工具调用和对话记忆功能。

在上一篇文章中，我们介绍了如何使用 Spring AI 框架实现基于 Advisor 的 RAG 系统，通过封装的 RAG 流程简化了知识库问答系统的开发。本文将继续深入，介绍如何通过**智能工具调用（Function Calling）** 功能来扩展 AI 助手的能力。

在上一篇文章中，我们介绍了如何使用 Spring AI 框架实现 RAG（Retrieval-Augmented Generation）系统，将文档上传到向量数据库并结合大模型生成回答。本文将继续深入，介绍如何通过**Advisor API** 来简化 RAG 系统的实现。

在上一篇文章中，我们介绍了如何使用 Spring AI 框架实现向量数据库集成，将文本信息转化为数值向量并进行高效的语义搜索。本文将继续深入，介绍如何通过**RAG（Retrieval-Augmented Generation）** 技术来构建一个完整的问答系统。

在上一篇文章中，我们介绍了如何使用 Spring AI 框架实现文本向量嵌入功能，将文本信息转化为数值向量形式。本文将继续深入，介绍如何通过**向量数据库（Vector Store）** 技术来存储和检索这些向量数据。

在上一篇文章中，我们介绍了如何使用 Spring AI 框架实现多模态交互功能，让 AI 助手能够理解和生成更加复杂和多样化的内容。本文将继续深入，介绍如何通过**文本向量嵌入（Text Embedding）** 功能来将文本转换为向量表示。

在前几篇文章中，我们分别介绍了如何使用 Spring AI 框架实现系统提示词和结构化输出功能。本文将在此基础上继续深入，介绍如何通过**多模态交互（Multimodal Interaction）** 功能来结合文本和图像进行更丰富的对话。多模态交互是一种强大的技术，它允许我们将文本、图像等多种类型的数据融合在一起，使 AI 助手能够理解和生成更加复杂和多样化的信息。例如，用户可以通过上传一张图片并询问“这张图片里有什么内容？”AI 助手则会分析图片并生成相应的描述。

在上一篇文章中，我们介绍了如何使用 Spring AI 框架实现系统提示词功能，让 AI 助手具备个性化的人格和风格。本文将在此基础上继续深入，介绍如何通过**结构化输出（Structured Output）** 功能来规范 AI 的输出格式。结构化输出是一种强大的工具，它允许我们将 AI 生成的内容以特定的数据结构返回，如 [List]、`Map` 或自定义的 Java Bean。这在开发需要与前端或其他系统交互的应用时尤为重要，因为它确保了数据的一致性和可预测性。

在上一篇文章中，我们介绍了如何使用 Spring AI 框架实现上下文记忆功能，让聊天机器人具备"记忆力"。本文将在此基础上继续深入，介绍如何通过**系统提示词（System Prompt）** 功能来定制 AI 的人格、语气和风格。系统提示词是一种强大的工具，它允许我们定义 AI 的角色定位、回答风格以及与用户的互动方式。通过合理设置系统提示词，我们可以创建出具有不同个性的 AI 助手，如幽默风趣的朋友、专业严谨的法律顾问或亲切友好的客服代表。

在上一篇文章中，我们介绍了如何使用 Spring AI 框架与 Ollama 进行集成，并通过 `ChatClient` 和 `OllamaChatModel` 实现了基础对话功能。然而，在实际的企业级应用中，仅仅实现单轮对话是远远不够的。为了让 AI 聊天机器人具备"记忆力"，能够理解上下文并进行连贯的多轮对话，我们需要引入**上下文管理机制**。本文将基于 `spring-ai-ollama-chatMemory` 示例项目，详细介绍如何构建一个支持上下文记忆的 Ollama 聊天服务。

在人工智能技术飞速发展的今天，大语言模型已经成为推动技术创新的重要力量。Ollama 作为一个开源的大语言模型框架，让我们可以在本地环境中轻松运行和管理各种大型语言模型。Spring AI 则是 Spring 生态系统中用于集成人工智能功能的框架。本文将带你从零开始搭建一个基于 Spring Boot 的项目，集成 Ollama 大语言模型，实现一个简单的聊天机器人。

随着人工智能技术的飞速发展，大模型在各个领域的应用日益广泛，为开发者带来了前所未有的机遇和挑战。在众多的框架和平台中，Spring Boot以其简洁、高效的特点，成为了构建企业级应用的首选之一。而DeepSeek作为一款强大的人工智能平台，提供了丰富的API接口和功能，能够满足各种复杂的应用需求。本文将深入探讨如何将Spring Boot与DeepSeek相结合，通过工具函数（Function Call）的实战应用，帮助读者快速掌握这一前沿技术，实现高效、智能的应用开发。

在AI应用开发中，**结构化输出**是提升模型响应质量的重要手段。通过合理使用结构化输出格式，我们可以更方便地解析和利用模型返回的内容，从而构建更智能的应用。

在AI应用开发中，**系统提示词设计**是提升模型输出质量的重要手段。通过合理使用系统提示词，我们可以控制AI助手的角色、风格和回答格式，从而提供更符合业务需求的响应。

在人工智能应用不断发展的今天，单轮对话已经难以满足复杂的交互需求。通过实现多轮对话系统，我们可以让AI助手记住上下文，在连续对话中保持连贯性，提供更自然的交互体验。

在人工智能领域，推理能力是衡量模型智能水平的重要指标。DeepSeek推出的`deepseek-reasoner`模型，在数学推理、逻辑分析等任务上表现出色。本文将详细介绍如何使用Spring Boot框架集成DeepSeek的推理模型，构建一个支持思维链（Chain of Thought, CoT）解析的智能系统。

在人工智能技术快速发展的今天，大型语言模型（LLM）正在改变软件开发的方式。DeepSeek作为国内领先的AI平台，其提供的深度学习模型在代码理解和生成方面表现出色。结合Spring Boot框架的便捷性和DeepSeek的强大能力，我们可以构建一个高效的代码生成系统。

在人工智能技术飞速发展的今天，大型语言模型已经成为了推动技术创新的重要力量。DeepSeek作为国内领先的大型语言模型提供商，其推出的DeepSeek系列模型在多个领域都展现出了卓越的性能。本文将详细介绍如何使用Spring Boot框架集成DeepSeek API，构建一个简单的AI聊天应用。我们将实现两个核心功能：普通文本生成和流式文本生成。

随着大语言模型技术的快速发展，越来越多的企业开始探索如何将高性能、低成本的大模型集成到 Spring 生态中。本文将详细介绍如何使用 Spring AI 通过DeepSeekAPI 快速集成 DeepSeek 提供的 `deepseek-chat` 和 `deepseek-reasoner` 系列模型。

随着大语言模型技术的快速发展，越来越多的企业开始探索如何将高性能、低成本的大模型集成到 Spring 生态中。本文将详细介绍如何使用 Spring AI 快速集成 DeepSeek 提供的 `deepseek-chat` 和 `deepseek-reasoner` 系列模型。

在上一篇文章中，我们学习了如何使用 Spring AI 集成 Model Context Protocol (MCP)，并通过 SQLite 数据库实现自然语言数据库交互。本文将继续深入实践，介绍如何将 **天气服务** 封装为 LLM 可调用的工具

在上一篇文章中，我们学习了如何使用 Spring AI 集成 Model Context Protocol (MCP)，并通过文件系统实现本地目录内容的访问。本文将继续深入实践，介绍如何将 **SQLite 数据库** 封装为 LLM 可调用的工具

在上一篇文章中，我们学习了如何使用 Spring AI 集成 Model Context Protocol (MCP)，并通过 Brave Search 实现了互联网搜索能力的接入。本文将继续深入 Spring AI 的 MCP 实战能力，介绍如何将 **本地文件系统** 封装为 LLM 可调用的工具

随着大语言模型（LLM）的快速发展，如何让模型具备访问外部世界的能力成为关键挑战。传统的 RAG 架构依赖于本地知识库，而 **Model Context Protocol (MCP)** 则提供了一种全新的方式 —— **通过协议化接口调用外部工具**，如搜索引擎、数据库、API 等。本文将详细介绍如何使用 Spring AI 集成 MCP 协议，并结合 [Brave Search](https://brave.com/search/api/) 实现一个完整的互联网搜索能力接入系统。

随着国产大模型的快速发展，越来越多的企业开始关注如何将本地大模型集成到 Spring 生态中。本文将详细介绍如何使用 Spring AI 快速集成 [智谱AI](https://open.bigmodel.cn/) 的 GLM 系列模型

在企业级 AI 应用中，大语言模型（LLM）不仅仅是“回答问题”的工具，更是**业务流程的智能中枢**。为了实现真正的自动化与智能化操作，LLM 需要能够主动调用后端系统的接口来完成实际任务。例如：- 查询用户订单信息- 创建新订单或提交表单- 调用快递状态查询接口- 触发审批流程等这些功能通常都封装在企业的 **RESTful API** 中。为了让 LLM 理解并自动调用这些接口，我们需要将它们封装为 Spring AI 可识别的 **工具类（Tools）**。

在前两篇文章中，我们已经掌握了如何创建基础的 `DateTimeTool` 和 `WeatherTool`、`UserQueryTool` 等自定义工具，并通过 `ChatClient` 调用它们。但在实际项目中，仅仅实现功能是不够的，我们还需要考虑性能、稳定性、异常处理等高级开发需求。

在上一篇文章中，我们已经学习了如何创建第一个可调用工具 `DateTimeTool`，并使用 `ChatClient` 调用它来获取当前时间。本篇文章将带你深入实践，构建两个更贴近真实业务场景的工具：天气查询工具（WeatherTool）和 数据库查询工具（UserQueryTool）

在当前的 AI 应用开发中，一个关键的能力是让大模型具备“调用外部工具”的能力。Spring AI 提供了对工具调用（Tools）的原生支持，允许开发者将业务逻辑封装成工具，并通过自然语言提示词（Prompt）驱动模型自动选择并执行这些工具。本文将带你从零开始，一步步构建一个简单的 `DateTimeTool` 工具类，并通过 `ChatClient` 接口调用它，实现获取当前时间的功能。

在上一篇文章中，我们学习了如何通过 `Tool Calling` 技术让 LLM 调用外部函数获取当前时间信息。本文将继续深入 Spring AI 的工具调用能力，介绍**如何实现多个工具方法的注册与调用**，并通过实际示例展示 LLM 如何根据语义判断并调用合适的工具。

在上一篇文章中，我们学习了如何基于 RAG 架构构建一个私有知识问答系统。本文将继续深入 Spring AI 的能力，介绍**如何使用 `Tool Calling` 实现插件化功能调用**。我们将基于下面示例项目，演示如何通过自定义工具类扩展大语言模型的能力，使其能够调用外部函数获取实时信息（如当前时间），从而解决传统 LLM 无法访问外部世界的问题。

在上一篇文章中，我们详细介绍了如何使用 Chroma 向量数据库进行文档的向量化存储与语义检索。本文将在此基础上，进一步讲解**RAG（Retrieval-Augmented Generation）架构的实现原理与工程实践**。我们将基于 `spring-ai-openai-rag` 示例项目，演示如何通过 Spring AI 集成 RAG 架构，实现一个完整的**私有知识问答系统**。

在前面的文章中，我们已经学习了如何使用 Spring AI 构建基础聊天服务、流式对话、上下文记忆、角色设定、动态提示词模板、结构化输出、语音识别与合成、图像生成等能力。本文将聚焦于**向量数据库（VectorStore）** 的集成与使用。我们将基于 `spring-ai-openai-vectorStore` 示例项目，并结合本地部署的 [Chroma](https://docs.trychroma.com/) 向量数据库，详细介绍如何通过 Spring AI 集成 Chroma 、

在前面的文章中，我们已经学习了如何使用 Spring AI 构建基础聊天服务、流式对话、上下文记忆、角色设定、动态提示词模板、结构化输出、语音识别与合成等能力。本文将聚焦于**多模态 AI 能力中的图像生成部分**。我们将基于 `spring-ai-openai-image` 示例项目，详细介绍如何通过 Spring AI 集成 OpenAI 的 [DALL·E]模型，根据自然语言描述生成高质量图像，并演示其在不同分辨率、模型版本和生成参数下的应用效果。

在前面的文章中，我们已经学习了如何使用 Spring AI 构建基础聊天服务、流式对话、上下文记忆、角色设定、动态提示词模板、结构化输出以及语音转文字等功能。本文将聚焦于**文本转语音（Text to Speech, TTS）**的实现。我们将基于 `spring-ai-openai-textToSpeech` 示例项目，详细介绍如何通过 Spring AI 集成 OpenAI 的 TTS 模型（tts-1），实现文本到音频的转换，并演示其在不同声音、格式和语速配置下的应用效果。

在前面的文章中，我们已经学习了如何使用 Spring AI 构建基础聊天服务、流式对话、上下文记忆、角色设定、动态提示词模板以及结构化输出等功能。本文将聚焦于一个非常实用但容易被忽视的能力——**语音转文本（Speech to Text, STT）**。我们将基于 `spring-ai-openai-speechToText` 示例项目，详细介绍如何通过 Spring AI 集成 OpenAI 的 [Whisper]模型，实现音频文件的自动转录，并演示其在不同语言、格式和参数配置下的应用效果。

在前面的文章中，我们已经学习了如何使用 Spring AI 构建基础聊天服务、流式对话、上下文记忆、角色设定以及动态提示词模板等功能。本文将聚焦于一个非常关键但容易被忽视的能力——**结构化输出（Structured Output）**。

在前面的文章中，我们已经学习了如何使用 Spring AI 构建基础聊天服务、流式对话、上下文记忆、角色设定等功能。本文将聚焦于一个非常实用但常被忽视的能力——**动态提示词模板（Prompt Template）**。我们将基于 `spring-ai-openai-promptTemplate` 示例项目，详细介绍如何通过 `PromptTemplate` 实现灵活的提示词管理，支持从字符串模板和文件模板生成内容，并演示其在诗歌创作、代码生成等场景中的应用。

在上一篇文章中，我们学习了如何使用 Spring AI 集成 OpenAI 的 Embedding API 实现文本向量化，并探讨了其在语义搜索、RAG 系统等场景中的应用。本文将继续深入 Spring AI 的能力栈，聚焦于**系统提示词（System Prompt）的设计与实现**。

本篇文章作为《Spring AI 实战》专栏的第四篇，将带领大家深入探索 spring-ai-openai-embedding 示例项目。我们将详细解读如何借助 Spring AI 无缝集成 OpenAI 的 Embedding API，实现文本的高效向量化处理。不仅如此，我们还将深入剖析其在企业级应用中的多种典型用途，助力您在实际项目中挖掘文本数据的深层价值，开启智能应用的新篇章。