摘要：Spring AI 是知名 Java 开发框架 Spring 官方维护的 AI 开发框架，能够让你用更少的代码、更快开发各种 AI 应用。而 Spring AI Alibaba 在 Spring AI 的基础上进行扩展，深度集成阿里自家的大模型平台和各种技术组
随着 Spring AI 首个正式版本 1.0 的发布，国产之光 Spring AI Alibaba 也发布了 1.0 GA 正式版本，更新速度真的很快！
我对框架的更新真的是又爱又恨，爱的是功能更丰富更好用，恨的是又要学习新东西了、老项目又要更新了。
不过下面通过我的分享，相信能帮大家节约很多时间，快速了解：
什么是 Spring AI Alibaba？新版本有哪些大更新？如何将项目升级到新版本？该踩的坑都帮大家踩完了，坚持看完这期内容，你一定会有所收获。
Spring AI 是知名 Java 开发框架 Spring 官方维护的 AI 开发框架，能够让你用更少的代码、更快开发各种 AI 应用。而 Spring AI Alibaba 在 Spring AI 的基础上进行扩展，深度集成阿里自家的大模型平台和各种技术组件，并且额外支持工作流、多智能体应用的快速开发。
因为它是兼容 Spring AI 的，而且功能更丰富、更新更及时、文档更清晰，更适合国人体质，所以我会更建议大家选择它来开发 AI 应用。
官方也是很贴心，基于 Spring AI Alibaba 提供了一个现成的 智能体调试广场，而且代码开源，这不就是一个现成的、可以学习 AI 开发的项目么？
直接复制官方提供的 Docker 命令就可以把项目跑起来了：
然后就可以在本地体验聊天机器人、多轮对话、图片生成、工具调用、RAG 知识库、MCP 集成等框架的核心能力。
这是本次更新的重头戏。基于 Spring AI Alibaba Graph，开发者可以快速构建复杂的工作流和多智能体应用，完全无需关心底层的流程编排、上下文记忆管理等复杂实现细节。
举个小例子，比如我们现在想做一个 “自媒体自动发文工具”，可以利用一些可视化 AI 智能体开发平台快速创建工作流：
有时别人的平台可能无法满足我们定制化的开发需求，这时就可以使用 Graph 多智能体框架，利用预置的节点快速定义出一套工作流。上图对应的工作流代码如下：
// 创建工作流StateGraph stateGraph = new StateGraph("内容生成工作流", stateFactory) // 添加工作流节点 .addnode("start", node_async(new StartNode)) // 初始化工作流 .addNode("topic_generation", node_async(new TopicGenerationNode)) // 根据输入生成文案 .addNode("content_collection", node_async(new ContentCollectionNode)) // 从网络收集相关素材 .addNode("content_integration", node_async(new ContentIntegrationNode)) // 组合文案和素材 .addNode("api_publish", node_async(new ApiPublishNode)) // 调用接口发布文章 .addNode("result_output", node_async(new ResultOutputNode)) // 输出最终结果 // 定义节点间的执行顺序 .addEdge(START, "start") // 工作流启动 → 开始节点 .addEdge("start", "topic_generation") // 开始节点 → 主题生成 .addEdge("topic_generation", "content_collection") // 主题生成 → 素材收集 .addEdge("content_collection", "content_integration") // 素材收集 → 内容整合 .addEdge("content_integration", "api_publish") // 内容整合 → API 发布 .addEdge("api_publish", "result_output") // API 发布 → 结果输出 .addEdge("result_output", END); // 结果输出 → 工作流结束虽然给出的例子并不复杂，但智能体工作流的水还是很深的，涉及到智能体协作、任务分解、路由策略、状态管理等等。后面我会在 编程导航 的项目和个人账号中分享更多这方面的实战和技术解析。
Spring AI Alibaba 1.0 继续放大自身的优势，将传统后端开发与新兴的 AI 开发进行了融合，通过集成更多技术组件和云服务，帮助传统业务更快地接入 AI、加速 AI 应用的落地。
Nacos 是主流的服务注册中心，是微服务架构的实现关键，用于帮助某个服务发现其他服务，从而进行调用。如果 AI 项目需要使用很多 MCP 服务，我们就可以把各种 MCP 服务的信息注册到 Nacos 上；AI 项目需要使用 MCP 时，就可以到 Nacos 上获取到 MCP 服务的信息了。这样就实现了对 MCP 服务的集中管理和动态更新，更加规范化。
官方文档：https://java2ai.com/docs/1.0.0.2/tutorials/basics/spring-ai-alibaba-mcp-nacos-introduce
传统的 AI 应用开发中，Prompt 往往是硬编码在代码里的，这就带来了一个问题：每次想要调整 Prompt，都需要重新发布代码，非常不灵活。而 Spring AI Alibaba 通过集成 Nacos，解决了这个痛点。
开发者可以将 Prompt 模板存储在 Nacos 配置中心，AI 应用启动时会自动从 Nacos 拉取最新的 Prompt 配置。而且当我们在 Nacos 中修改 Prompt 后，应用可以实时感知到变化并自动更新，无需重启服务，让 Prompt 的迭代优化变得更灵活。
参考文档：https://java2ai.com/docs/1.0.0.2/practices/dynamic-prompt/dynamic-prompt
虽然这是之前就有的能力，但我觉得还是值得介绍一下。与阿里云百炼平台无缝对接，一键接入通义千问等阿里系大模型；还能直接对接云知识库平台，企业只需要利用可视化界面上传切分文档、制作知识库，然后几行代码就能让 AI 利用知识库回答问题。
Spring AI 本身提供了 可观测性 能力，可以在项目运行时获取到 AI 的调用情况，比如调用次数、响应时间、Token 消耗等关键指标。这些指标数据可以轻松接入阿里云的应用实时监控服务 ARMS、Zipkin 等监控工具，开发者可以实时监控 AI 模型，快速定位和解决性能瓶颈。
最近 Spring AI Alibaba 连续发布了几个新项目，包括：
1）JManus 通用智能体平台：可以说是 Java 版本的 OpenManus 通用智能体平台，用户可以通过自然语言描述需求，让 AI 自动规划并执行规划，直到完成任务。
2）NL2SQL 智能体框架：专为 Java 开发者设计的自然语言转 SQL 工具，用户只需用中文描述查询数据库的需求，AI 就能自动生成对应的 SQL 语句，让数据分析变得更简单。
3）DeepResearch 深度调研智能体：基于多智能体架构的调研工具，整合了网络搜索、网页爬取、数据分析等功能，可以自动完成复杂调研报告的撰写工作。
虽然这些并不是框架本身的功能更新，但是很好地展示了 Spring AI Alibaba 在不同场景的应用效果。如果你要开发类似的项目，可以直接参考官方提供的这些案例。
4、细节优化此外，Spring AI Alibaba 1.0 还优化了一些功能和细节，比如我发现 会话记忆能力 支持了 jdbc、redis、elasticsearch 等多种存储插件，让 AI 对话能够持久化保存。
更多的内容大家可以自己阅读官方文档探索。
在以前，我们使用 Spring AI 只能开发一些简单的对话型 AI 应用，功能相对单一。而现在，借助 Spring AI Alibaba 1.0 的 Graph 能力和生态集成，我们可以更快速地开发出复杂的智能体应用。
当然，Spring AI Alibaba 并不是唯一的 AI 应用开发框架，像 LangChain4j、LangGraph，以及 Spring 之父最新推出的 embabel-agent 都是不错的选择。
在框架选择上，我比较看重的因素是 生态。可以思考一下，你的项目是否需要和其他服务进行深度集成？
就拿我们团队来说，目前也在用 Spring AI Alibaba 框架，主要是因为我们使用了不少阿里开源的技术中间件和云服务，使用 Spring AI Alibaba 的开发成本更低。毕竟有技术大厂背书，我还是很看好它的发展，但有一说一，现在文档更新的速度有点跟不上框架更新的速度了，智能体框架的学习成本还是有点高的。
官方也提供了 主流 Java AI 框架的选型对比，供大家参考：
接下来进入实战环节，我会用自己之前开源的 AI 超级智能体项目 来详细演示如何将老版本的 Spring AI Alibaba 项目升级到 1.0 版本。大家一定要认真看，因为有些变动连官方文档都没有明确指出，是我在升级过程中踩坑摸索出来的宝贵经验。
项目指路：https://github.com/liyupi/yu-ai-agent
友情提醒：这个项目涉及到向量数据库、MCP 服务、API Key 等外部依赖，直接下载项目是跑不起来的，这是正常现象。必须要按照项目说明补充相应的配置，所有需要配置的地方我都已经详细标注出来了。
建议大家先新建一个本地配置文件，然后让我们开始将 Spring AI Alibaba 从 1.0.0-M6.1 版本升级到 1.0.0.2 版本。
com.alibaba.cloud.aispring-ai-alibaba-bom1.0.0.2importspring-ai-alibaba-starter-dashscope2）更新 Spring AI 相关依赖
参考 官方文档 进行升级，首先引入仓库配置，确保能够正确拉取到 Spring AI 相关的依赖：
spring-snapshotsSpring SnapshotsCentral Portal Snapshotscentral-portal-snapshotsfalsetrue在这个过程中，你可以通过 Maven 仓库 来查看最新版本信息：
然后添加依赖管理配置，注意版本号不用添加 SNAPSHOT 后缀，就 1.0.0 版本：
org.springframework.aispring-ai-bom1.0.0pomimport具体要修改的依赖项如下，修改前的依赖配置：
org.springframework.aispring-ai-ollama-spring-boot-starter1.0.0-M6spring-ai-markdown-document-reader1.0.0-M6spring-ai-pgvector-store1.0.0-M6spring-ai-mcp-client-spring-boot-starter1.0.0-M6修改后的依赖配置，鱼皮是依次参考官方文档进行确认和更新的：
Ollama：https://docs.spring.io/spring-ai/reference/api/chat/ollama-chat.htmlMarkdown Document Reader：https://docs.spring.io/spring-ai/reference/api/etl-pipeline.html#_markdownPGvector：https://docs.spring.io/spring-ai/reference/api/vectordbs/pgvector.html#_manual_configurationMCP：https://docs.spring.io/spring-ai/reference/api/mcp/mcp-client-boot-starter-docs.htmlorg.springframework.aispring-ai-starter-model-ollamaspring-ai-markdown-document-readerspring-ai-pgvector-storespring-ai-starter-mcp-client3）更新完依赖后，建议安装 Maven Helper 插件来检测依赖冲突：
检查结果显示没有 Spring AI 相关冲突，说明依赖配置正确：
这是一个 破坏性变更，很多 advisor 相关的接口和方法都更新了，但坑爹的是官方文档并未明确说明这个变更！
遇到这种情况，我们可以参考源码（比如 SimpleLoggerAdvisor）的实现方式对之前开发的 advisor 进行修改。
1）修改后的 MyLoggerAdvisor 自定义日志拦截器代码：
@Slf4jpublic class MyLoggerAdvisor implements CallAdvisor, StreamAdvisor {@Overridepublic String getName {return this.getClass.getSimpleName;}@Overridepublic int getOrder {return 0;}private ChatClientRequest before(ChatClientRequest request) {log.info("AI Request: {}", request.prompt);return request;}private void observeAfter(ChatClientResponse chatClientResponse) {log.info("AI Response: {}", chatClientResponse.chatResponse.getResult.getOutput.getText);}@Overridepublic ChatClientResponse adviseCall(ChatClientRequest chatClientRequest, CallAdvisorChain chain) {chatClientRequest = before(chatClientRequest);ChatClientResponse chatClientResponse = chain.nextCall(chatClientRequest);observeAfter(chatClientResponse);return chatClientResponse;}@Overridepublic FluxadviseStream(ChatClientRequest chatClientRequest, StreamAdvisorChain chain) {chatClientRequest = before(chatClientRequest);FluxchatClientResponseFlux = chain.nextStream(chatClientRequest);return (new ChatClientMessageAggregator).aggregateChatClientResponse(chatClientResponseFlux, this::observeAfter);}}2）同样需要修复 ReReadingAdvisor，需要重新编写修改用户提示词的代码：
/*** 自定义 Re2 Advisor* 可提高大型语言模型的推理能力*/public class ReReadingAdvisor implements CallAdvisor, StreamAdvisor { /** * 执行请求前，改写 Prompt * * @param chatClientRequest * @return */ private ChatClientRequest before(ChatClientRequest chatClientRequest) { String userText = chatClientRequest.prompt.getUserMessage.getText; // 添加上下文参数 chatClientRequest.context.put("re2_input_query", userText); // 修改用户提示词 String newUserText = """ %s Read the question again: %s """.formatted(userText, userText); Prompt newPrompt = chatClientRequest.prompt.augmentUserMessage(newUserText); return new ChatClientRequest(newPrompt, chatClientRequest.context); } @Override public ChatClientResponse adviseCall(ChatClientRequest chatClientRequest, CallAdvisorChain chain) { return chain.nextCall(this.before(chatClientRequest)); } @Override public FluxadviseStream(ChatClientRequest chatClientRequest, StreamAdvisorChain chain) { return chain.nextStream(this.before(chatClientRequest)); } @Override public int getOrder { return 0; } @Override public String getName { return this.getClass.getSimpleName; }}1）ToolRegistration 工具注册类的包名发生了变更，需要修改：
// 原来：import org.springframework.ai.tool.ToolCallbacks;// 改为：import org.springframework.ai.support.ToolCallbacks;2）LoveApp 中的工具调用方法需要修改：
// 修改为：.toolCallbacks(toolCallbackProvider)3）ToolCallAgent 的配置也需要修改，这是为了禁用 Spring AI 内置的工具调用机制，自己处理工具调用的流程和消息上下文：
public ToolCallAgent(ToolCallback availableTools) { super; this.availableTools = availableTools; this.toolCallingManager = ToolCallingManager.builder.build; // 禁用 Spring AI 内置的工具调用机制，自己维护选项和消息上下文 this.chatOptions = DashScopeChatOptions.builder .withInternalToolExecutionEnabled(false) .build;}1）PgVector 配置修改
由于我们原本就是手动引入 PgVector，没有使用 Spring Boot 的自动配置包，所以只需要移除项目启动类的自动配置即可：
代码如下：
@SpringBootApplication(exclude = { // 为了便于大家开发调试和部署，取消数据库自动配置 // 需要使用 PgVector 时把 DataSourceAutoConfiguration.class 删除 DataSourceAutoConfiguration.class})public class YuAiAgentApplication { public static void main(String args) { SpringApplication.run(YuAiAgentApplication.class, args); }}2）RAG 相关类包名修复
自定义 RAG 知识库相关的 LoveAppRagCloudAdvisorConfig 和 LoveAppRagCustomAdvisorFactory 类，包名发生了变更：
// 原来：import org.springframework.ai.chat.client.advisor.RetrievalAugmentationAdvisor;// 改为：import org.springframework.ai.rag.advisor.RetrievalAugmentationAdvisor;3）DashScopeApi 构建方式修改，之前是 new，改为 builder 模式：
DashScopeApi dashScopeApi = DashScopeApi.builder .apiKey(dashScopeApiKey) .build;4）如果在 LoveApp 中想使用 QuestionAnswerAdvisor，需要引入新的依赖，因为包名发生了变更：
spring-ai-advisors-vector-store对话记忆的写法变更还挺大的，参考 官方文档。
1）修改 LoveApp 类中对话记忆的设置方式，新版本将算法和存储进行了分离，支持了更多的存储方式：
// 初始化基于内存的对话记忆MessageWindowChatMemory chatMemory = MessageWindowChatMemory.builder .chatMemoryRepository(new InMemoryChatMemoryRepository) .maxMessages(20) .build;2）修改对话记忆 Advisor 的创建方式，感觉 Spring AI 要统一用建造者模式创建对象了：
chatClient = ChatClient.builder(dashscopeChatModel) .defaultSystem(SYSTEM_PROMPT) .defaultAdvisors( MessageChatMemoryAdvisor.builder(chatMemory).build, )3）会话 ID 键名修改：
.advisors(spec -> spec.param(ChatMemory.CONVERSATION_ID, chatId))4）修改基于文件持久化的会话记忆 FileBasedChatMemory 类，调整 get 方法，因为 ChatMemory 接口的 get 方法参数发生了变更：
@Overridepublic Listget(String conversationId) { return getOrCreateConversation(conversationId);}还有个小细节，要修改 MyKeywordEnricher 类，因为关键词元信息增强器的包名发生了变更：
// 原来：import org.springframework.ai.transformer.KeywordMetadataEnricher;// 改为：import org.springframework.ai.model.transformer.KeywordMetadataEnricher;以上就是 Spring AI Alibaba 框架的升级过程，涉及的修改点还是比较多的、而且还要对所有功能进行测试，很耗时间，这就是为什么在企业中 “项目能运行，就不要动它”。
所有的代码修改我都已经开源到 GitHub 上了，每一次的提交记录都非常清晰，方便大家对照学习。如果有遗漏的地方，也欢迎大家评论区指出，我会继续补充和完善。
不得不感叹技术的更新真的是太太太太快了，但也正是这种快速迭代让我们能够享受到越来越强大的 AI 开发能力。很快我会再带大家用更新的技术做一套全新的 AI 全栈项目，点个关注，敬请期待吧~
来源：程序员鱼皮