我喜欢 Spring AI。这是一个出色的项目，旨在将 AI 工程的模式和实践带给 Spring Boot 开发人员。它具有干净的、符合语言习惯的抽象，让任何 Spring 开发人员都感到宾至如归，并且它与各种不同的向量存储、嵌入模型、转录模型、图像模式和聊天模型进行了大量集成。

新版本 m4 基于 Spring Boot 3.4 构建，并添加了大量新功能。 和往常一样，我无法查看所有新功能，但发行说明做得非常出色。

• 新增了 Amazon Bedrock Convertse 支持
• 已经完成了大量工作，以支持 Java 和 Kotlin 中更具表现力的函数调用
• 首次支持 AI 社区中围绕“高级和模块化 RAG”形成的理念。 当然，RAG 是检索增强生成，指的是使用来自系统或服务的数据来告知聊天模型生成的响应。 这些想法在 这篇论文 和 这篇论文 中阐述，并且构建块正在这个新版本中生根发芽。 精彩！
• 对各种向量存储集成和聊天模型进行了全面更新
• 文档中甚至提供了一个 全面的聊天模型比较页面
• 向量存储和嵌入改进，包括对 Azure 和 Milvus 等向量存储的增强

函数回调支持的不断发展让我着迷。 Spring AI 旨在使您的 AI 模型与您的数据和业务逻辑轻松连接。 请记住：这里的关键是集成。 大多数人不会构建他们的模型。 他们会将现有模型集成到他们的业务逻辑和服务中。 所有这些东西都存在于哪里？ 当然是在 Spring 中。 Spring AI 是天作之合！ 并且它变得越来越容易。 在此版本中，新增了描述然后让模型在认为需要时调用函数的支持。

这是一个简单的示例，演示了 FunctionCallback 和 Spring AI ChatClient 的定义，ChatClient 是您与 Sprign AI ChatModel 进行所有交互的首选端口。

package com.example.bootiful_34.ai;

import org.springframework.ai.chat.client.ChatClient;
import org.springframework.ai.model.function.FunctionCallback;
import org.springframework.context.annotation.Bean;
import org.springframework.context.annotation.Configuration;

@Configuration
class AiConfiguration {

	@Bean
	ChatClient chatClient(ChatClient.Builder builder, FunctionCallback weatherFunctionCallback) {
		return builder.defaultFunctions(weatherFunctionCallback).build();
	}

	@Bean
	FunctionCallback weatherFunctionCallback() {
		return FunctionCallback.builder()
			.description("returns the weather for a given city")
			.function("getCurrentWeatherForACity",
					(WeatherRequest wr) -> new WeatherResponse(wr.city(),
							wr.city().equalsIgnoreCase("san francisco") ? 68.0f : 72.0f))
			.inputType(WeatherRequest.class)
			.build();
	}

}

record WeatherRequest(String city) {
}

record WeatherResponse(String city, float temperature) {
}

这是一个非常简单的示例：给定一个指定城市的 WeatherRequest，我们编造并返回一些温度。 在这种情况下，我为旧金山设置了一个硬编码的案例。

我们将所有这些应用于测试中，因为我们知道该模型不会知道给定城市中的当前天气，因此我们将不得不求助于我们提供的函数。 它知道该函数的性质，因为我们在配置 FunctionCallback 时给出了描述。 它知道 city 参数是 String，并且旧金山是一个城市，因此它将字符串 San Francisco` 传递给我们的函数，允许我们提供预期的响应。 我们通过测试验证了这一点，断言响应是硬编码的幻数。

package com.example.bootiful_34.ai;

import org.junit.jupiter.api.Assertions;
import org.junit.jupiter.api.Test;
import org.springframework.ai.chat.client.ChatClient;
import org.springframework.beans.factory.annotation.Autowired;
import org.springframework.boot.test.context.SpringBootTest;

@SpringBootTest
class AiConfigurationTest {

	@Test
	void functionCallbacks(@Autowired ChatClient cc) {
		var weatherInSf = cc.prompt("give me the weather for the city of san francisco").call().content();
		Assertions.assertNotNull(weatherInSf);
		Assertions.assertTrue(weatherInSf.contains("68"));
	}

}

就这样，我们赋予了我们的 AI 模型询问关于我们的系统和服务的问题，并支持更智能的工作流程的能力。 简单！