Spring AI教程（三）：如何使用Spring AI进行实际项目开发

在前两篇文章中，我们介绍了Spring AI的基本概念和核心功能。这篇文章将重点介绍如何在实际项目中使用Spring AI，并提供详细的代码示例，帮助你快速上手。

准备工作

在开始之前，请确保你已经设置好了Spring Boot项目，并添加了Spring AI相关的依赖。你可以在<code>pom.xml文件中添加以下依赖：

<dependency>

<groupId>com.example</groupId>

<artifactId>spring-ai</artifactId>

<version>1.0.0</version>

</dependency>

配置Spring AI

首先，我们需要配置Spring AI，以便连接到我们选择的AI模型提供商和向量数据库。在application.properties文件中添加以下配置：

spring.ai.provider=openai

spring.ai.api-key=YOUR_OPENAI_API_KEY

spring.ai.vector-database.provider=redis

spring.ai.vector-database.url=redis://localhost:6379

创建AI服务

接下来，我们将创建一个服务类，用于与AI模型进行交互。以下是一个简单的聊天服务示例：

import org.springframework.stereotype.Service;

import com.example.springai.OpenAiChatService;

@Service

public class ChatService { -- -->

private final OpenAiChatService openAiChatService;

public ChatService(OpenAiChatService openAiChatService) {

this.openAiChatService = openAiChatService;

}

public String chat(String prompt) {

return openAiChatService.chat(prompt);

}

}

创建控制器

我们还需要创建一个控制器，用于处理HTTP请求并调用我们的服务。以下是一个简单的控制器示例：

import org.springframework.web.bind.annotation.GetMapping;

import org.springframework.web.bind.annotation.RequestParam;

import org.springframework.web.bind.annotation.RestController;

@RestController

public class ChatController {

private final ChatService chatService;

public ChatController(ChatService chatService) {

this.chatService = chatService;

}

@GetMapping("/chat")

public String chat(@RequestParam String prompt) {

return chatService.chat(prompt);

}

}

使用向量数据库

除了与AI模型交互，Spring AI还支持向量数据库，用于存储和检索向量数据。以下是一个使用Redis向量数据库的示例：

import org.springframework.stereotype.Service;

import com.example.springai.VectorDatabaseService;

import java.util.List;

@Service

public class VectorService {

private final VectorDatabaseService vectorDatabaseService;

public VectorService(VectorDatabaseService vectorDatabaseService) {

this.vectorDatabaseService = vectorDatabaseService;

}

public void saveVector(String id, List<Float> vector) {

vectorDatabaseService.saveVector(id, vector);

}

public List<Float> getVector(String id) {

return vectorDatabaseService.getVector(id);

}

}

创建向量控制器

我们还需要一个控制器来处理向量数据的存储和检索：

import org.springframework.web.bind.annotation.*;

import java.util.List;

@RestController

public class VectorController {

private final VectorService vectorService;

public VectorController(VectorService vectorService) {

this.vectorService = vectorService;

}

@PostMapping("/vector")

public void saveVector(@RequestParam String id, @RequestBody List<Float> vector) {

vectorService.saveVector(id, vector);

}

@GetMapping("/vector")

public List<Float> getVector(@RequestParam String id) {

return vectorService.getVector(id);

}

}

完整示例

以下是一个完整的Spring Boot应用程序示例，展示了如何使用Spring AI进行实际项目开发：

import org.springframework.boot.SpringApplication;

import org.springframework.boot.autoconfigure.SpringBootApplication;

@SpringBootApplication

public class SpringAiApplication {

public static void main(String[] args) {

SpringApplication.run(SpringAiApplication.class, args);

}

}

结论

通过上述示例，我们展示了如何在实际项目中使用Spring AI，包括配置AI模型提供商和向量数据库、创建服务和控制器等。希望这些示例能帮助你快速上手Spring AI，并在你的项目中实现强大的AI功能。

下一篇文章中，我们将探讨更多高级功能和使用技巧，帮助你进一步优化和扩展你的AI应用。