登录社区云，与社区用户共同成长
邀请您加入社区
优势说明与 Spring Boot 深度集成遵循 Spring 开发者熟悉的配置和开发习惯模型切换零成本统一 API，改配置即可切换不同模型企业级特性完备支持事务、安全、监控等 Spring 生态能力模块化设计按需引入功能模块，避免依赖臃肿官方文档完善Spring 团队持续维护，1.0 GA 后稳定可靠MCP 原生支持1.1 起整合 Model Context Protocol，连接外部工具生态A
在渔业生产中，海产品晾晒是保障产品质量与存储的重要环节。然而，传统海产品晾晒方式多依赖人工经验判断环境条件，缺乏精准的环境监测与自动化控制手段，导致晾晒效果不稳定，易受天气突变影响，造成产品损失。为解决这些问题，结合物联网、传感器等技术的发展趋势，开展海产品晾晒控制系统的研究与设计工作。海产品晾晒控制系统；物联网；MQTT1.1 研究背景。
相较于网页端、命令行版本，桌面端提供可视化操作、内置终端编辑器、多会话并行隔离、本地项目无缝挂载能力，无需配置复杂环境，可完全替代多款 AI 工具，适配开发者、办公人员全场景使用。原生集成终端、代码编辑器、可视化 Diff 对比、应用预览能力，无需切换 IDE、终端、浏览器，可直接完成代码修改、命令执行、效果预览、PR 审查全流程操作。支持桌面一键截图上传，自动识别报错日志、页面 BUG、图表数据
本文介绍了Spring AI中MCP服务端注解的使用方法，主要包括：**@McpTool**：标记方法为工具，支持参数描述、JSON Schema生成、进度追踪和请求上下文访问。**@McpResource**：通过URI模板提供资源访问，支持MIME类型和元数据配置。**@McpPrompt**：生成AI交互提示消息，支持必选和可选参数。**@McpComplete**：为提示参数或资源URI提
本文介绍了Spring AI中MCP客户端注解的声明式用法，包括@McpLogging、@McpSampling、@McpElicitation、@McpProgress、@McpToolListChanged、@McpResourceListChanged和@McpPromptListChanged。所有注解必须通过clients参数关联特定MCP连接。处理器支持同步和异步实现，在Spring
本文详细阐述了全域智能营销决策平台（Uni-MDP）的技术选型过程，重点分析了Spring AI、OpenClaw、Hermes和Harness四个核心组件的选型逻辑。文章首先回顾了Uni-MDP六层三纵的总体架构及各层技术诉求，指出算法层与中台层的衔接是核心挑战。随后深入解析了Spring AI作为"AI能力的Spring化抽象"的定位价值，特别是其2025年模块化重构后的轻量化优势。最后展示了
本文记录了AlphaLens开发第三周的关键转折：从功能堆砌转向精准定位。作者主动砍掉行情、K线等传统股票功能，将产品重新定义为"快速理解上市公司的AI工具"，聚焦核心价值。主要进展包括：完成股票详情页MVP、接入DeepSeek模型、重点优化Prompt（摒弃AI套话，输出直白分析）。最大的认知转变是意识到"做减法比加法更难但更重要"，决定放弃做"
后端模块后端springBoot +springAi 链接: https://pan.baidu.com/s/1Woio0RVgxLSVvbulhA9rxA?pwd=1234 提取码: 1234。
Spring AI是Spring官方推出的AI开发框架，让Java开发者可以用熟悉的Spring Boot风格构建AI应用。2026年全面拥抱Agent工程后，Spring AI已成为Java开发者切入AI后端开发的最佳入口。本文系统介绍Spring AI的核心能力：统一模型抽象（OpenAI/通义千问/Claude等）、标准化API（ChatClient/EmbeddingModel）、Tool
这篇面向想用 AI 提升研发效率的开发者和技术负责人，但不会把“Codex 实战：团队协作中的使用边界”写成概念清单。我会按真实项目落地教程的思路，把它放到真实开发、学习路线和求职准备里看，顺便讲几个容易忽略的取舍。这次我会从“从一次真实项目复盘切入，重点写取舍和踩坑”展开，换一组场景和例子来讲。回到“Codex 实战：团队协作中的使用边界”这个主题，最重要的不是把名词背全，而是知道它该放在什么场
Claude Code 的三层compact机制，本质上是在回答一个朴素问题：长程 Agent 任务里，哪些历史必须留下，哪些只是在占地方？用模型摘要兜底，能力强，但贵且不稳定。用本地 notes 承接中等压力，避免过早进入高成本路径。最不起眼，却跑得最频繁：每次请求前都扫一遍旧工具结果，能用就走服务端缓存编辑，cache 已经过期就直接本地瘦身。这套设计最聪明的地方，不是“压缩得多”，而是把不同
果想用国内LLM或者其他中转的LLM，通常是兼容OpenAI的模式，但是OpenAI这里配置是写死的，无法自定义baseurl：如果想直接通过vLLM配置，默认无法指定api key：看来默认就无法使用其他LLM了？已跟PM反馈过此问题，回复后续版本会考虑支持这个OpenAI兼容的LLM配置。但是目前有没有workaround呢？实际测试，通过Nginx配置结合vLLM的入口，可以实现连通国内LL
在 Codex CLI 里切模型，不想每次改配置文件。项目从发布到现在迭代了 16 个提交，该修的 bug 都修了，该补的功能也补了。如果你也是 Codex CLI 的用户，花 5 分钟。
Agent 跑工具调用经常一轮接一轮，要是只把最终回答推给前端，用户那边就是十几秒甚至几十秒的空白，体验很差，出问题也没法排查。我们的做法是把整个工具调用循环里发生的事情都拆成事件吐到 SSE 流里——token 在出、思考在写、工具被调了、工具返回了什么，前端按事件类型渲染就行。记忆解决了"它记得"，但 Agent 还差一块——"它能在你不在的时候干活"。JobRunr 要把这条 lambda
在本项目教程中，我们曾经提到过部署 MCP 服务可以使用 Serverless。使用 Serverless 平台，开发者只需关注业务代码的编写，无需管理服务器等基础设施，系统会根据实际使用量自动扩容并按使用付费，从而显著降低运维成本和开发复杂度。因此，Serverless 很适合业务规模不确定的、流量波动大的场景，也很适合我们学习时快速部署一些小型项目，不用买服务器、不用的时候
MCP（Model Context Protocol，模型上下文协议）是一种开放标准，目的是增强 AI 与外部系统的交互能力。MCP 为 AI 提供了与外部工具、资源和服务交互的标准化方式，让 AI 能够访问最新数据、执行复杂操作，并与现有系统集成。根据官方定义，MCP 是一种开放协议，它标准化了应用程序如何向大模型提供上下文的方式。可以将 MCP 想象成 AI 应用的 USB 接口。
Spring AI API提供跨AI提供商的可移植模型接口，支持聊天、图像生成、音频转录、语音合成和嵌入等功能，兼顾同步与流式调用。其核心组件包括统一向量存储API、通过注解简化模型工具调用的Tool Calling API、类似WebClient的ChatClient流畅API，以及封装常见AI模式的Advisors API。此外，还提供MCP协议集成、Spring Boot自动配置和ETL数据
Spring AI MCP无状态服务端基于Streamable-HTTP，不维护会话状态，适合云原生部署。需设置`protocol=STATELESS`，支持WebMVC和WebFlux两种传输方式。它可自动将Spring Bean中的工具、资源、提示和补全能力注册为同步或异步MCP规范，并支持通过注解简化开发。关键配置包括服务端名称、版本、超时时间及自定义端点，工具回调支持按名称自动去重。
本文介绍了Spring AI对MCP（模型上下文协议）可流式HTTP传输的支持。该传输允许MCP服务器通过HTTP POST/GET和SSE处理多客户端连接，支持WebMVC和WebFlux两种实现。核心配置包括设置协议为STREAMABLE、定义服务器名称版本、启用禁用工具/资源/提示/补全四大能力，以及管理连接保活。服务器启动器自动将Spring Bean（如工具回调、资源、提示等）转换为MC
Spring AI 提供 MCP 服务器启动器，支持 STDIO、SSE WebMVC 和 SSE WebFlux 三种传输方式。服务器可暴露工具、资源、提示和补全能力，支持同步/异步模式，并具备日志、进度、保活等机制。通过注解或 Bean 注册自动转换功能，配置灵活，适用于命令行、桌面或 Web 应用。
大模型推理服务的部署是一个系统工程，涉及 GPU 资源管理、请求调度、弹性伸缩、模型预热等多个环节。核心目标是在有限的 GPU 资源下，最大化推理吞吐量，同时满足延迟 SLA。落地路线建议：第一步，选择合适的推理引擎（vLLM 或 TensorRT-LLM），在单机环境验证模型的推理性能和内存占用。第二步，构建推理网关，实现请求路由、限流和流式响应，这是推理服务对外提供 API 的基础。第三步，部
一个 Agent 应用从原型走向生产的过程中，调试能力和运行效率是两个最容易被低估却最终决定成败的因素。在开发阶段，单步执行和 print 语句或许能帮助我们定位问题，但当一个 Agent 同时服务于数百个用户、每一步推理都涉及多次模型调用和工具执行时，传统的调试手段就会迅速失效，你无法在服务器上打断点，也不可能逐行阅读成千上万条日志。
更重要的是，它不仅提供了 LLM 调用层，还构建了一套完整的 Agent 体系、RAG 管道、多 Agent 协作协议和智能体运行时引擎。Spring AI 目前支持 20+ 模型供应商，包括 OpenAI、Azure OpenAI、Anthropic、Google GenAI、Amazon Bedrock、Ollama、DeepSeek、Mistral AI、Groq 等，覆盖面目前是 Java
400 万个 tokens。Claude Sonnet 4.6，$3 输入 / $15 输出，保守估算下来将近 $26。不是说它贵，是突然意识到：这只是一周的编码量。如果是个认真用 AI 工具的工程师，每个月的消费可能超过一台云服务器。然后 2026 年 4 月 24 日，DeepSeek 发布了 V4，并在三天后（今天，4 月 27 日）宣布 V4-Pro 限时降价 75%。我把 Claude
中任何历史内容发生变化，前缀就不再相同，缓存命中会失效，input token 的 90% 折扣也就没了。Claude Code 一边清理历史，一边又保住缓存命中，这背后靠的不是普通的本地裁剪，而是 。工具结果不是每轮临时扫完就忘，而是会被记录进一个按时间推进的集合里，避免重复处理，也方便按年龄淘汰。对工具设计者来说，这里其实有个暗示：如果希望自己的工具适合长程 Agent 任务，输出要么小，要
这篇面向想用 AI 提升研发效率的开发者和技术负责人，但不会把“Codex 实战：从问题定位到方案成型”写成概念清单。我会按真实项目落地教程的思路，把它放到真实开发、学习路线和求职准备里看，顺便讲几个容易忽略的取舍。这次我会从“从团队落地角度切入，重点写协作、日志和可维护性”展开，换一组场景和例子来讲。回到“Codex 实战：从问题定位到方案成型”这个主题，最重要的不是把名词背全，而是知道它该放在
摘要： MiniBatis 是 MiniSpring 框架中实现 SQL 配置化的组件，模仿 MyBatis 的核心思想，将 SQL 语句从 Java 代码剥离到 XML 文件中管理。通过解析 Mapper XML（如 UserMapper.xml），将 SQL 以 namespace.id 形式存储，运行时通过 SqlSession 根据 SQL ID 执行查询。示例中，UserService
自从 ChatGPT 爆火以来，AI 应用开发成为了热门方向。但对于 Java 开发者来说，对接各种 AI 模型 API 往往需要处理复杂的 HTTP 请求、响应解析、流式传输等细节。Spring AI 的出现改变了这一切—— 它提供了统一的 API 抽象，让开发者可以像使用 Spring Data JPA 一样简单地进行 AI 应用开发。本文将基于 Spring Boot 3.5.0 + Spr
这套也是直接跑在生产上的。生态这一年长得很快——Anthropic、OpenAI、DeepSeek、Google、Ollama、各家国产兼容端点基本都有 starter，MCP、向量库、observability 也都接上了，社区还有 spring-ai-community 那一摞 utils 可以挑着用。一次性、定时、cron 周期，这些都不是会话内能搞定的，得有个真正的调度器。JobRunr
spring
——spring
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
MCP技术社区
AI硬件创业社区
DeepSeek技术社区
龙虾开发者社区
智能体开发者社区
AI编程社区
AMD开发者中国社区
