写了 10 年 Java，大部分 AI 教程都是 Python 的，Java 开发者想搞 AI 好像只能换语言。直到我找到了 Spring AI Alibaba——ChatClient 像 JdbcTemplate，Function Calling 像 Controller 路由，配置还是 application.yml。这个系列记录了我用 Spring Boot 技术栈从零学 AI Agent

Spring AI 完整 Agent 实战，串联 Function Calling（searchFlights + compareFlights）、Agentic RAG（searchKnowledge + VectorStore）、MessageChatMemoryAdvisor 对话记忆、SafeGuardAdvisor 输入护栏，通过 Advisor 链编排和 .toolNames() 按需

Spring AI 的 RAG 检索增强生成实战，从 Document ETL（TextReader + TokenTextSplitter + EmbeddingModel + VectorStore）到三种架构实现（RetrievalAugmentationAdvisor 的 Two-Step RAG、searchKnowledge Tool 的 Agentic RAG、查询改写+检索验证+回

Spring AI 的 ChatMemory 体系实现 LLM 多轮对话记忆——MessageWindowChatMemory 滑动窗口、TokenBudgetAdvisor Token 预算裁剪（利用 LLM 返回的真实 promptTokens 精确控制）、VectorStoreChatMemoryAdvisor 语义检索，支持 InMemory / JDBC（MySQL）/ Redis 三种

Spring AI 的 PromptTemplate（ST4 模板引擎）管理提示词，BeanOutputConverter + .entity() 实现结构化输出，将 LLM 返回的 JSON 自动映射为 Java 对象，含 Few-shot、ListOutputConverter、StructuredOutputValidationAdvisor 智能重试，附 7 个可运行接口。

LLM 只会"说话"不会"做事"——问它航班信息，它一本正经地编造数据。Function Calling 解决了这个问题：LLM 负责"点菜"（决定调哪个 Java方法、传什么参数），你的代码负责"端菜"（执行方法、返回真实数据）。本篇从 HTTP 裸调讲到 Spring AI 封装，用真实的 3 轮 HTTP日志拆解多工具协作全过程，最终实现一个带身份验证的机票查询/比价工具。附 ToolCon

从一个 curl 请求开始，翻源码拆解 Spring AI 的 HTTP → Message → ChatModel → ChatClient 四层抽象，搞懂参数合并、Advisor 栈弹出、SSE流式的内部机制。

Java 工程师搞 AI 不需要懂 Transformer。这篇记录了我用 Spring AI Alibaba 跑通第一个 AI 对话的过程：5个必须搞懂的核心概念（Token、Prompt、Temperature、Context Window、Function Calling），加上完整可运行的 Spring Boot 代码，同步对话和流式输出都有。

写了 10 年 Java，大部分 AI 教程都是 Python 的，Java 开发者想搞 AI 好像只能换语言。直到我找到了 Spring AI Alibaba——ChatClient 像 JdbcTemplate，Function Calling 像 Controller 路由，配置还是 application.yml。这个系列记录了我用 Spring Boot 技术栈从零学 AI Agent