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。

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

`MemorySaver` 换个 `threadId` 状态归零，`MemoryStore` 重启丢失，`SimpleVectorStore` 重启知识库为空——这三层都在 JVM 堆里，是 Agent 上生产前必须解决的三个定时炸弹。本文从「服务重启导致订单消失」的真实事故场景出发，系统讲解四个工业级持久化方案：① `RedisCheckpointSaver` 替代 `MemorySaver`，

VIP 用户和免费用户拿到同样的回答，是因为系统提示写死了、LLM 根本不知道谁在问。Token 费用失控，是因为没有管理上下文窗口里"进了什么、什么时候清"。本文从工程角度系统拆解 Context Engineering：上下文四个数据层（静态 / 会话历史 / 检索 / 动态注入）、两条注入路径（ToolContext 影响工具行为 vs messages 注入影响 LLM 推理）、三种注入技

VIP 用户和免费用户拿到同样的回答，是因为系统提示写死了、LLM 根本不知道谁在问。Token 费用失控，是因为没有管理上下文窗口里"进了什么、什么时候清"。本文从工程角度系统拆解 Context Engineering：上下文四个数据层（静态 / 会话历史 / 检索 / 动态注入）、两条注入路径（ToolContext 影响工具行为 vs messages 注入影响 LLM 推理）、三种注入技

一次真实的 Agent 失控场景引入：18 次工具调用、账单暴涨、全程零可观测。本文从工程判断的角度系统拆解 ReactAgent 运行时控制面的三个层次：OverAllState 的 AppendStrategy vs ReplaceStrategy 决定了数据如何存活；Hook 以图节点形式插入执行流，能读写 State、能控制执行路径；Interceptor 只在单次调用层面工作，不接触 S

ChatClient 到 ReactAgent，本文解析 Spring AI Alibaba Agent 模式全景（Router / Workflow / ReAct / CodeAct），深入initGraph()、AgentLlmNode.apply()、OverAllState 源码，带你搞清楚 ReAct 多步推理在框架层是怎么实现的。

Spring AI Alibaba 通过 `DashScopeChatModel`、`OpenAiChatModel`、`OllamaChatModel` 接入 DashScope、DeepSeek 与 Ollama，再结合 `ChatModel`、`ModelRegistry`、`SmartModelRouter`、`ResilientChatModel` 与 `Circuit Breaker`

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