Spring AI Alibaba 文本分类项目摘要 本项目演示了如何通过Spring AI Alibaba调用DashScope大模型实现文本分类功能。系统采用分层架构设计，包含客户端、控制器层、ChatClient抽象层和DashScope模型服务。核心功能包括基础Prompt分类、描述性Prompt分类、Few-shot学习分类以及结构化输出分类四种策略。 项目亮点在于逐步展示了Prompt

本文介绍了一个基于Spring Boot和AI模型的Text-to-SQL应用，能够将自然语言问题转换为SQL查询并返回结果。系统采用分层架构，通过SQLController协调流程，包括加载数据库结构、调用AI模型生成SQL、验证安全性、执行查询等步骤。关键技术包括Spring AI集成、Prompt工程优化以及H2内存数据库的使用。文章详细解析了系统架构、核心组件职责以及提示模板设计原理，重点

本文介绍了一个多模型并行对话系统的设计与实现。系统采用Spring Boot后端和Next.js前端架构，支持同时向本地Ollama和云端DashScope模型发起请求，并通过SSE实现流式响应。文章详细分析了项目结构、技术栈和核心功能，包括多模型并行回答、流式响应显示和对话记忆管理。同时指出了当前实现中的关键问题，如对话记忆丢失、VectorStore误用和前端请求去重不足等，并提供了相应的优化

这不是一个简单的聊天机器人项目，而是一个。从普通的对话、带记忆的角色扮演，到能查课程、预约的智能客服，再到能读懂 PDF 的文档问答，甚至还有爬取并分析政府采购数据的图数据库应用……我会带着你，先理解它为什么这样设计，再一步步把它跑起来。

本文介绍了一种基于Spring AI Alibaba构建的数据分类分级智能体解决方案。该系统通过大模型（通义千问）结合RAG（检索增强生成）和对话记忆技术，自动完成数据字段的分类与敏感度分级。用户只需输入字段名（如"身份证号"），系统即可返回分类路径、敏感等级（1-4级）及判断理由，支持多轮上下文对话。文章详细解析了系统架构，包括知识库向量化存储、对话记忆管理以及Advisor

本文介绍了如何利用Spring AI的ObservationHandler实现AI调用全流程的可观测性拦截。文章首先解释了ObservationHandler的作用，它能在AI调用前后插入自定义逻辑，如日志记录、数据脱敏、性能监控等。通过清晰的流程图展示了调用过程中onStart和onStop的拦截时机，并提供了优化的项目结构和配置建议。重点讲解了核心依赖的选择（推荐使用稳定版1.3.4而非里程碑

本文介绍了如何为AI应用接入专有的可观测平台LangFuse，实现模型调用、Token消耗与成本的追踪。相比传统链路追踪系统，LangFuse能解析AI调用的语义字段，提供Token统计、成本分析等专用功能。文章详细展示了LangFuse的架构原理，并通过Spring AI示例项目演示了十分钟快速上手指南：从注册账号、配置环境到查看观测数据的完整流程。核心在于利用OpenTelemetry自动拦截

本文介绍了一个基于Spring AI Alibaba、Micrometer和Zipkin的开源AI应用可观测性方案。该方案解决了生产环境中AI调用的性能监控、错误诊断和成本控制问题，相比商业方案（如阿里云ARMS）具有零成本、数据自主的优势。技术架构包含用户层、Spring Boot应用层（控制器和AI服务）、可观测层（自动埋点）和观测后端（Zipkin），通过Micrometer采集指标，Bra

摘要： Spring AI、OpenClaw和Hermes是三类定位不同的AI工具。Spring AI专注企业级Java生态的AI集成，强调安全合规；OpenClaw作为智能中枢，擅长跨平台连接与多技能调度；Hermes则侧重自主进化，适合长期个人助理场景。三者差异体现在核心定位（集成框架/智能网关/成长型智能体）、技术栈（Java/TS+Node.js/Python）及适用场景（企业业务/多平台

这篇文章介绍了如何从零开始搭建具备企业级可观测能力的AI应用。主要内容包括： AI应用可观测性特点：对比传统监控与AI监控的差异，指出AI应用需要追踪Token消耗、模型参数、Prompt内容等特有维度，调试难度更大。 技术架构设计：采用四层架构（用户层、应用层、可观测层、基础设施层），通过ARMS Agent实现自动埋点采集，整合追踪、指标和日志数据。 核心实现组件：包括Spring Boot