本文介绍了检索增强生成（RAG）技术，通过向量数据库将业务数据与基础大模型结合，解决模型无法获取具体业务数据的问题。Rorge讲述了ixe像模型将文本转换为多维向量，实现语义相似性搜索。Spring AI支持多种向量数据库，如Azure、Cassandra等，并展示了如何使用Ollama向量模型进行文本向量化操作。RAG技术通过文档向量化存储和检索，有效补充了大模型的实时业务数据处理能力。

摘要 本文介绍了Spring AI中MCP（Model Context Protocol）的操作方法，主要解决服务商工具外部化和企业内部工具共享的问题。MCP采用jsonrpc2.0标准化通讯，支持SSE和STDIO两种方式：STDIO适合客户端应用，SSE更适合Web应用。文章详细演示了如何通过现成MCP服务器（如mcp.so）或工具（如VSCode插件Cline）使用MCP，并重点讲解了Spr

摘要：本文介绍了如何通过Spring AI实现大模型与企业API的协同工作，以票务助手为例演示了退票、查询等功能。文章展示了两种实现方式：初代多模型协调方案和tools/function-call方法，通过结构化输入让AI系统能够调用业务API完成特定任务。关键点包括任务识别、业务逻辑处理及流式响应，为开发企业级智能应用提供了实用解决方案。

本文介绍了Spring AI中对话记忆(ChatMemory)的实现方式。针对大型语言模型(LLM)无状态的特性，通过ChatMemory组件存储和检索多轮对话信息。文章展示了如何使用PromptChatMemoryAdvisor自动管理对话历史记录，并讨论了配置要点：1)设置最大存储消息数以避免token超限；2)实现多用户对话隔离。最后提供了Spring Boot集成示例代码，演示了如何通过配

本文介绍了Spring AI框架中的ChatClient组件，它作为ChatModel的封装层，提供了统一的API接口支持多种大模型交互。文章详细讲解了ChatClient的基本使用方法，包括构建方式、阻塞式和流式输出，并通过代码示例演示了如何动态选择底层ChatModel。此外，还展示了在多模型环境下的实战配置方案，包括DeepSeek和Ollama两种模型的集成方法，以及如何通过REST接口实

本文介绍了Ollama本地大语言模型的安装与使用。Ollama作为大模型运行环境，支持私有化部署，保障企业数据安全。文章详细讲解了Ollama的安装步骤、模型拉取方法（如qwen3:4b模型），以及如何在Spring项目中集成使用。重点说明了如何关闭模型的"thinking"思考模式，实现流式输出，并介绍了多模态功能（支持图像识别等）。还指出了当前版本与Spring AI 1.

1. 大模型的选择详细分析，对于目前市面上的大模型的一个分析

1. 大模型的选择详细分析，对于目前市面上的大模型的一个分析

Java开发者LLM实战：LangChain4j知识库入门指南 本文介绍了Java语言集成大模型的工具LangChain4j，主要特点包括： 提供统一API支持15+主流LLM和20+嵌入模型 0.35.0版本支持JDK8，0.36.0+需JDK17+ 与SpringAI对比优势在于无框架依赖和多模型支持 通过Maven工程示例展示了快速接入OpenAI和DeepSeek模型的方法，包括： 基础依

Java开发者LLM实战：LangChain4j知识库入门指南 本文介绍了Java语言集成大模型的工具LangChain4j，主要特点包括： 提供统一API支持15+主流LLM和20+嵌入模型 0.35.0版本支持JDK8，0.36.0+需JDK17+ 与SpringAI对比优势在于无框架依赖和多模型支持 通过Maven工程示例展示了快速接入OpenAI和DeepSeek模型的方法，包括： 基础依