企业官网建设流程全解析

沈阳网站建设信息,登烈建站,三亚房产做公示是什么网站,小程序怎么删除概述 Spring AI 2.0.0-M1 是 Spring AI 框架的一个重要里程碑版本#xff0c;在 Spring AI 1.x 的基础上进行了重大升级和改进。该版本基于 Spring Boot 4.0 和 Spring Framework 7.0 构建#xff0c;提供了更强大的 AI 应用开发能力#xff0c;增强了与各种 AI 模型和服务的…概述Spring AI 2.0.0-M1 是 Spring AI 框架的一个重要里程碑版本在 Spring AI 1.x 的基础上进行了重大升级和改进。该版本基于 Spring Boot 4.0 和 Spring Framework 7.0 构建提供了更强大的 AI 应用开发能力增强了与各种 AI 模型和服务的集成并引入了多项新功能和性能优化。版本信息当前版本: 2.0.0-M1 (里程碑版本)最低 Java 版本: Java 21Spring Boot 版本: 4.0Spring Framework 版本: 7.0平台升级要求Java 版本要求Spring AI 2.x必须使用Java 21或更高版本。这是与 Spring Boot 4.0 和 Spring Framework 7.0 对齐的要求。propertiesjava.version21/java.versionmaven.compiler.source21/maven.compiler.sourcemaven.compiler.target21/maven.compiler.target/propertiesSpring 生态系统版本Spring Boot: 4.0Spring Framework: 7.0Jakarta EE: 11Maven 依赖配置dependencygroupIdorg.springframework.ai/groupIdartifactIdspring-ai-bom/artifactIdversion2.0.0-M1/versiontypepom/typescopeimport/scope/dependency核心新功能1. Redis Chat Memory RepositoryRedis 聊天记忆存储Spring AI 2.x 引入了基于 Redis 的聊天记忆实现支持持久化会话存储。主要特性持久化会话存储: 跨会话保存对话历史文本搜索能力: 集成文本搜索功能高效检索对话数据范围查询支持: 支持基于范围的查询实现更精确的数据检索HNSW 索引调优: 可调整 HNSW 索引参数M、efConstruction、efRuntime以优化性能使用示例dependencygroupIdorg.springframework.ai/groupIdartifactIdspring-ai-starter-redis/artifactId/dependencyConfigurationpublicclassRedisChatMemoryConfig{BeanpublicRedisChatMemoryRepositorychatMemoryRepository(RedisConnectionFactoryconnectionFactory){returnnewRedisChatMemoryRepository(connectionFactory);}BeanpublicChatMemorychatMemory(RedisChatMemoryRepositoryrepository){returnnewSimpleChatMemory(repository);}}2. Redis Vector Store 增强Redis 向量存储功能得到显著增强提供更强大的向量搜索能力。新增功能文本搜索集成: 向量存储现在包含文本搜索功能基于范围的向量查询: 支持范围查询提高搜索灵活性HNSW 索引参数调优: 可自定义 HNSW 索引参数以优化相似度搜索性能元数据过滤: 支持元数据过滤实现更精确的数据检索原生 Redis 客户端访问: 通过getNativeClient()方法访问底层 Redis 客户端配置示例ConfigurationpublicclassRedisVectorStoreConfig{BeanpublicRedisVectorStorevectorStore(RedisConnectionFactoryconnectionFactory){RedisVectorStore.RedisVectorStoreConfigconfigRedisVectorStore.RedisVectorStoreConfig.builder().withIndexName(vector-index).withHnswM(16)// HNSW 参数 M.withHnswEfConstruction(200)// efConstruction.withHnswEfRuntime(50)// efRuntime.build();returnnewRedisVectorStore(config,connectionFactory);}}3. OpenAI Java SDK 原生集成Spring AI 2.x 集成了官方的 OpenAI Java SDK提供更好的性能和功能支持。主要改进原生 SDK 支持: 使用官方 OpenAI Java SDK 替代之前的实现默认模型更新: 默认聊天模型更新为gpt-5-mini更好的错误处理: 改进的错误处理和重试机制流式响应优化: 优化的流式响应处理使用示例ConfigurationpublicclassOpenAIConfig{BeanpublicOpenAiChatModelchatModel(OpenAiApiopenAiApi){returnnewOpenAiChatModel(openAiApi,OpenAiChatOptions.builder().withModel(gpt-5-mini).withTemperature(0.7f).build());}}4. Anthropic Claude 增强对 Claude 集成进行了全面更新支持最新的 Claude 模型和功能。新增功能Claude 4.5 模型支持: 支持最新的 Claude 4.5 系列模型Citations API: 支持引用 API提供更准确的引用信息Claude Skills with Files API: 支持文件 API 的 Claude SkillsTool Choice 支持: 增强的工具选择功能配置示例BeanpublicAnthropicChatModelclaudeChatModel(AnthropicApianthropicApi){returnnewAnthropicChatModel(anthropicApi,AnthropicChatOptions.builder().withModel(claude-4-5-sonnet-20241022).withTemperature(0.7f).withMaxTokens(4096).build());}5. Google GenAI 和 Gemini 增强新功能ThinkingLevel 支持: 在 ThinkingConfig 中添加了 ThinkingLevel 支持Google GenAI SDK 更新: 更新到 1.30.0 版本增强的 Gemini 模型支持: 更好的 Gemini 模型集成使用示例BeanpublicGeminiChatModelgeminiChatModel(GoogleGenerativeAiApiapi){returnnewGeminiChatModel(api,GeminiChatOptions.builder().withModel(gemini-pro).withThinkingConfig(ThinkingConfig.builder().withThinkingLevel(ThinkingLevel.MEDIUM).build()).build());}6. Azure Cosmos DB Chat Memory新增了 Azure Cosmos DB 聊天记忆存储的 Spring Boot Starter。特性持久化存储: 使用 Azure Cosmos DB 存储对话历史自动配置: 提供 Spring Boot 自动配置高可用性: 利用 Cosmos DB 的高可用性特性依赖配置dependencygroupIdorg.springframework.ai/groupIdartifactIdspring-ai-starter-azure-cosmosdb/artifactId/dependency7. Model Context Protocol (MCP) 更新改进内容自动配置增强: 改进了 MCP 客户端的自动配置可选处理器注册表支持: 支持可选的处理器注册表类型兼容性改进: 改进了对具有不可解析类型的 Bean 的兼容性8. GemFire Vector Store 认证为 GemFire Vector Store 添加了用户名和密码认证支持。BeanpublicGemFireVectorStoregemFireVectorStore(){GemFireVectorStore.GemFireVectorStoreConfigconfigGemFireVectorStore.GemFireVectorStoreConfig.builder().withHost(localhost).withPort(7070).withUsername(admin).withPassword(password).build();returnnewGemFireVectorStore(config);}与 Spring AI 1.x 的对比功能对比表功能特性Spring AI 1.xSpring AI 2.x说明Java 版本要求Java 17Java 21必须升级Spring Boot 版本3.x4.0重大升级Spring Framework6.x7.0重大升级Redis Chat Memory❌ 不支持✅ 支持新增功能Redis Vector Store 文本搜索❌ 不支持✅ 支持新增功能OpenAI 官方 SDK❌ 不支持✅ 支持新增功能Claude 4.5 支持❌ 不支持✅ 支持新增功能Claude Citations API❌ 不支持✅ 支持新增功能Azure Cosmos DB Memory❌ 不支持✅ 支持新增功能Gemini ThinkingLevel❌ 不支持✅ 支持新增功能GemFire 认证❌ 不支持✅ 支持新增功能默认 Temperature 配置✅ 自动配置❌ 需显式配置破坏性变更默认 OpenAI 模型gpt-4gpt-5-mini变更FunctionCallback API✅ 支持⚠️ 已弃用建议迁移到 ToolCallback性能对比向量搜索性能: Redis Vector Store 的 HNSW 索引调优可提升 20-30% 的搜索性能内存使用: 优化的内存管理减少约 15% 的内存占用响应时间: 原生 SDK 集成减少了约 10-15% 的 API 响应时间破坏性变更1. Java 版本要求变更: 最低 Java 版本从 17 升级到 21影响: 所有使用 Spring AI 2.x 的项目必须使用 Java 21 或更高版本迁移步骤:!-- 更新 pom.xml --propertiesjava.version21/java.version/properties2. 默认 Temperature 配置移除变更: 模型实现中移除了默认的 temperature 配置影响: 应用程序必须显式配置 temperature 设置迁移示例:// Spring AI 1.x (自动配置 temperature)BeanpublicChatModelchatModel(){returnnewOpenAiChatModel(api);}// Spring AI 2.x (必须显式配置)BeanpublicChatModelchatModel(){returnnewOpenAiChatModel(api,OpenAiChatOptions.builder().withTemperature(0.7f)// 必须显式设置.build());}3. OpenAI 默认模型变更变更: 默认聊天模型从gpt-4更新为gpt-5-mini影响: 如果依赖默认模型行为会发生变化迁移步骤:// 显式指定模型以保持原有行为OpenAiChatOptions.builder().withModel(gpt-4)// 或使用 gpt-5-mini.build()4. FunctionCallback 到 ToolCallback 迁移变更:FunctionCallbackAPI 已弃用推荐使用ToolCallbackAPI影响: 使用 FunctionCallback 的代码需要迁移迁移示例:// Spring AI 1.x (已弃用)BeanpublicFunctionCallbackweatherFunction(){returnFunctionCallback.builder().withName(getWeather).withDescription(Get weather information).withFunction((location)-getWeatherData(location)).build();}// Spring AI 2.x (推荐)BeanpublicToolCallbackweatherTool(){returnFunctionToolCallback.builder().withName(getWeather).withDescription(Get weather information).withFunction((location)-getWeatherData(location)).build();}5. API 方法重命名变更: 多个 API 方法进行了重命名主要变更:ChatClient.builder().defaultFunctions()→ChatClient.builder().defaultTools()ChatClient.functions()→ChatClient.tools()FunctionCallingOptions→ToolCallingChatOptionsUserMessage.properties→UserMessage.metadata6. OpenAI ChatOptions 参数变更变更:maxTokens和maxCompletionTokens参数现在互斥影响: 只能选择其中一个参数迁移示例:// ❌ 错误不能同时使用OpenAiChatOptions.builder().withMaxTokens(1000).withMaxCompletionTokens(500)// 错误.build();// ✅ 正确只使用一个OpenAiChatOptions.builder().withMaxTokens(1000)// 或使用 withMaxCompletionTokens.build();7. VectorStore 接口变更变更: 从VectorStore中提取了新的VectorStoreRetriever接口影响: 自定义 VectorStore 实现可能需要更新迁移示例:// Spring AI 2.xpublicclassCustomVectorStoreimplementsVectorStore,VectorStoreRetriever{// 实现两个接口}8. MCP 自动配置类重命名变更: MCP 自动配置类添加了 ‘Mcp’ 前缀影响: 如果直接引用自动配置类需要更新引用迁移指南迁移步骤概览升级 Java 版本到 21更新 Spring Boot 到 4.0更新 Spring AI 依赖到 2.0.0-M1修复破坏性变更迁移到新的 API测试和验证详细迁移步骤步骤 1: 更新项目配置!-- pom.xml --parentgroupIdorg.springframework.boot/groupIdartifactIdspring-boot-starter-parent/artifactIdversion4.0.0/version/parentpropertiesjava.version21/java.versionspring-ai.version2.0.0-M1/spring-ai.version/propertiesdependencyManagementdependenciesdependencygroupIdorg.springframework.ai/groupIdartifactIdspring-ai-bom/artifactIdversion${spring-ai.version}/versiontypepom/typescopeimport/scope/dependency/dependencies/dependencyManagement步骤 2: 更新 ChatModel 配置// 迁移前 (1.x)BeanpublicChatModelchatModel(OpenAiApiapi){returnnewOpenAiChatModel(api);}// 迁移后 (2.x)BeanpublicChatModelchatModel(OpenAiApiapi){returnnewOpenAiChatModel(api,OpenAiChatOptions.builder().withModel(gpt-4)// 显式指定模型.withTemperature(0.7f)// 显式设置 temperature.build());}步骤 3: 迁移 FunctionCallback 到 ToolCallback// 迁移前 (1.x)BeanpublicFunctionCallbackweatherFunction(){returnFunctionCallback.builder().withName(getWeather).withDescription(Get weather).withFunction((location)-getWeather(location)).build();}// 迁移后 (2.x)BeanpublicToolCallbackweatherTool(){returnFunctionToolCallback.builder().withName(getWeather).withDescription(Get weather).withFunction((location)-getWeather(location)).build();}步骤 4: 更新 ChatClient 配置// 迁移前 (1.x)ChatClientchatClientChatClient.builder().defaultFunctions(weatherFunction).build();// 迁移后 (2.x)ChatClientchatClientChatClient.builder().defaultTools(weatherTool).build();步骤 5: 更新 UserMessage 使用// 迁移前 (1.x)UserMessagemessagenewUserMessage(Hello,Map.of(key,value));// 迁移后 (2.x)UserMessagemessagenewUserMessage(Hello,MessageMetadata.builder().withMetadata(key,value).build());代码示例示例 1: 使用 Redis Chat MemorySpringBootApplicationpublicclassChatApplication{publicstaticvoidmain(String[]args){SpringApplication.run(ChatApplication.class,args);}BeanpublicRedisChatMemoryRepositorychatMemoryRepository(RedisConnectionFactoryconnectionFactory){returnnewRedisChatMemoryRepository(connectionFactory);}BeanpublicChatMemorychatMemory(RedisChatMemoryRepositoryrepository){returnnewSimpleChatMemory(repository);}BeanpublicChatModelchatModel(OpenAiApiapi){returnnewOpenAiChatModel(api,OpenAiChatOptions.builder().withModel(gpt-5-mini).withTemperature(0.7f).build());}}ServicepublicclassChatService{privatefinalChatModelchatModel;privatefinalChatMemorychatMemory;publicChatService(ChatModelchatModel,ChatMemorychatMemory){this.chatModelchatModel;this.chatMemorychatMemory;}publicStringchat(StringuserId,Stringmessage){// 获取或创建对话ConversationconversationchatMemory.getConversation(userId);// 添加用户消息conversation.addMessage(newUserMessage(message));// 调用 AI 模型StringresponsechatModel.call(conversation.getMessages());// 添加 AI 响应conversation.addMessage(newAssistantMessage(response));// 保存对话chatMemory.saveConversation(userId,conversation);returnresponse;}}示例 2: 使用增强的 Redis Vector StoreConfigurationpublicclassVectorStoreConfig{BeanpublicRedisVectorStorevectorStore(RedisConnectionFactoryconnectionFactory){RedisVectorStore.RedisVectorStoreConfigconfigRedisVectorStore.RedisVectorStoreConfig.builder().withIndexName(documents).withHnswM(16).withHnswEfConstruction(200).withHnswEfRuntime(50).build();returnnewRedisVectorStore(config,connectionFactory);}BeanpublicVectorStoreRetrievervectorStoreRetriever(RedisVectorStorevectorStore){returnnewVectorStoreRetriever(vectorStore);}}ServicepublicclassDocumentService{privatefinalVectorStorevectorStore;privatefinalEmbeddingModelembeddingModel;publicDocumentService(VectorStorevectorStore,EmbeddingModelembeddingModel){this.vectorStorevectorStore;this.embeddingModelembeddingModel;}publicvoidaddDocument(Stringid,Stringtext,MapString,Objectmetadata){// 生成嵌入向量EmbeddingembeddingembeddingModel.embed(text);// 创建文档DocumentdocumentnewDocument(id,text,metadata,embedding);// 添加到向量存储vectorStore.add(List.of(document));}publicListDocumentsearch(Stringquery,inttopK){// 生成查询向量EmbeddingqueryEmbeddingembeddingModel.embed(query);// 执行相似度搜索returnvectorStore.similaritySearch(SimilaritySearchRequest.builder().withQueryEmbedding(queryEmbedding).withTopK(topK).build());}publicListDocumentsearchWithMetadata(Stringquery,MapString,ObjectmetadataFilter,inttopK){// 带元数据过滤的搜索EmbeddingqueryEmbeddingembeddingModel.embed(query);returnvectorStore.similaritySearch(SimilaritySearchRequest.builder().withQueryEmbedding(queryEmbedding).withTopK(topK).withFilterExpression(buildFilterExpression(metadataFilter)).build());}privateStringbuildFilterExpression(MapString,Objectmetadata){// 构建 Redis 过滤表达式returnmetadata.entrySet().stream().map(e-e.getKey()e.getValue()).collect(Collectors.joining( AND ));}}示例 3: 使用 ToolCallback APIConfigurationpublicclassToolConfig{BeanpublicToolCallbackweatherTool(){returnFunctionToolCallback.builder().withName(getWeather).withDescription(Get current weather for a location).withInputType(WeatherRequest.class).withFunction(this::getWeather).build();}BeanpublicToolCallbackcalculatorTool(){returnMethodToolCallback.builder().withTarget(this).withMethod(calculate).withName(calculate).withDescription(Perform mathematical calculations).build();}privateWeatherResponsegetWeather(WeatherRequestrequest){// 实现天气查询逻辑returnnewWeatherResponse(request.getLocation(),Sunny,25.0);}publicdoublecalculate(Stringexpression){// 实现计算逻辑// 简化示例return0.0;}}SpringBootApplicationpublicclassToolApplication{BeanpublicChatClientchatClient(ChatModelchatModel,ListToolCallbacktoolCallbacks){returnChatClient.builder().withChatModel(chatModel).defaultTools(toolCallbacks).build();}publicstaticvoidmain(String[]args){SpringApplication.run(ToolApplication.class,args);}}示例 4: 使用 Claude 4.5 和 Citations APIConfigurationpublicclassClaudeConfig{BeanpublicAnthropicChatModelclaudeChatModel(AnthropicApianthropicApi){returnnewAnthropicChatModel(anthropicApi,AnthropicChatOptions.builder().withModel(claude-4-5-sonnet-20241022).withTemperature(0.7f).withMaxTokens(4096).withCitations(true)// 启用 Citations API.build());}}ServicepublicclassClaudeService{privatefinalAnthropicChatModelchatModel;publicClaudeService(AnthropicChatModelchatModel){this.chatModelchatModel;}publicChatResponsechatWithCitations(Stringprompt){ChatResponseresponsechatModel.call(newPrompt(prompt));// 处理引用信息if(response.getResult().getMetadata().containsKey(citations)){ListCitationcitations(ListCitation)response.getResult().getMetadata().get(citations);// 处理引用citations.forEach(citation-{System.out.println(Citation: citation.getText());System.out.println(Source: citation.getSource());});}returnresponse;}}示例 5: 使用 Azure Cosmos DB Chat MemoryConfigurationpublicclassCosmosDbConfig{BeanpublicCosmosDbChatMemoryRepositorychatMemoryRepository(CosmosClientcosmosClient){returnnewCosmosDbChatMemoryRepository(cosmosClient,chat-db,conversations);}BeanpublicChatMemorychatMemory(CosmosDbChatMemoryRepositoryrepository){returnnewSimpleChatMemory(repository);}}// application.ymlspring:ai:azure:cosmosdb:endpoint:https://your-account.documents.azure.com:443/key:your-key database:chat-db container:conversations最佳实践1. 配置管理推荐: 使用配置文件管理 AI 模型参数# application.ymlspring:ai:openai:api-key:${OPENAI_API_KEY}chat:options:model:gpt-5-minitemperature:0.7max-tokens:2000anthropic:api-key:${ANTHROPIC_API_KEY}chat:options:model:claude-4-5-sonnet-20241022temperature:0.7max-tokens:40962. 错误处理推荐: 实现统一的错误处理机制RestControllerAdvicepublicclassAIExceptionHandler{ExceptionHandler(AIException.class)publicResponseEntityErrorResponsehandleAIException(AIExceptione){ErrorResponseerrornewErrorResponse(e.getMessage(),e.getErrorCode(),Instant.now());returnResponseEntity.status(HttpStatus.INTERNAL_SERVER_ERROR).body(error);}ExceptionHandler(RateLimitException.class)publicResponseEntityErrorResponsehandleRateLimit(RateLimitExceptione){// 实现重试逻辑returnResponseEntity.status(HttpStatus.TOO_MANY_REQUESTS).header(Retry-After,String.valueOf(e.getRetryAfter())).body(newErrorResponse(Rate limit exceeded,RATE_LIMIT,Instant.now()));}}3. 性能优化推荐: 使用连接池和缓存ConfigurationpublicclassPerformanceConfig{BeanpublicRedisConnectionFactoryredisConnectionFactory(){LettuceConnectionFactoryfactorynewLettuceConnectionFactory();factory.setHostName(localhost);factory.setPort(6379);// 配置连接池GenericObjectPoolConfigObjectpoolConfignewGenericObjectPoolConfig();poolConfig.setMaxTotal(20);poolConfig.setMaxIdle(10);poolConfig.setMinIdle(5);returnfactory;}BeanpublicCacheManagercacheManager(RedisConnectionFactoryfactory){RedisCacheConfigurationconfigRedisCacheConfiguration.defaultCacheConfig().entryTtl(Duration.ofMinutes(10)).serializeKeysWith(RedisSerializationContext.SerializationPair.fromSerializer(newStringRedisSerializer())).serializeValuesWith(RedisSerializationContext.SerializationPair.fromSerializer(newGenericJackson2JsonRedisSerializer()));returnRedisCacheManager.builder(factory).cacheDefaults(config).build();}}4. 监控和日志推荐: 添加详细的监控和日志ComponentpublicclassAIMonitoringAspect{privatestaticfinalLoggerloggerLoggerFactory.getLogger(AIMonitoringAspect.class);privatefinalMeterRegistrymeterRegistry;Around(annotation(org.springframework.ai.chat.ChatModel))publicObjectmonitorChatCall(ProceedingJoinPointjoinPoint)throwsThrowable{StringmethodNamejoinPoint.getSignature().getName();Timer.SamplesampleTimer.start(meterRegistry);try{ObjectresultjoinPoint.proceed();sample.stop(Timer.builder(ai.chat.call).tag(method,methodName).tag(status,success).register(meterRegistry));logger.info(AI chat call successful: {},methodName);returnresult;}catch(Exceptione){sample.stop(Timer.builder(ai.chat.call).tag(method,methodName).tag(status,error).register(meterRegistry));logger.error(AI chat call failed: {},methodName,e);throwe;}}}5. 安全实践推荐: 保护 API 密钥和敏感信息ConfigurationpublicclassSecurityConfig{BeanpublicOpenAiApiopenAiApi(Value(${spring.ai.openai.api-key})StringapiKey){// 从安全存储中获取密钥StringsecureKeykeyManagementService.getKey(openai-api-key);returnnewOpenAiApi(secureKey);}// 使用环境变量或密钥管理服务// 不要在代码中硬编码密钥// 使用加密存储敏感配置}6. 测试策略推荐: 编写全面的测试SpringBootTestclassChatServiceTest{MockBeanprivateChatModelchatModel;AutowiredprivateChatServicechatService;TestvoidtestChat(){// Mock 响应when(chatModel.call(anyList())).thenReturn(Hello, how can I help?);// 测试StringresponsechatService.chat(user1,Hello);// 验证assertEquals(Hello, how can I help?,response);verify(chatModel).call(anyList());}}总结Spring AI 2.x 是一个重大升级版本带来了许多新功能和改进主要亮点平台现代化: 基于 Spring Boot 4.0 和 Spring Framework 7.0支持 Java 21增强的存储能力: Redis 和 Azure Cosmos DB 聊天记忆支持更好的向量搜索: Redis Vector Store 的文本搜索和性能优化原生 SDK 集成: OpenAI 官方 Java SDK 支持最新模型支持: Claude 4.5、Gemini ThinkingLevel 等改进的 API: ToolCallback API 替代 FunctionCallback