Spring AI教程（三）：如何使用Spring AI进行实际项目开发
在前两篇文章中，我们介绍了Spring AI的基本概念和核心功能。这篇文章将重点介绍如何在实际项目中使用Spring AI，并提供详细的代码示例，帮助你快速上手。
准备工作
在开始之前，请确保你已经设置好了Spring Boot项目，并添加了Spring AI相关的依赖。你可以在pom.xml文件中添加以下依赖：
<dependency> <groupId>com.example</groupId> <artifactId>spring-ai</artifactId> <version>1.0.0</version></dependency>配置Spring AI
首先，我们需要配置Spring AI，以便连接到我们选择的AI模型提供商和向量数据库。在application.properties文件中添加以下配置：
spring.ai.provider=openaispring.ai.api-key=YOUR_OPENAI_API_KEYspring.ai.vector-database.provider=redisspring.ai.vector-database.url=redis://localhost:6379创建AI服务
接下来，我们将创建一个服务类，用于与AI模型进行交互。以下是一个简单的聊天服务示例：
import org.springframework.stereotype.Service;import com.example.springai.OpenAiChatService;@Servicepublic class ChatService { private final OpenAiChatService openAiChatService; public ChatService(OpenAiChatService openAiChatService) { this.openAiChatService = openAiChatService; } public String chat(String prompt) { return openAiChatService.chat(prompt); }}创建控制器
我们还需要创建一个控制器，用于处理HTTP请求并调用我们的服务。以下是一个简单的控制器示例：
import org.springframework.web.bind.annotation.GetMapping;import org.springframework.web.bind.annotation.RequestParam;import org.springframework.web.bind.annotation.RestController;@RestControllerpublic class ChatController { private final ChatService chatService; public ChatController(ChatService chatService) { this.chatService = chatService; } @GetMapping("/chat") public String chat(@RequestParam String prompt) { return chatService.chat(prompt); }}使用向量数据库
除了与AI模型交互，Spring AI还支持向量数据库，用于存储和检索向量数据。以下是一个使用Redis向量数据库的示例：
import org.springframework.stereotype.Service;import com.example.springai.VectorDatabaseService;import java.util.List;@Servicepublic class VectorService { private final VectorDatabaseService vectorDatabaseService; public VectorService(VectorDatabaseService vectorDatabaseService) { this.vectorDatabaseService = vectorDatabaseService; } public void saveVector(String id, List<Float> vector) { vectorDatabaseService.saveVector(id, vector); } public List<Float> getVector(String id) { return vectorDatabaseService.getVector(id); }}创建向量控制器
我们还需要一个控制器来处理向量数据的存储和检索：
import org.springframework.web.bind.annotation.*;import java.util.List;@RestControllerpublic class VectorController { private final VectorService vectorService; public VectorController(VectorService vectorService) { this.vectorService = vectorService; } @PostMapping("/vector") public void saveVector(@RequestParam String id, @RequestBody List<Float> vector) { vectorService.saveVector(id, vector); } @GetMapping("/vector") public List<Float> getVector(@RequestParam String id) { return vectorService.getVector(id); }}完整示例
以下是一个完整的Spring Boot应用程序示例，展示了如何使用Spring AI进行实际项目开发：
import org.springframework.boot.SpringApplication;import org.springframework.boot.autoconfigure.SpringBootApplication;@SpringBootApplicationpublic class SpringAiApplication { public static void main(String[] args) { SpringApplication.run(SpringAiApplication.class, args); }}结论
通过上述示例，我们展示了如何在实际项目中使用Spring AI，包括配置AI模型提供商和向量数据库、创建服务和控制器等。希望这些示例能帮助你快速上手Spring AI，并在你的项目中实现强大的AI功能。
下一篇文章中，我们将探讨更多高级功能和使用技巧，帮助你进一步优化和扩展你的AI应用。