📍 本文覆盖2026年AI应用开发最前沿的技术热点:Spring AI 2.0 GA、MCP协议标准化、A2A协议、Agent工程化落地、向量数据库选型。
Spring AI 2.0.0 于2026年6月正式GA,与Spring Boot 4.0深度集成,是Java生态第一个原生AI集成框架。
Spring AI 2.0 核心架构:
ChatClient(统一API)
├─ OpenAI / Anthropic / Google / Ollama / 通义 / 智谱(50+模型)
├─ Function Calling(工具调用)
├─ Structured Output(结构化输出 → Java对象)
└─ Streaming(流式输出 → Flux<String>)
VectorStore(向量存储抽象)
├─ Milvus / PGVector / Redis / Chroma / Elasticsearch
└─ RAG检索(相似度搜索 → 拼接Prompt)
MCP Client(MCP协议客户端)
└─ 连接任何MCP Server(数据库/API/文件系统)
Advisor(顾问链)
├─ Logging Advisor(调用日志)
├─ Memory Advisor(对话记忆)
└─ RAG Advisor(检索增强)
| 维度 | Spring AI 1.0 | Spring AI 2.0 |
|---|---|---|
| ChatClient | Builder模式 | 更简洁的Fluent API |
| MCP | 基础支持 | 完整MCP SDK 2.0(兼容2025-11-25规范) |
| 向量库 | 8种 | 12+种 + 混合检索 |
| RAG | 手动组装 | Advisor链自动注入 |
| 工具 | Function注册 | MCP Server + Function双模式 |
| Spring Boot | 3.2+ | 4.0+ |
| 结构化输出 | BeanOutputConverter | 原生支持 + JSON Schema |
// Spring AI 2.0 ChatClient 基础用法
@RestController
public class AIController {
private final ChatClient chatClient;
public AIController(ChatClient.Builder builder) {
this.chatClient = builder.build();
}
@GetMapping("/chat")
public String chat(@RequestParam String message) {
return chatClient.prompt()
.system("你是Java技术专家,用中文回答")
.user(message)
.call()
.content();
}
// 结构化输出(直接返回Java对象)
@GetMapping("/analyze")
public CodeReview analyze(@RequestParam String code) {
return chatClient.prompt()
.user("审查以下代码: " + code)
.call()
.entity(CodeReview.class); // 自动解析JSON→Java对象
}
}
// RAG(检索增强生成)
@GetMapping("/ask")
public String ask(@RequestParam String question) {
return chatClient.prompt()
.questionAnswerAdvisor(vectorStore) // 自动检索相关文档
.user(question)
.call()
.content();
}
MCP由Anthropic(Claude母公司)推出,2025年成为AI Agent工具层的事实标准。
MCP解决的核心问题:
Agent需要调用各种工具(数据库/API/文件/搜索引擎)
每个工具有不同的接口 → 开发者要写N个适配器
MCP定义了统一协议:
MCP Server(暴露能力)←→ MCP Client(LLM/Agent)
MCP Server可以是:
- 数据库MCP Server(查SQL)
- 文件系统MCP Server(读写文件)
- GitHub MCP Server(查代码/创建PR)
- 自定义MCP Server(任何业务能力)
MCP Client(如Claude/Spring AI/ChatGPT)
↕ JSON-RPC 2.0
MCP Server
├─ Tools(可调用的函数)
├─ Resources(可读取的数据)
└─ Prompts(预设的提示词模板)
// 配置MCP Server连接
@Configuration
public class McpConfig {
@Bean
public McpClient mcpClient() {
return McpClient.create()
.connect("stdio", "python", "mcp_server.py") // 本地进程
.connect("sse", "http://localhost:3001/sse") // 远程SSE
.build();
}
}
// ChatClient自动使用MCP工具
@GetMapping("/ai")
public String ai(@RequestParam String q) {
return chatClient.prompt()
.tools(mcpClient) // 注入MCP工具集
.user(q)
.call()
.content();
}
// LLM自动决定调用哪个MCP工具
1. MCP是AI的USB-C:统一了Agent调用工具的接口协议。
2. MCP Server vs Function Calling:Function Calling是LLM厂商私有协议,MCP是开放标准,一个MCP Server可被任何LLM使用。
3. MCP三大能力:Tools(调用函数)、Resources(读取数据)、Prompts(预设模板)。
A2A vs MCP的分工:
MCP(工具层):Agent ↔ 工具
"Agent,帮我查一下数据库" → MCP Server执行SQL
A2A(协作层):Agent ↔ Agent
"Agent A:帮我把需求分析发给开发Agent" → Agent B接收并执行
A2A核心概念:
Agent Card:Agent的能力描述(JSON),类似OpenAPI
Task:Agent间的协作任务(有生命周期:submitted/working/completed)
Message:Agent间的消息传递
Artifact:任务产出物
当前状态(2026初):
- 主要在Google生态使用
- 社区接受度快速提升
- 与MCP互补(MCP管工具,A2A管协作)
1. ReAct(Reason + Act)
Thought → Action → Observation → 循环
2. Plan-and-Execute
Planner Agent拆解任务 → Executor Agent逐步执行
3. Multi-Agent(多智能体)
PM Agent → Developer Agent → Reviewer Agent
基于A2A协议协作
4. Reflection(自我反思)
Worker生成 → Critic审查 → Worker修改 → 循环
5. Human-in-the-Loop
Agent执行关键步骤 → 请求人类确认 → 继续
| 挑战 | 解决方案 |
|---|---|
| 可靠性 | 最大循环次数 + 超时 + 异常fallback |
| 成本 | 模型路由(简单任务用便宜模型)+ Prompt缓存 |
| 可观测性 | 每步记录(Langfuse/Arize Phoenix) |
| 安全 | 输入过滤 + 输出审查 + 工具权限控制 |
| 测试 | 评估框架(Ragas/DeepEval) |
1. Agent的本质:LLM + 工具 + 循环。LLM决策,工具执行,循环处理多步任务。
2. Agent的最大痛点:可靠性(LLM可能死循环/调错工具/参数错误)。
3. Function Calling vs MCP:Function Calling是私有协议(各LLM不同),MCP是开放标准(通用)。
4. 多Agent的取舍:能解决更复杂任务,但成本成倍增加(多倍token)。
| 方案 | 类型 | 优势 | 劣势 | 适用 |
|---|---|---|---|---|
| Milvus | 分布式 | 支持亿级、多索引 | 运维复杂 | 大规模生产 |
| PGVector | PG插件 | 复用PostgreSQL、事务 | 规模受限(<1000万) | 中小+事务需求 |
| Redis Stack | 内存 | 极低延迟 | 内存成本高 | 缓存型检索 |
| Elasticsearch | 全文+向量 | 混合检索(BM25+向量) | 资源消耗大 | 已有ES栈 |
| Chroma | 嵌入式 | 轻量、Python友好 | 不适合生产 | 原型开发 |
| Qdrant | Rust | 高性能、过滤强 | 社区小 | 延迟敏感 |
混合检索 = 向量检索 + 关键词检索
向量检索:语义相似("Java线程" ≈ "Java并发")
关键词检索:精确匹配("HashMap" 搜到 "HashMap")
融合方式:
RRF(Reciprocal Rank Fusion):两路结果按排名倒数融合
加权融合:score = α * 向量分 + (1-α) * BM25分
Spring AI 2.0:
vectorStore.similaritySearch(query) // 向量
+ Elasticsearch BM25 // 关键词
→ RRF融合 → Top-K
1. Spring AI 2.0:统一50+模型抽象 + MCP内置 + RAG Advisor链 + 结构化输出
2. MCP协议:Agent调用工具的统一标准(Tools/Resources/Prompts),"AI的USB-C"
3. A2A协议:Agent间协作协议(Google推出),与MCP互补
4. Agent工程化:ReAct/Plan-Execute/Multi-Agent模式,核心挑战是可靠性
5. 向量数据库选型:大规模用Milvus、事务用PGVector、低延迟用Redis/Qdrant
6. 混合检索:向量+关键词(BM25),RRR融合,2026年成标配