写在最前:这是 2026 年 AI 面试最大新热点。调研显示 Spring AI 2.0、Agentic Workflow、DeepSeek-R1、Qwen3、Spring AI Alibaba 成为企业级 AI 应用开发的高频考点。本文基于公开技术资料整理,覆盖前沿趋势 + 实战代码 + 面试要点。
>
⚠️ 本文数字多为定性描述或标注"经验值",未标注精确调研百分比。
┌────────────────────────────────────────────────────────────┐
│ 2026 AI 应用开发三大变化 │
├────────────────────────────────────────────────────────────┤
│ │
│ 趋势1: 从"调API" → "Agentic Workflow(智能体工作流)" │
│ 单轮问答过时,多Agent协作编排成主流 │
│ Spring AI Alibaba 的 Skill 系统是代表 │
│ │
│ 趋势2: 从"海外模型" → "国产模型主导" │
│ DeepSeek-R1(推理模型)/ Qwen3(MoE)成部署首选 │
│ 数据不出境 + 成本低 + 中文强 │
│ │
│ 趋势3: 从"Spring AI 1.0(PoC)" → "Spring AI 2.0(生产)" │
│ Spring Boot 4.0 + 统一抽象 + 模型热切换 │
│ 企业级稳定性增强 │
└────────────────────────────────────────────────────────────┘
2026 年面试高频:「Spring AI 1.0 和 2.0 有什么区别?」
| 维度 | Spring AI 1.0 | Spring AI 2.0(2026) |
|---|---|---|
| Spring Boot | 3.x | 4.0 |
| 定位 | 概念验证(PoC) | 生产级(稳定性增强) |
| 模型抽象 | 基础 | 统一大模型抽象层(50+模型一致API) |
| 模型切换 | 改配置 | 运行时热切换(无需重启) |
| RAG | 基础支持 | 增强(更完善的VectorStore/RetrievalAdvisor) |
| Function Calling | 支持 | 增强(并行工具调用) |
| MCP | 基础集成 | MCP SDK 增强(注解重命名/Transport优化) |
| Agent/Workflow | 弱 | 增强(更好地支持多步编排) |
| Starter命名 | 原始 | 统一重命名规范 |
面试标准回答:
"Spring AI 1.0 偏 PoC,2.0 进入了生产级。主要变化:
①升级到 Spring Boot 4.0;
②统一大模型抽象层,50+ 模型用一致 API,支持运行时热切换;
③RAG 和 Function Calling 增强;
④MCP SDK 优化。
迁移时注意 Starter 命名规范变更和 MCP 包路径重命名。
实战建议:新项目直接上 2.0,老项目评估迁移成本。"
// Spring AI 2.0:运行时切换模型,不用重启
@Service
public class MultiModelService {
@Autowired private ChatClient.Builder builder;
// 根据任务复杂度动态选模型
public String smartChat(String question) {
ChatModel model = router.select(question); // 简单→小模型,复杂→大模型
return builder.defaultOptions(
OpenAiChatOptions.builder().model(model.getName()).build())
.build()
.prompt().user(question).call().content();
}
}
// 统一抽象层好处:换模型只改 options,业务代码不变
普通 LLM 应用:用户问 → 模型答(一次性,无编排)
Agent:模型自主决策调工具(ReAct循环)
Agentic Workflow:把多个 Agent 按流程编排,协同完成复杂任务
类比:
普通 = 单人作业
Agent = 一个会自主找工具的工人
Agentic Workflow = 流水线,多个专业Agent协作(设计师→工程师→QA→交付)
典型 Agentic Workflow 场景:
- 研究报告生成:检索Agent收集资料 → 分析Agent提炼 → 写作Agent成文 → 审校Agent校对
- 智能客服:意图Agent分类 → 知识Agent检索 → 执行Agent调业务系统 → 安抚Agent回复
- 代码开发:需求Agent拆解 → 编码Agent实现 → 测试Agent验证 → 部署Agent上线
Spring AI Alibaba 是阿里基于 Spring AI 的国产增强版,Skill 系统是其特色。
Skill = 封装好的"能力包",比 Function Calling 更高层
Function Calling:模型调一个函数(原子操作)
Skill:一组相关能力的封装(含触发条件+执行流程+异常处理)
例:客服系统的"退款处理"Skill 包含:
- 查询订单(Function)
- 校验退款条件(Function)
- 创建退款单(Function)
- 通知用户(Function)
+ 触发条件:用户提到"退款"
+ 异常处理:订单不存在/超期等
Skill 比 Function Calling 更接近"业务能力"而非"技术操作"
// Spring AI Alibaba Skill 定义(概念)
@Skill(
name = "退款处理",
description = "处理用户退款请求,包含查询、校验、退款、通知",
trigger = "用户提到退款/退货/取消订单"
)
public class RefundSkill {
@Tool("查询用户订单")
public Order queryOrder(String userId) { ... }
@Tool("校验是否可退款")
public boolean canRefund(String orderId) { ... }
@Tool("创建退款单")
public RefundResult createRefund(String orderId, String reason) { ... }
@Tool("发送退款通知")
public void notify(String userId, RefundResult result) { ... }
}
// Skill 被注册到 Agent,Agent 根据用户意图决定何时调用整个 Skill
四种编排模式(面试必背):
1. 串行(Sequential):Agent1 → Agent2 → Agent3
例:检索 → 分析 → 生成(上一步输出是下一步输入)
2. 并行(Parallel):多个Agent同时执行 → 汇总
例:同时查天气/查机票/查酒店 → 合并旅行方案
3. 路由(Router):按意图分发到不同专业Agent
例:意图是退款 → 退款Agent;是咨询 → 知识Agent
4. 层级(Hierarchical):管理者Agent分解任务给子Agent
例:项目经理Agent → 分配给开发/测试/运维Agent
实战选择:
简单任务:单Agent + Function Calling
复杂任务:Agentic Workflow(多Agent编排)
→ 不要为了多Agent而多Agent,能简单就简单
普通大模型(DeepSeek-V3/Qwen):
输入问题 → 直接输出答案
快,但复杂推理可能出错
推理模型(DeepSeek-R1 / OpenAI o1):
输入问题 → 先输出"思考过程"(reasoning) → 再输出答案
慢(思考耗时),但数学/逻辑/代码推理更准
输出结构:
{
"reasoning_content": "让我一步步分析...首先...然后...", ← 思考过程
"content": "答案是42" ← 最终答案
}
为什么重要:复杂推理任务(数学题/代码debug/逻辑分析)用推理模型准确率明显更高
代价:延迟高(思考要时间)、成本高(生成更多token)
# vLLM 部署 DeepSeek-R1 蒸馏版(7B,单卡可跑)
vllm serve deepseek-ai/DeepSeek-R1-Distill-Qwen-7B \
--host 0.0.0.0 --port 8000 \
--tensor-parallel-size 1 \
--enable-reasoning \ # ★ 开启推理输出
--reasoning-parser deepseek_r1 # ★ 解析 reasoning_content
# 调用时返回 reasoning_content 字段(思考过程)
// Spring AI 接入 DeepSeek-R1(vLLM 兼容 OpenAI 协议)
// application.yml
// spring.ai.openai.base-url=http://localhost:8000
// spring.ai.openai.chat.options.model=deepseek-ai/DeepSeek-R1-Distill-Qwen-7B
@Service
public class ReasoningService {
@Autowired private ChatClient chatClient;
public ReasoningResult solve(String problem) {
// DeepSeek-R1 会先输出 reasoning_content(思考),再输出 content(答案)
String full = chatClient.prompt()
.user("解这道数学题:" + problem)
.call()
.content();
// vLLM 返回的 content 通常已合并思考过程(可通过格式解析)
return parseReasoning(full); // 分离思考过程和最终答案
}
}
// 面试要点:
// Q: DeepSeek-R1 和普通模型调用有什么区别?
// A: R1 会输出 reasoning_content(思考过程),比 content 先。
// 复杂推理更准但更慢更贵。简单任务用普通模型,复杂推理用 R1。
// vLLM 部署要 --enable-reasoning 开启。
R1 满血版 671B:需多卡集群,一般走API
蒸馏版(推荐本地部署):
DeepSeek-R1-Distill-Qwen-7B → 单卡(24G),入门首选
DeepSeek-R1-Distill-Qwen-14B → 单卡(80G)或双4090
DeepSeek-R1-Distill-Qwen-32B → 需A100
DeepSeek-R1-Distill-Llama-8B → 单卡,Llama系
"蒸馏"= 用大模型(R1)的输出训练小模型(Qwen-7B),
让小模型获得部分推理能力,体积小可本地部署
Qwen2.5:传统稠密模型(Dense),所有参数参与每次计算
Qwen3: 混合专家模型(MoE),只激活部分参数 → 更快更省
MoE(Mixture of Experts)原理:
不是所有"专家(参数)"都工作,每次只激活最相关的几个
例:Qwen3-235B 总参数235B,但每次只激活22B(A22B)
→ 效果接近235B大模型,速度成本接近22B小模型
Qwen3-235B-A22B:
总235B参数,激活22B
代码/数学能力媲美 DeepSeek-R1、o1、o3-mini
→ 2026 推理任务的强力选择
# vLLM 部署 Qwen3(MoE 模型)
vllm serve Qwen/Qwen3-235B-A22B \
--tensor-parallel-size 4 \ # MoE大模型通常需多卡
--gpu-memory-utilization 0.9 \
--max-model-len 32768
# Spring AI 接入(同 DeepSeek,改 model 名即可)
# spring.ai.openai.chat.options.model=Qwen/Qwen3-235B-A22B
| 模型 | 类型 | 特点 | 部署 | 适用 |
|---|---|---|---|---|
| DeepSeek-V3 | 稠密671B | 通用强,MoE | API/多卡 | 通用对话 |
| DeepSeek-R1 | 推理671B | 数学/逻辑强 | API/多卡 | 复杂推理 |
| DeepSeek-R1-Distill-7B | 推理7B | R1蒸馏,单卡 | vLLM单卡 | 本地推理入门 |
| Qwen3-235B-A22B | MoE | 代码/数学强 | vLLM多卡 | 推理+通用 |
| Qwen2.5-7B | 稠密7B | 通用首选 | vLLM单卡 | 通用本地部署 |
| GLM-4-9B | 稠密9B | 中文好 | vLLM单卡 | 中文场景 |
面试选型话术:
"通用本地部署选 Qwen2.5-7B(性价比)或 GLM-4-9B(中文)。
复杂推理(数学/代码/逻辑)选 DeepSeek-R1,要单卡就上蒸馏版7B。
追求极致能力且有资源选 Qwen3-235B-A22B(MoE,激活参数少效果好)。
合规优先国产(数据不出境),成本敏感先小模型验证。"
MCP(Model Context Protocol):Agent ↔ 工具 的连接标准
A2A(Agent-to-Agent):Agent ↔ Agent 的通信标准
为什么需要 A2A:
不同框架(LangChain/Dify/自研)的 Agent 互相不认识,无法协作
A2A 定义统一的 Agent 间通信协议(类似 HTTP 之于 Web)
例:公司的"采购Agent"(自研)要和"审批Agent"(钉钉)
通过 A2A 协议互相调用,无需对接私有接口
2026 现状:A2A 是 Google 推出的新协议,技术热度高,
但大规模落地尚早,多见于架构师级讨论。
面试作为"前沿了解"即可,不是必考。
答:2.0 升级到 Spring Boot 4.0,从 PoC 进入生产级。核心增强:统一大模型抽象层(50+模型一致API)、运行时模型热切换、RAG/Function Calling/MCP 增强。迁移注意 Starter 命名和 MCP 包路径变更。
答:2.0 的统一抽象层 + ChatOptions。运行时通过 OpenAiChatOptions.builder().model(name) 动态指定,业务代码用统一 ChatClient 接口不变。配合 Router 按任务复杂度路由到不同模型。
答:Spring AI 是 Spring 官方的 AI 框架。Spring AI Alibaba 是阿里基于 Spring AI 的国产增强版,额外提供 Skill 系统、国产模型优化、DashScope(通义)深度集成。国内项目两者常结合用。
答:Function Calling 是模型调单个函数(原子操作)。Skill 是一组相关能力的封装(含多个Function+触发条件+异常处理),更接近"业务能力"。Skill 构建在 Function Calling 之上。
答:①统一抽象(换模型不改代码);②Spring 生态集成(事务/安全/监控原生);③工程化(Advisor链/Prompt管理/可观测);④RAG/Agent 封装好。调API是玩具级,Spring AI 是企业级。
答:普通Agent是单Agent自主决策。Agentic Workflow 是多Agent按流程编排协作(串行/并行/路由/层级)。复杂任务(如研究报告生成:检索→分析→写作→审校)用Workflow比单Agent效果好。
答:任务可拆解、各子任务需不同专业能力、单Agent上下文爆炸时用。简单任务别用(成本高)。四模式:串行(流水线)、并行(汇总)、路由(分流)、层级(管理分派)。
答:①每个Agent设最大轮数/超时;②关键节点人工确认;③失败重试+降级;④全链路Trace观测;⑤结果校验(不让错误传播)。多Agent比单Agent更易出错,工程化更重要。
答:一个Skill = 触发条件(何时用)+ 多个Tool(具体操作)+ 执行流程(编排)+ 异常处理。按业务能力粒度封装(如"退款处理"而非"查订单")。Agent根据意图决定调用哪个Skill。
答:①简单子任务用小模型;②缓存中间结果;③减少不必要的Agent(能合并就合并);④限最大轮数;⑤Router前置过滤(简单问题不进Workflow)。多Agent烧Token快,成本是主要挑战。
答:V3是通用模型直接出答案。R1是推理模型,先输出reasoning_content(思考过程)再出答案,复杂推理更准但慢贵。数学/代码/逻辑题用R1,简单对话用V3。vLLM部署R1要--enable-reasoning。
答:蒸馏=用R1输出训练小模型,让它获得部分推理能力。Distill-7B单卡可跑(入门),14B/32B需更好硬件。本地部署推理模型首选蒸馏版,满血671B走API。
答:MoE(混合专家)只激活部分参数。Qwen3-235B总235B但只激活22B,效果接近235B大模型,速度成本接近22B。代码/数学能力媲美R1/o1。代价:显存仍要存全部参数(部署门槛未降)。
答:合规(数据不出境)、成本(国产便宜)、中文强是主因。通用选Qwen2.5-7B,推理选DeepSeek-R1,中文选GLM-4。GPT/Claude效果好但数据出境+贵+受限,金融/政务必须国产。
答:推理模型(R1)要 --enable-reasoning --reasoning-parser,输出含reasoning_content。普通模型不需要。Java侧接入都一样(OpenAI兼容协议),但处理响应时要解析思考过程和最终答案。
你的现状:AI基础已补(RAG/向量库/Prompt/部署/Agent),但前沿(2.0/Workflow/国产模型)薄
第一步(3天):国产模型实操
- 本地用 Ollama 跑 DeepSeek-R1-Distill-7B,体验 reasoning_content
- 本地跑 Qwen2.5-7B 对比
- 能讲清 R1 和普通模型区别
第二步(1周):Spring AI 2.0
- 读 Spring AI 2.0 新特性文档
- 能讲 1.0→2.0 变化和迁移注意点
- 写个模型热切换 Demo
第三步(1周):Agentic Workflow
- 理解四种编排模式
- 了解 Skill 系统概念
- 能设计一个简单的多Agent流程(如客服分流)
第四步:结合项目
- 把 Spring AI 2.0 + DeepSeek-R1 整合到你现有的AI项目
- 面试能讲"我用Spring AI 2.0+本地DeepSeek-R1做了XX"