Spring AI 应用集合（spring-ai-apps）：让 Java 开发者轻松拥抱 AI

你是否有这样的困惑？

刚学完 Spring Boot，准备用 Spring AI 给自己的后台管理系统加个 AI 助手，却被 Spring AI 官方文档里密密麻麻的配置参数、版本冲突和 Model X/Y/Z 的选择劝退了？换一个模型又要改一大段代码，好不容易跑通了一个示例，换到另一个模型又报一堆依赖冲突？如果你也曾被这些问题困扰，那么 spring-ai-apps 这个项目值得你花十分钟了解一下——它用最少的代码，把 Spring AI 的核心能力全部跑通，让认知负担降到最低。

这个项目是什么

spring-ai-apps 是由开发者 Mark7766 维护的 Spring AI 入门级应用集合，发布于 2025 年 3 月，GitHub 星标 65 个（数据采集时）。项目收录了 15+ 个覆盖 Chat Model、Embedding Model、Vector Database、Tool Calling、MCP、RAG 等主流 AI 应用场景的 Spring Boot 子项目，每个子项目代码量精简（平均 200~500 行），但框架完整、依赖版本已锁定，开箱即跑。License 为 MIT，支持商用。

核心技术栈：

• 语言： Java 17
• 框架： Spring Boot 3.5.4（最新版）/ 3.4.4（部分子项目）
• AI 框架： Spring AI 1.0.0-M6 / 1.0.0（含 spring-ai-starter-model-openai、spring-ai-starter-model-azure-openai 等多种模型适配器）
• 向量数据库： Chroma（chroma-ollama）、Neo4j（neo4j-ollama）
• 本地模型： Ollama + Qwen2.5 / Llama 系列
• 构建工具： Maven（mvnw 包装器，无需预装 Maven）
• 协议： MIT License

核心能力拆解：15+ 场景，从入门到进阶

1. 聊天对话（Chat Model）

这是最基础的场景——让大模型和你对话。项目提供了三个主流模型接入示例：

子项目	模型	特点
chat-deepseek	DeepSeek	最便宜高性能的国产大模型
chat-azure	Azure OpenAI	企业级合规，支持 GPT-4
memory-llama	Ollama + Llama	本地部署，数据不出本地，支持多轮对话记忆

其中 memory-llama 展示了 Spring AI 如何实现对话记忆（Chat Memory） 功能——让 AI 在多轮对话中记住上下文，避免每次都"失忆"。这是实现真正智能助手的关键技术，也是很多初学者卡住的点。

2. 私有数据问答（RAG + Vector DB）

这是企业 AI 落地的核心场景：让 AI 读懂你的私有文档（PDF、Excel、内部知识库），然后回答相关问题。spring-ai-apps 提供了两条技术路线：

方案 A：Chroma 向量数据库（chroma-ollama） 使用 Ollama + Qwen2.5 本地模型 + Chroma 向量数据库构建 RAG 管道。具体流程：

1. 用 Embedding Model 将私有文档切成块（Chunk）并向量化
2. 存入 Chroma 向量数据库
3. 用户提问时，将问题也向量化，在向量库中做相似度检索
4. 将检索到的上下文 + 问题一起发给大模型，生成回答

方案 B：Neo4j 图数据库（neo4j-ollama）

这是更进阶的 GraphRAG（图增强检索）方案——不只存向量，还把知识结构化成图谱。Neo4j 擅长表达实体之间的关系（比如"公司 → 创始人 → 投资机构 → 其他被投公司"），GraphRAG 在回答多跳关系问题时效果远超纯向量检索。例如问"这家公司的创始人还投了哪些公司？"，纯 RAG 可能答不上来，但 GraphRAG 可以沿着图谱路径推理得到答案。

3. 自然语言转 SQL（Text-to-SQL）

text-to-sql 子项目是整个集合中功能最完整的一个，也是唯一提供了 Dockerfile 的子项目。它能：

• 将自然语言问题转换为 SQL 查询语句
• 自动生成 ECharts 可视化图表
• 支持连接 PostgreSQL 数据库

这个场景在BI系统、数据分析平台中有巨大需求——让不懂 SQL 的业务人员也能自由探索数据。项目附带了完整的医院信息表（DTP药房对应医院）的建表脚本，可直接用于测试。

4. MCP（Model Context Protocol）：让 AI 调度外部工具

mcp-ollama 实现了 MCP 协议的 Server/Client 双向通信，是当前 AI Agent 领域最热门的技术方向之一。MCP 解决了 AI 模型"只能说话、不能做事"的问题——通过标准协议， AI 可以调用搜索引擎、执行代码、操作数据库、访问文件系统。MCP-ollama 演示了用 Ollama 本地模型驱动 MCP 工具链，完成文章摘要总结的实际案例。

5. 原型设计生成（Prototype Design）

prototype-design 是一个面向产品经理和业务分析师的工具——输入自然语言描述 + 模板，就能快速生成产品原型设计图。这是 AI + 设计交叉领域的一个有趣探索，虽然生成质量还不能替代专业设计工具，但作为快速原型验证手段已经相当实用。

部署分析

容器化支持：

• text-to-sql 子项目提供了 Dockerfile（基于 openjdk:17-oracle），但需要先在宿主机完成 Maven 打包（mvn clean package），不支持直接从源码构建 Docker 镜像
• 无 docker-compose.yml，无法一键启动完整依赖栈（PostgreSQL、Chroma、Ollama 需手动启动）
• 其他子项目均无 Dockerfile

Web UI： 项目整体以 REST API 为主，无独立的 Web UI 界面。部分子项目在 src/main/resources 下预留了 static/templates 目录，但未实际提供前端页面。如果需要可视化交互，需要自行开发前端或借助 Postman/curl 调用 API。

快速部署建议： text-to-sql 是唯一有 Dockerfile 的子项目，但部署流程需要较多手动步骤（安装 Ollama、拉取模型、启动 Chroma/PostgreSQL、编译打包、运行容器），不适合零基础用户。

代码架构分析

架构类型： 模块化单体架构（Modular Monolith）—— 各子项目相互独立，每个都是完整的 Spring Boot 应用，共享 Spring AI 框架，通过 Maven 依赖管理整体版本。

AI 框架使用情况： Spring AI 是这个项目的绝对主角。它是 Spring 官方推出的 AI 应用开发框架，提供了与各类大模型（OpenAI、Azure、HuggingFace、Ollama、DeepSeek 等）交互的统一抽象层。开发者无需关心底层 API 差异，用同一套 API 风格切换不同模型。spring-ai-apps 正是通过实际代码展示了这种能力。

代码质量：

• 代码量精简，注释较少，以功能演示为主，不适合作为生产级代码参考
• 各子项目使用 mvnw 包装器，避免了 Maven 环境依赖问题
• pom.xml 依赖版本统一由 parent POM 管理，降低了版本冲突风险
• 无测试代码
• 文档质量中等，README 提供了基础配置说明，但缺少故障排查指南

安全与隐私：

• 本地模型（Ollama）方案数据完全本地处理，适合对数据隐私有严格要求的场景
• 云端模型（DeepSeek、Azure OpenAI）需上传数据到第三方，需评估数据合规要求

这个项目适合你吗？

适合的场景：

• 你是 Java/Spring 开发者，想快速了解 Spring AI 的用法
• 你需要在 Spring Boot 项目中集成 AI 能力，但不知道从哪个场景切入
• 你想了解 RAG/GraphRAG/Text-to-SQL 等 AI 工程化落地方案的具体实现
• 你想在本地用 Ollama 跑 AI 应用，不花 API 费用

不适合的场景：

• 你需要开箱即用的 Web UI（项目不提供）
• 你需要生产级完整解决方案（这只是 Demo 集合）
• 你不是 Java 开发者（Spring AI 是 Java 专属框架）

行业意义

spring-ai-apps 虽然星标数量不多（65★），但它填补了一个真实的市场空白：Java 生态的 AI 应用入门资料极度匮乏。Spring AI 官方文档偏向 API 手册式描述，而国内开发者需要的恰恰是"跟着做一遍就能跑通"的实战案例。此外，随着国产大模型（DeepSeek、Qwen、通义千问）的崛起，用 Spring AI 统一接入国产模型是一个值得关注的技术趋势，该项目对此有直接覆盖。

---

分析基于 GitHub 仓库最新数据（采集于 2025-12-19），项目持续活跃中。