Spring AI 1.0.0 M7 釋出

釋出 | Mark Pollack | 2025年4月10日 | ...

我們很高興地宣佈 Spring AI 1.0.0 Milestone 7 的釋出。這將是最後一個里程碑版本。下個月將釋出 RC1 版本，緊接著在 Spring IO 巴塞羅那會議之前釋出 GA 版本。

為了慶祝這次釋出，我們在 AI 生成音樂播放列表中添加了一首新歌，歌詞由 Josh Long 和 Claude 創作！快來收聽最新曲目，為您的部落格閱讀和編碼體驗增添樂趣。

以下是本次釋出的主要變更。請注意，存在破壞性變更！

破壞性變更

Spring AI 1.0.0-M7 引入了多項重要變更，這些變更與早期 SNAPSHOT 版本中引入的結構性改進保持一致。這些變更旨在打造一個更模組化、更易於維護的程式碼庫，同時減少應用程式中的不必要依賴。

Artifact ID 變更

最顯著的變更是 Spring AI 啟動器 artifact 的命名模式

模型啟動器：spring-ai-{model}-spring-boot-starter → spring-ai-starter-model-{model}
向量儲存啟動器：spring-ai-{store}-store-spring-boot-starter → spring-ai-starter-vector-store-{store}
MCP啟動器：spring-ai-mcp-{type}-spring-boot-starter → spring-ai-starter-mcp-{type}

包變更

一些類已移動到新的包中，以更好地反映其領域職責。

KeywordMetadataEnricher 和 SummaryMetadataEnricher 從 org.springframework.ai.transformer 移動到 org.springframework.ai.chat.transformer
Content、MediaContent 和 Media 從 org.springframework.ai.model 移動到 org.springframework.ai.content

您的 IDE 應該能輕鬆處理這些重構。

新模組結構

如上方“核心架構改進”部分所述，專案已從單體核心重構為專門的領域模組。

這種模組化方法允許您僅包含所需的功能，從而實現更小的部署和更清晰的元件邊界。

重要的是，如果您使用 Spring AI starter，此更改不應構成破壞性更改，因為它們現在會自動匯入新的模組化依賴項。只有直接引用先前單體 artifact 的應用程式才需要更新其依賴項。

ToolContext 變更

ToolContext 類已得到增強，以支援顯式和隱式工具解析，並且僅在顯式請求時才將工具包含在模型呼叫中。

其他資源

有關這些變更的更多詳細資訊，請參閱

Spring AI 更新到快照版本 - 結構性變更的初步公告
Spring AI 使用快照版本第二部分 - 模組重構的詳細說明
參考指南中的升級說明

有兩種方法可以將您的專案更新到 Spring AI 1.0.0-M7

使用 Claude Code CLI 工具和此提示。您也可以使用其他 AI 助手工具，但我們僅測試了 Claude Code。請注意，此自動化方法處理了 artifact ID 更改、包重定位和模組結構更改，但尚未自動處理升級到 MCP 0.9.0 的更改。
有關詳細說明，包括關於手動更新 MCP 相關程式碼的指導，請參閱升級說明。

核心架構改進

全面的模組化架構
- 專案已完全從單體核心重構為專門的領域模組，提供了
  - 減少的依賴佔用空間：應用程式只需包含實際使用的模組
  - 最小化的傳遞依賴：與第三方庫的衝突更少
  - 更清晰的關注點分離：每個模組都有明確的職責
- spring-ai-commons：基礎模組，不依賴於其他 Spring AI 模組
  - 核心領域模型（Document、TextSplitter 等）
  - JSON 工具和資源處理
  - 結構化日誌記錄和可觀察性支援
- spring-ai-model：基於 commons 提供 AI 功能抽象
  - 介面，如 ChatModel、EmbeddingModel 和 ImageModel
  - 訊息型別和提示模板
  - 函式呼叫框架（ToolDefinition、ToolCallback）
  - 內容過濾和觀察支援
- spring-ai-vector-store：統一的向量資料庫抽象
  - 用於相似性搜尋的 VectorStore 介面
  - 支援 SQL 風格表示式的高階過濾
  - SimpleVectorStore 用於記憶體使用
  - Embedding 的批次處理支援
- spring-ai-client-chat：高階對話式 AI API
  - ChatClient 介面
  - 透過 ChatMemory 進行對話持久化
  - 使用 OutputConverter 進行響應轉換
  - 基於 Advisor 的攔截
  - 同步和響應式流支援
- spring-ai-advisors-vector-store：連線聊天和向量儲存以實現 RAG
  - QuestionAnswerAdvisor：將上下文注入提示
  - VectorStoreChatMemoryAdvisor：儲存/檢索對話歷史記錄
- spring-ai-model-chat-memory-*：專用持久化實現
  - Cassandra、Neo4j 和 JDBC 實現
- spring-ai-rag：用於檢索增強生成的全面框架
  - RAG 管道的模組化架構
  - RetrievalAugmentationAdvisor 作為主要入口點
  - 函數語言程式設計原則與可組合元件
模組化自動配置
- 將單個單體自動配置 artifact 替換為每個元件的獨立自動配置 artifact
  - 模型自動配置：spring-ai-autoconfigure-model-{model}
  - 向量儲存自動配置：spring-ai-autoconfigure-vector-store-{store}
  - MCP 自動配置：spring-ai-autoconfigure-mcp-{type}
- 此更改最大限度地減少了與 Google Protocol Buffers 和 gRPC 等庫的依賴衝突
- 應用程式現在只包含實際使用的元件的自動配置
- 使用相應的 starter 依賴項時，這些自動配置 artifact 會被傳遞性地包含
包重組
- 類的戰略性遷移，以更好地反映其領域職責
  - KeywordMetadataEnricher 和 SummaryMetadataEnricher 從 org.springframework.ai.transformer 移動到 org.springframework.ai.chat.transformer
  - Content、MediaContent 和 Media 從 org.springframework.ai.model 移動到 org.springframework.ai.content
- 改進的包命名約定，以提高可發現性和組織性
框架增強
- 為 MethodToolCallbackProvider 添加了 AOP 代理支援，以實現更靈活的整合
- 增強了 JSON 序列化的執行時提示配置，以改進原生映象支援
- 透過標準化配置改進了 Spring Boot 整合
- 增強了所有模組的可觀察性和指標收集

升級到 MCP 0.9.0

Spring AI 1.0.0-M7 集成了最新的 MCP 參考實現 Java SDK 版本 0.9.0，帶來了重大的架構改進

基於會話的架構：改進了對多個併發客戶端連線的處理，並增強了會話之間的隔離性
基於交換的互動：新的交換物件提供了客戶端和伺服器之間的上下文感知互動
增強的傳輸提供程式抽象：實現了更清晰的連線管理和通訊處理之間的分離
改進的工具管理：透過名稱改進了工具的去重，以避免在複雜場景中發生衝突
簡化的伺服器配置：為配置和管理 MCP 伺服器提供了簡化的 API
全面的 WebFlux 和 WebMvc 支援：為響應式和 Servlet 應用程式增強了傳輸提供程式

這些改進帶來了更健壯、更具擴充套件性的 MCP 實現，能更好地符合 MCP 規範。有關詳細遷移指南，請參閱 MCP Java SDK 變更的升級說明部分。

Spring AI Examples 儲存庫中的所有示例均已更新，以相容最新的 MCP 實現：Spring AI Examples repository。

新增和增強的模型整合

Anthropic Claude 更新
- 添加了對 Claude 3.7 Sonnet 模型支援，並將其設為預設
- 增強了“思考”能力（THINKING 和 REDACTED_THINKING 塊）
- 重新命名了與函式相關的 API 為與工具相關的 API，以保持一致性
- 添加了對 Anthropic API 請求中自定義 HTTP 標頭的支援
- 改進了選項，增加了 equals、hashCode 和 deep copy 支援
Mistral AI 增強
- 添加了稽核模型支援，用於檢測潛在的有害內容
- 實現了具有 JSON schema 功能的自定義結構化輸出
- 增強了安全功能和內容過濾
Ollama 改進
- 添加了 min_p 引數以改進取樣控制
- 添加了對 qwq 模型支援
- 添加了對 LLAMA3_2_3B 模型支援
Azure OpenAI 更新
- 增強了 AzureOpenAiChatOptions
- 修復了自動配置的 opt-in 行為
- 改進了與 Azure 服務的整合
OpenAI 增強
- 更改了 OpenAI Audio Speech API 中的 voice 引數為 string 型別
- 為 OpenAI Audio API 添加了缺失的音訊格式
- 使用 equals、hashCode 和 deep copy 功能增強了 OpenAiChatOptions

Docker Model Runner 支援

Spring AI 1.0.0-M7 增加了對 Docker Desktop 4.40 的 Model Runner 的支援，實現了與本地執行的 AI 模型的無縫整合

OpenAI 相容 API：Docker Model Runner 提供了一個本地推理 API，設計上相容 OpenAI API，從而可以輕鬆地與 Spring AI 整合
標準 OCI Artifacts：模型以標準 OCI artifact 的形式分佈在 Docker Hub 的 ai 名稱空間下
多種配置選項:
- 直接 TCP 連線到 Model Runner
- 透過 Testcontainers 整合，用於開發和測試

簡單配置：只需使用自定義基本 URL 配置 OpenAI 客戶端

spring.ai.openai.api-key=ignored
spring.ai.openai.base-url=https://:12434/engines
spring.ai.openai.chat.options.model=ai/gemma3

完整功能支援：所有 Spring AI 功能，包括函式呼叫、流式傳輸等，均可與 Docker Model Runner 配合使用
本地模型執行：在 Apple Silicon 上本地執行模型，無需將資料傳送到外部服務

有關詳細資訊，請查閱 Spring AI Docker Model Runner 文件以及我們配套的部落格文章 Spring AI with Docker Model Runner，該文章深入探討了此整合。

特別感謝 Eddú Meléndez 對此功能做出的重要貢獻。

工具和多模態能力

工具執行框架
- 引入了 ToolExecutionEligibilityPredicate 介面
- 透過 MCP 伺服器按名稱改進了工具去重
- 增強了 MCP 工具回撥中的錯誤處理
- 標準化了 MCP 工具名稱格式
多模態支援
- 支援工具呼叫結果中的 base64 編碼影像
- 處理 JSON 響應中的 base64 編碼影像
- 增強了影像轉換能力
- 支援工具響應中的自定義 MIME 型別
文件處理
- 添加了 JSoup HTML 文件讀取器，用於解析網頁內容
- 增強了文件格式化能力
- 向 ContextualQueryAugmenter 添加了 documentFormatter 引數

記憶體和儲存

聊天記憶體實現
- 添加了 ChatMemory 的 JDBC 實現
- 將 Cassandra 聊天記憶體實現遷移到其自己的模組
- 添加了 Neo4j 聊天記憶體實現
向量儲存增強
- 添加了 Couchbase 向量儲存支援
- 移除了 CosmosDBVectorStore 中對分割槽鍵路徑的斷言
- 使用原生表示式增強了 Milvus 向量儲存
- 添加了 Milvus 中資料庫集合的配置選項
- 條件性啟用單個向量儲存實現
- 增強了 PgVectorStore，使其支援基於 PgIdType 的 schema 生成

查詢處理

檢索增強
- 向 RetrievalAugmentationAdvisor 中的 Query 添加了 Context 支援
- 移除了所有 QueryTransformer 實現中的預設 temperature
- 增強了上下文處理，以提高相關性

開發者體驗

Spring Boot 整合
- 更新了支援的 Spring Boot 版本
- 改進了自動配置模式
- 向 MCP 自動配置添加了 boot 配置處理器
AOT 和原生映象支援
- 改進了提前編譯支援
- 增強了原生映象相容性的執行時提示
- 對 JsonInclude 註釋進行了全面掃描
文件
- 添加了遷移到 M7 的升級說明
- 使用架構圖改進了模組文件
- 為新功能增強了 API 文件

貢獻者

還有許多其他重構、錯誤修復、文件增強等工作由眾多貢獻者完成。如果您的 PR 尚未被處理，我們會盡快處理，請耐心等待。感謝

Spring 部落格