AI应用开发入门这么简单?附可直接运行源码-夜雨聆风

AI应用开发入门这么简单?附可直接运行源码

很多人学 Spring AI Alibaba，卡住的不是概念，而是落地。

常见问题就三个：

依赖版本不好控，组件一组合就冲突
示例项目太重，想跑个 demo 成本很高
就算跑通了，也不知道代码为什么这样写

所以这篇文章不讲大而全，只围绕一个最精简的入口，把 Spring AI Alibaba 最基础的调用链先跑通。

主线很简单：

先跑起来
再看懂它
最后把一次最小调用串起来

这篇我直接给你完整可运行代码,照着复制粘贴,10分钟就能跑通你的第一个Java AI接口

先从一个最小接口开始

@RequestMapping("chat1")public String chat1(@RequestParamString msg) {     Message systemMessage = new SystemMessage("你是一位专业的 Java 技术顾问。");      Message userMessage = new UserMessage(msg);      return chatClient.prompt(new Prompt(List.of(systemMessage, userMessage))).call().content();}

这段代码很短，但已经包含了 3 个核心概念：

Message（消息）

Prompt（提示词）

ChatModel（聊天模型）

后面就顺着这 3 层往下拆。

Message：先把“谁说了什么”说明白

在 Spring AI 中，Message 是对话的最小单位，每一条消息都带有明确的“角色”。

常见的几种角色如下：

回到刚刚那段代码，其实只做了两件事：

Message systemMessage = new SystemMessage("你是一位专业的 Java 技术顾问。");Message userMessage = new UserMessage(msg);

👉 一条用来定义 AI 角色

👉 一条用来传递用户问题

这两条消息组合在一起，就构成了一次最基础的对话。

这是运行结果:

上面我们用 Message，已经能完成一次最基础的对话。

但问题也很明显：

👉 每次都手动拼 Message，不够灵活，也不方便复用。

这时候，就需要引入第二个核心概念：Prompt（提示词）。

Prompt：把一组 Message 组织成一次请求

Prompt 就是一整次 AI 请求，本质是对一组 Message 的封装。

可以简单理解：

Message 是一句话，Prompt 是一整次对话

来看一个更实用的写法：

@GetMapping("/chat2")public String chat2() {     PromptTemplate template = new PromptTemplate("请用{language}，向{level}程序员解释什么是{concept}。");        Prompt renderedPrompt = template.create(Map.of(                 "language", "中文",                    "level", "初级",                  "concept", "微服务"               ));      return chatClient.prompt(renderedPrompt).call().content();   }

相比前面，这里做了一件事：

👉 把提示词从“写死”，变成“可参数化”。

所以 `Prompt` 解决的不是“能不能发请求”，而是“这次请求怎么组织得更清楚、更可复用”。

那组织好之后，谁来真正把请求发给模型？

这就要用到第三个核心概念：ChatModel（聊天模型）

Prompt 组织好了，接下来谁来真正发请求

这就轮到 `ChatModel` 出场了。

ChatModel：负责把请求发出去

ChatModel 是与大模型交互的核心接口，

Spring AI 对不同模型做了统一抽象。

可以简单理解成：

👉 一个“通用遥控器”，无论底层是通义千问还是 GPT，用法都一样

来看一个最直接的调用方式：

@GetMapping("/chat3")public String chat3() {    Prompt prompt = new Prompt(List.of(               new SystemMessage("你是一位经验丰富的 Java 架构师。"),       new UserMessage("什么是 LLM")     ));    ChatResponse response = chatModel.call(prompt);       Usage usage = response.getMetadata().getUsage();     log.info( "promptTokens: {}, completionTokens: {}, totalTokens: {}",                usage.getPromptTokens(),           usage.getCompletionTokens(),            usage.getTotalTokens());       for (Generation result : response.getResults()) {             log.info("result: {}", result.getOutput().getText());          }       return response.getResult().getOutput().getText();}

这段代码做的事很简单：把 `Prompt` 发给模型，再把结果取回来。

这里顺手记住 4 个点就够了：

ChatModel 更偏底层接口，业务里通常更常用的是ChatClient
PromptTemplate 用的是{}，不要和${} 混淆
call() 本身是无状态调用，多轮对话需要自己维护上下文
Token 是计费单位，输入和输出都会消耗

看到这里，其实这三层关系已经比较清楚了：

Message 负责“说什么”
Prompt 负责“怎么组织”
ChatModel 负责“把请求发出去并拿回结果”

不过，如果实际开发里每次都直接操作 `ChatModel`，代码还是会显得偏底层。

所以 Spring AI 又往上给了一层更顺手的封装。

为什么实际开发里更常用 ChatClient

ChatClient 是基于 ChatModel 的高层封装，让调用方式更简洁。

如果打个比方：

👉 ChatModel 是“发动机”👉 ChatClient 是“方向盘 + 仪表盘”

它更适合业务开发，原因也很直接：

支持链式调用，写起来更顺
能放默认配置，不用每次重复写
更方便挂日志、顾问和后续扩展逻辑

基础用法：

@Beanpublic ChatClient chatClient(ChatModel chatModel) {   return ChatClient.builder(chatModel)    .defaultSystem("你是一位专业的 Java 技术顾问，请用简洁专业的语言回答问题。")    .defaultAdvisors(new SimpleLoggerAdvisor())     .defaultTools(weatherTool)    .build();   }

流式返回调用:

@GetMapping(value = "/chat4", produces = "text/html;charset=utf-8")public Flux<String> chat4(@RequestParam(name = "msg", defaultValue = "你好") String msg) {    return chatClient.prompt().user(msg).stream().content(); }

到这里，这条最小链路就清楚了：

`Message -> Prompt -> ChatModel -> ChatClient`

先把这条线跑通，你再去看 Spring AI Alibaba，很多东西就不会觉得乱。

这一篇我们先停在“怎么把一次请求发好”。

下一篇再继续往下走，讲另外几个更关键的问题：

怎么让 AI 调工具
怎么让 AI 自己规划步骤
怎么让 AI 记住上下文

也就是 `Tool`、`Agent`、`Memory`、`Hook` 这几层能力。

为了方便大家直接上手,我把本文完整可运行项目源码打包好了,包含依赖、配置、启动类全套,导入就能跑

需要的朋友可以关注我,后台回复【SpringAI入门】即可领取。后续我会持续更新java+AI实战干活,带你少踩坑、快落地。