Java AI 框架三强对比

最近写了三个 AI 框架的对比示例，发现同样是调用大模型，代码风格差异还挺大的。

先上代码

Feat AI：链式 Lambda

ChatModel chatModel = FeatAI.chatModel(opts ->    opts.model("Qwen3-235B-A22B")        .system("你是一个乐于助人的助手。"));chatModel.chat("你好，请介绍一下 Feat AI 的特点。");

特点：Lambda 配置 + CompletableFuture，代码密度高。

Spring AI：Spring 风格

OpenAiApi openAiApi = new OpenAiApi("https://ai.gitee.com/", apiKey);OpenAiChatOptions options = OpenAiChatOptions.builder()    .withModel("Qwen3-235B-A22B")    .build();ChatModel chatModel = new OpenAiChatModel(openAiApi, options);Prompt prompt = new Prompt("你好，请介绍一下 Spring AI 的特点。");ChatResponse response = chatModel.call(prompt);

特点：显式组件组装，职责分离清晰。

LangChain4j：Builder 模式

ChatLanguageModel model = OpenAiChatModel.builder()    .apiKey(apiKey)    .modelName("Qwen3-235B-A22B")    .baseUrl("https://ai.gitee.com/v1/")    .build();String response = model.generate("你好，请介绍一下 LangChain4j 的特点。");

特点：Builder 配置灵活，同步 API 简单直接。

Fat-Jar 包尺寸对比

实际构建后的体积差异很直观：

核心差异一览

流式输出对比

流式输出是大模型交互的重要特性，能让用户实时看到生成内容。三个框架的实现方式差异明显：

Feat AI：Consumer 回调

chatModel.chatStream("请写一首关于春天的诗", chunk -> {    System.out.print(chunk.getContent());  // 实时输出每个片段});

特点：简单直接的回调式 API，符合 Java 8 习惯，无需额外学习成本。

Spring AI：Flux 响应式流

Flux<String> stream = chatModel.stream(prompt)    .map(response -> response.getResult().getOutput().getContent());stream.subscribe(System.out::print);  // 响应式订阅

特点：基于 Reactor 的响应式编程，适合已使用 WebFlux 的项目，但增加了学习曲线。

LangChain4j：StreamingResponseHandler

model.generate("请写一首关于春天的诗", new StreamingResponseHandler<>() {    @Override    public void onNext(String token) {        System.out.print(token);  // 处理每个 token    }    @Override    public void onComplete(Response<AiMessage> response) {        System.out.println("\n生成完成");    }    @Override    public void onError(Throwable error) {        error.printStackTrace();    }});

特点：接口回调模式，提供完整的生命周期钩子（onNext/onComplete/onError），代码相对冗长。

流式实现对比

怎么选？

一点感想

写这三个示例的过程中，发现一个有趣的现象：三个框架的 API 设计都遵循"配置与执行分离"，但实现路径截然不同。

Feat AI 选择 Lambda 链式，追求的是代码密度——用最少的字符表达最多的意图。这种风格在快速原型和脚本化场景中特别顺手。

Spring AI 坚持显式组装，体现的是设计显式化——每个组件的职责和依赖都清晰可见。这在大型团队协作中更有优势，代码的可维护性更高。

LangChain4j 采用 Builder 模式，平衡了灵活性和可读性——配置可以分步骤进行，也便于后续扩展。

这三种风格没有高下之分，只是不同的取舍。Feat AI 牺牲了部分显式性换取简洁；Spring AI 牺牲了部分简洁换取可维护性；LangChain4j 在两者之间找了个中间点。

这让我想起一个老话题：框架设计是价值观的外化。选择哪个框架，其实是在选择你认同的编程哲学。

但不管选哪个，它们都指向同一个方向——AI 调用应该像调用本地方法一样简单。这是 Java 社区在 AI 时代的共识，也是开发者最大的福音。

关于 Feat

一个轻量级的 Java Web 框架，专注于让开发更简单。Feat AI 模块提供 Chat、Agent、Embedding、MCP 等完整能力。

有任何问题，欢迎在评论区留言交流。