JeecgBoot 是一款基于代码生成器的低代码开发平台！前后端分离架构 SpringBoot2.x 和 3.x，SpringCloud，Ant Design Vue3，Mybatis-plus，Shiro，JWT，支持微服务。强大的代码生成器让前后端代码一键生成，实现低代码开发！JeecgBoot 引领新的低代码开发模式 (OnlineCoding-> 代码生成器 -> 手工 MERGE)， 帮助解决 Java 项目 70% 的重复工作，让开发更多关注业务。既能快速提高效率，节省研发成本，同时又不失灵活性！
JeecgBoot 如何集成 Spring AI
Spring 通过 Spring AI 项目正式启用了 AI（人工智能）生成提示功能。本文将带你了解如何在 Jeecg Boot 应用中集成生成式 AI，以及 Spring AI 如何与模型互动，包含 RAG 功能。
（Retrieval Augmented Generation）检索增强生成（RAG）是一种用于将个人未经训练数据与人工智能模型集成的技术。在 RAG 工作流程中，第一步将文档数据加载到矢量数据库（例如 Redis）中。当收到用户查询时，矢量数据库会检索一组与该查询相似的文档。然后，这些文档数据充当用户问题的上下文，并与用户的查询结合使用生成响应（通常通过 LLM 模型）。
先来看一下最终效果，效果分别是 AI 互动以及 RAG 互动。 
集成 Spring AI 在 Jeecg-module-demo 模块的 pom.xml 中，添加如下配置
<dependency> <groupid>org.springframework.ai</groupid> <artifactid>spring-ai-openai-spring-boot-starter</artifactid> <version>1.0.0-M1</version> </dependency> <repositories> <repository> <id>spring-milestones</id> <name>Spring Milestones</name> <url>https://repo.spring.io/milestone</url> <snapshots> <enabled>false</enabled> </snapshots> </repository> <repository> <id>spring-snapshots</id> <name>Spring Snapshots</name> <url>https://repo.spring.io/snapshot</url> <releases> <enabled>false</enabled> </releases> </repository> </repositories>
添加配置 Spring AI 提供的 starter 自动配置完成了大部分工作，引入依赖后，只需要再进入如下配置即可
spring: ai: openai: api-key: open-ai-api-key base-url: 如非使用代理点，则无需更改
进行以上配置之后，官方默认没有提供 ChatClient 的 bean 注册，所以我们还需要最后一步，注册 ChatClient Bean。
@Bean public ChatClient chatClient(ChatClient.Builder builder, VectorStore vectorStore) { return builder.build(); }
到这里，我们已经可以正常使用 ChatClient、ImageModel 等 API 与 OpenAI 进行互动访问了，如下：
文生文：
chatClient.prompt().user(message).call().content();
文生图：
imageModel.call(new ImagePrompt(description, OpenAiImageOptions.builder().build()));
RAG：
// 向量库查询 List<document> documents = vectorStore.similaritySearch(query); String info = ""; if (documents.size() > 0) { info = documents.get(0).getContent(); } // 构造系统prompt String systemPrompt = "你的名字叫Jeecg AI助手,你的官网在http://jeecg.com,以友好的方式回应,乐于助人、快乐的态度"; // 构造用户prompt String userPrompt = """ 给你提供一些数据参考: {info}，请回答我的问题：{query} 请你跟进数据参考与工具返回结果回复用户的请求。 """; // 构造提示词 Message systemMessage = new SystemMessage(systemPrompt); PromptTemplate promptTemplate = new PromptTemplate(userPrompt); Message userMessage = promptTemplate.createMessage(Map.of("info", info, "query", query)); Prompt prompt = new Prompt(List.of(userMessage, systemMessage)); client.prompt(prompt).stream().content();
与 JeecgBoot 集成
经过以上两段配置，已经可以正常与 Spring AI 支持的各个大模型进行 API 调用了，不过也仅仅是停留在代码层面，使用门槛也限制在开发员人层面。
JeecgBoot 在 3.7 版本提供了 AI 对话的页面，不过现在版本的默认实现并不是通过 Spring AI 进行集成的，但是却已经完成了前后端对话通信的框架，接下来只需要使用 Spring AI 替换掉原有的大模型交互即可。
org.jeecg.modules.demo.gpt.service.impl.ChatServiceImpl 这个类的 sendMessage 方法中，将如下代码进行注释，替换上 Spring AI 的 API 调用代码即可。如下 
替换成
Flux<string> contents = client.prompt() .user(message) .stream().content().then(“DONE”); final String id = topicId; contents.subscribe(p -> { Map<string, string> result = new HashMap<>(); result.put("content", p); try { if ("DONE".equals("p")) { sseEmitter.send(SseEmitter.event().id("DONE").data(p), MediaType.TEXT_EVENT_STREAM); } else { sseEmitter.send(SseEmitter.event() .id(id) .data(result) .reconnectTime(3000)); } } catch (IOException e) { throw new RuntimeException(e); } });
最终效果如开头所示，如果需要将对话替换成 RAG 对话，只需要将 chatClient 调用更换即可。
