Spring AI Alibaba 1.0 GA 正式发布！
仅用于站内搜索，没有排版格式，具体信息请跳转上方微信公众号内链接
Datawhale发布
作者：刘军、王晨，阿里巴巴
2025年是AI智能体快速爆发的一年，从单智能体、多智能体到通用智能体的多种不同构建模式持续涌现出来，智能体开发也逐步从概念、Demo开始走向生产落地，应用范围也从编程助手等几个少数领域，逐步拓展到企业内部业务、生活工作助手等多个领域。
随着智能体开始在企业内部业务落地，Java智能体的构建需求也呈现出爆发式增长的趋势，在智能体编程语言及平台领域，Python、Typescript一直走在探索前沿，相对来说，Java领域框架、平台及整体解决方案欠缺，SpringAIAlibaba1. 0的发布，让Java智能体开发迎来一款生产可用的企业级框架与解决方案，助力企业智能体开发进入一个新阶段。
上半年，以Manus为代表的通用智能体的火爆，让具备自主规划能力的通用智能体进入大众视线，另一方面，MCP则将模型或智能体外部数据、外部系统的交互方式做了统一。结合这些技术趋势，在探索SpringAIAlibaba框架、Manus通用智能体的过程中，我们正逐步构建起一套零代码快速构建垂直领域智能体的方案（JManus），我们相信它能弥补低代码、高代码框架的开发复杂度问题，同时又能解决通用智能体效果难以满足企业级生产要求的弊端。
什么是SpringAIAlibaba
SpringAIAlibaba是一款以SpringAI为基础，深度集成百炼平台，支持ChatBot、工作流、多智能体应用开发模式的AI框架。
在1. 0版本中，SpringAIAlibaba提供以下核心能力，让开发者可以快速构建自己的Agent、Workflow或Multi-agent应用。
Graph多智能体框架。基于SpringAIAlibabaGraph，开发者可快速构建工作流、多智能体应用，无需关心流程编排、上下文记忆管理等底层实现。通过Graph与低代码、自规划智能体结合，为开发者提供从低代码、高代码到零代码构建智能体的更灵活选择。
通过AI生态集成，解决企业智能体落地过程中关心的痛点问题。SpringAIAlibaba支持与百炼平台深度集成，提供模型接入、RAG知识库解决方案；支持ARMS、Langfuse等可观测产品无缝接入；支持企业级的MCP集成，包括NacosMCPRegistry分布式注册与发现、自动Router路由等。
探索具备自主规划能力的通用智能体产品与平台。社区发布了基于SpringAIAlibaba框架实现的JManus智能体，除了对标Manus的通用智能体能力外，我们的目标是基于JManus探索自主规划在智能体开发方向的应用，为开发者提供从低代码、高代码到零代码构建智能体的更灵活选择。
快速开始
开发第一个SpringAIAlibaba应用
在SpringBoot工程中添加以下依赖，就可以开始您的AI智能体开发之旅了。
您可以参考我们发布在官网的快速开始了解如何开发Chatbot、智能体或工作流等应用：
官网：https ://java2ai. com
Github仓库：https ://github. com/alibaba/spring-ai-alibaba
总的来说，根据不同场景，您可以选择使用ChatClient或SpringAIAlibabaGraph两个核心组件来开发AI应用。
体验官方Playground示例
SpringAIAlibaba官方社区开发了一个包含完整“前端UI+后端实现”的智能体Playground示例，示例使用SpringAIAlibaba开发，可以体验聊天机器人、多轮对话、图片生成、多模态、工具调用、MCP集成、RAG知识库等所有框架核心能力。
整体运行后的界面效果如下所示：
如果想通过更多示例来学习SpringAIAlibaba框架用法，请参考我们的官方示例仓库：
https ://github. com/springaialibaba/spring-ai-alibaba-examples
开启SpringAIAlibaba1. 0之旅
Spring官方支持&生产可用的Java智能体框架
随着SpringAI1. 0GA版本的发布，Java智能体开发迎来了一款具备完整官方支持、生产可用的编程框架，Java智能体开发进入新时代。
在底层原子抽象能力上，SpringAIAlibaba支持SpringAI的所有核心能力，并在此基础上提供了大量适配实现与最佳实践。以下是SpringAI核心定义列表：
提示（Prompt）
模型增强（TheAugmentedLLM）
顾问（Advisors）
检索（Retrieval）
记忆（ChatMemory）
工具（Tool）
评估（Evaluation）
可观测性（Observability）
模型上下文协议（MCP）
MCP客户端
MCP服务器
MCP和安全
Multi-agent多智能体框架
Graph是SpringAIAlibaba社区核心实现之一，也是整个框架在设计理念上区别于SpringAI只做底层原子抽象的地方，SpringAIAlibaba期望帮助开发者更容易地构建智能体应用。基于SpringAIAlibabaGraph开发者可以构建工作流、多智能体应用。SpringAIAlibabaGraph在设计理念上借鉴LangGraph，因此在一定程度上可以理解为是Java版的LangGraph实现，社区在此基础上增加了大量预置Node、简化了State定义过程等，让开发者更容易编写对等低代码平台的工作流、多智能体等。
SpringAIAlibabaGraph核心能力：
支持Multi-agent，内置ReActAgent、Supervisor等常规智能体模式
支持工作流，内置工作流节点，与主流低代码平台对齐
原生支持Streaming
Human-in-the-loop，通过人类确认节点，支持修改状态、恢复执行
支持记忆与持久存储
支持流程快照
支持嵌套分支、并行分支
PlantUML、Mermaid可视化导出
关于Graph的具体使用方式，请关注官网文档更新。在下文中我们会介绍官方发布的基于SpringAIAlibaba实现的通用智能体平台，您可以把这些官方智能体实现当作Graph的最佳应用实践。
企业级AI应用生态集成
在Agent生产落地过程中，用户需要解决智能体效果评估、MCP工具集成、Prompt管理、Token上下文、可视化Tracing等各种问题，SpringAIAlibaba通过与Nacos3、HigressAI网关、阿里云ARMS、阿里云向量检索数据库、百炼智能体平台等深度集成，提供全面的智能体企业级生产解决方案，加速智能体从Demo走向生产落地。
1. 企业级MCP部署与代理方案
2. AI网关集成提升模型调用稳定性与灵活性
如果您使用Higress作为后端模型代理，则可以通过OpenAI标准接口接入HigressAI模型代理服务，只需要使用spring-ai-starter-model-openai就可以了。
如果您有存量的API服务，需要在无需修改代码的情况下，可以使用Higress作为API到MCP服务的代理方案。
3. 降低企业数据整合成本，提升AI数据应用效果
a. 百炼RAG知识库
百炼是一款可视化AI智能体应用开发平台，它提供RAG知识库管理能力。简单来讲，您可以将私有数据上传到百炼平台，借助百炼平台数据解析、切片、向量化等能力实现数据向量化预处理，处理后的数据可用于后续SpringAIAlibaba智能体应用检索，借用百炼平台强大的数据处理效果。
b. 百炼析言ChatBI，从自然语言到SQL自动生成
SpringAIAlibabaNL2SQL模块可基于大模型的ChatBI技术，帮助用户轻松实现自然语言交互的数据分析，理解用户的数据库schema，帮助用户自动生成SQL查询语句。无论是简单的条件过滤还是复杂的聚合统计、多表关联，都能准确生成对应的SQL语句。
c. 可观测与效果评估，加速智能体从Demo走向生产落地
SpringAI在多个关键节点都做了SDK默认埋点，用来记录运行过程中的metrics与tracing信息，这包括模型调用、向量检索、工具调用等关键环节的调用情况。SpringAItracing信息兼容OpenTelemetry，因此理论上可接入市面上主流的开源平台如Langfuse，或者阿里云ARMS。
从聊天机器人、工作流到多智能体
聊天机器人（ChatBot）
AI应用开发不只是无状态大模型的API调用过程，由于大模型预训练的特性，AI应用还需要具备领域数据检索（RAG）、会话记忆（Memory）、工具调用（Tool）等集成能力，这些对外集成统称为模型增强模式（TheAugmentedLLM），它允许开发者将自己的数据和外部API直接带入模型的推理过程。
此图出自Anthropic《BuildingEffectiveAIAgents》文章
我们这里把ChatClient开发的AI应用称为单智能体应用，这可能是我们最理想的智能体开发模式，它足够简单直接，即把所有的工具、上下文信息等给到模型，由模型持续决策、迭代直到最终完成任务解答。然而，事情远没有那么简单，模型的能力还远未达到我们想要的效果，当我们给模型的上下文、工具过多时，整体效果就会变差，有时事情的走向会严重偏离我们的预期。因此，我们考虑把复杂的问题拆解开来，当前有两种常用模式：工作流和多智能体。
工作流（Workflow）
工作流是以相对固化的模式来人为地拆解任务，将一个大任务拆解为包含多个分支的固化流程。工作流的优势是确定性强，模型作为流程中的一个节点起到的更多是一个分类决策的职责，因此它更适合意图识别等类别属性强的应用场景。工作流也有明显的劣势，它要求开发人员对业务流程有深刻的理解，整个流程是由人绘制的，模型在其中更多的只是内容生成、总结、分类识别的作用，并不能最大化利用模型的推理能力，因此很多人诟病这种模式是不够智能的。
应用SpringAIAlibabaGraph可以轻松开发工作流，声明不同的节点，并将节点串联成一个流程图。
值得注意的是，SpringAIAlibabaGraph中提供大量预置节点，这些节点可以对标到市面上主流的如Dify、百炼等低代码平台，典型节点包括LlmNode（大模型节点）、QuestionClassifierNode（问题分类节点）、ToolNode（工具节点）等，为用户免去重复开发、定义的负担，只需要专注流程串联。
以上是一个可视化绘制的“用户评价分类系统”工作流，对应SpringAIAlibabaGraph代码如下所示：
多智能体（Multi-agent）
复杂任务拆解的另一种解决方案是多智能体，相比于工作流，多智能体虽也遵循特定的流程，但是在整个决策、执行流程上具备更多的自主性和灵活性。多个子智能体间通过通信协作完成，最终完成任务解答，在业界，有多种常见的多智能体通信模型，如下图是几个典型示例：
图片出自Langchain官方博客
打造下一代通用智能体平台
SpringAIAlibaba定位为以ChatClient、Graph抽象为核心的智能体框架，集成框架周边生态，用来帮助用户开发快速构建企业级AI智能体。
随着通用智能体模式的快速发展，社区也在基于SpringAIAlibaba探索具备自主规划能力的智能体产品与平台，目前已经发布了JManus、DeepResearch两款产品，通过JManus等智能体产品，一方面探索智能体在解决日常生活、工作效率等开放性问题方面的无限空间；另一方面，社区也在智能体开发平台、深度搜索等垂直领域持续探索，期望在低代码平台、高代码框架之外，为开发者带来面向自然语言的零代码智能体研发体验。
JManus智能体平台
在我们最开始发布JManus时，给它的定位是一款完全以Java语言为核心、彻底开源的Manus复刻实现，基于SpringAIAlibaba实现的通用AIAgent产品，包含一个设计良好的前端UI交互界面。
随着我们对于通用智能体等方向的深度探索，我们对于JManus通用智能体的最终产品定位也进行了调整。Manus的横空出世，让通用智能体自动规划、执行规划的能力给了人们无限想象空间，它非常擅长解决开放性问题，在日常生活、工作等场景都能有广泛的应用。但在实践中人们也开始认识到，基于当前以及未来相当长时间内的模型能力，完全依赖通用智能体的自动规划模式很难解决一些确定性极强的企业场景问题。企业级业务场景的典型特点是确定性，我们需要定制化的工具、子agent，需要稳定而又确定性强的规划与流程，为此，我们期望JManus能成为一个智能体开发平台，让用户能以最直观、低成本的方式构建自己垂直领域的智能体实现。
当前，JManus具备以下核心能力：
完整实现了Manus多智能体产品JManus完整实现了Manus产品能力，用户可以基于UI界面使用产品功能，JManus可以基于自动规划模式帮助用户完成问题解答。
无缝支持MCP（ModelContextProtocol）工具集成这意味着Agent不仅可以调用本地或云端的大语言模型，还能与各类外部服务、API、数据库等进行深度交互，极大拓展了应用场景和能力边界。
原生支持PLAN-ACT模式能够让Agent具备复杂推理、分步执行和动态调整的能力，适用于多轮对话、复杂决策、自动化流程等高阶AI应用场景。
支持通过UI界面配置Agent开发者和运维人员无需修改底层代码，只需在直观的Web管理界面上进行简单操作，就能灵活调整Agent的参数、模型和工具，还可以调整任务规划，大大提升了易用性和运维效率。
自动生成基于SAA的智能体工程
用户通过自然语言与JManus交互，生成规划并沉淀为特定垂直方向的固化解决方案。如果您不想将运行态限定在平台之上，我们正在探索与低代码平台、框架脚手架的深度整合，支持规划转换为具备对等能力的SpringAIAlibaba工程。
JManus智能体平台还在持续开发建设中，请关注官方仓库源码及后续发布动态。
官方仓库源码：https ://github. com/alibaba/spring-ai-alibaba/tree/main/spring-ai-alibaba-jmanus/
DeepResearch智能体
以下是DeepResearch多智能体应用架构：
DeepResearch智能体还在持续开发建设中，请关注官方仓库源码及后续发布动态。
官方仓库源码：https ://github. com/alibaba/spring-ai-alibaba/tree/main/spring-ai-alibaba-deepresearch
近期规划
框架自身的持续迭代优化，如基于SpringAI最新设计升级内部实现，优化性能和稳定性，提供更丰富的智能体开发工具与组件。
可观测与评估平台。目前SpringAIAlibaba支持通过OpenTelemetry接入市面上主流的可观测产品，但我们将加强与阿里云ARMS、百炼模型评测系统的集成，提供更完善的监控与效果评估能力。
本地项目构建与调试工具。提升Agent、Graph研发效率，支持本地化可视化调试。
所见即所得，从拖拽绘图到代码自动生成。社区正推进深度集成百炼DashScope、Dify等AI应用开发平台，支持可视化绘制AI工作流，一键导出SpringAIAlibaba代码工程。
自动智能体开发平台，相较于低代码拖拽、框架直接编码两种模式，社区将探索智能体基于模型规划与MCPRegistry的自动智能体研发模式。
深度参与MCP、A2A、AG-UI等智能体协议共建。
参考资料
与SpringAI联系和区别
自2024年9月正式开源以来，SpringAIAlibaba一直与SpringAI社区有深度沟通合作，期间发布了多个Milestone版本并与很多企业客户建立了深度合作关系。在交流过程中，我们看到了低代码开发模式的优势与限制，随着业务复杂度提升客户从聊天机器人、单智能体到对多智能体架构方案的诉求，也看到了智能体开发从简单Demo走向生产上线过程中遇到的困难。SpringAIAlibaba孵化自企业智能体构建过程，目标是为企业提供开箱即用的企业级解决方案，包括多智能体搭建与编排的Graph框架、低代码框架集成、企业数据与工具集成、效果评估、通用智能体产品与平台构建等。
相关链接
SpringAIAlibaba官网：https ://java2ai. com
SpringAIAlibaba仓库：https ://github. com/alibaba/spring-ai-alibaba
SpringAIAlibaba官方示例仓库：https ://github. com/springaialibaba/spring-ai-alibaba-examples
SpringAI1. 0GA文章：https ://java2ai. com/blog/spring-ai-100-ga-released
SpringAI仓库：https ://github. com/spring-projects/spring-ai
致谢
SpringAIAlibaba目前已经有接近100位贡献者，持续为仓库提交代码、使用反馈等，非常感谢各位开源贡献者的付出，使得SpringAIAlibaba1. 0得以正式发布。
感谢SpringAI、Langchain等AI社区及开源项目为开源做出的卓越贡献，不断地给AIAgent开发带来新思路与产品。
