Spring AI企业级应用实战（14）：容器化部署、灰度发布与配置治理
完成容器健康、Release Manifest、资产版本、金丝雀发布、质量观察和回滚。
Spring AI企业级应用实战（13）：测试、黄金数据集与发布质量门禁
建立单元测试、Provider契约、黄金数据集、规则评分、Judge和CI质量门禁。
Spring AI企业级应用实战（12）：异步长任务、队列、回调与可恢复执行
将耗时AI调用从同步接口迁移到任务中心，完成状态机、Outbox、Worker租约、取消传播和Checkpoint。
Spring AI企业级应用实战（11）：权限感知RAG、多租户过滤与引用治理
在Spring AI RAG链路中加入认证上下文、过滤表达式、文档ACL、重排复核和引用鉴权。
Spring AI企业级应用实战（10）：多模型路由、预算控制与故障降级
在统一调用层之上实现模型能力目录、策略路由、预算守卫、Fallback和路由审计。
Spring AI企业级应用实战（9）：结构化输出、JSON Schema、校验、自修复与版本兼容
前面的章节已经完成ChatClient统一调用层、流式输出、Chat Memory、Tool Calling、MCP、可观测性和安全治理。本篇继续解决企业AI应用的核心问题：如何把模型的自然语言输出转化为稳定、可校验、可版本化的Java对象。我们将使用Spring AI 2.0的`ChatClient.entity()`、Provider原生结构化输出和Schema校验能力，实现客户意图识别服务，
Spring AI企业级应用实战（8）：输入输出安全、Prompt Injection、PII脱敏与人工审批
前7篇已经完成统一调用层、流式输出、Chat Memory、Tool Calling、MCP和可观测性。系统具备“能调用、能记忆、能执行、能监控”的能力后，下一步必须解决“什么请求可以进入模型、哪些数据可以发送、哪些回答可以返回、哪些动作必须人工确认”。本文基于Spring AI 2.0设计一套可落地的安全链路：使用ModerationModel完成内容审核，使用自定义Advisor检测PII和P
Spring AI企业级应用实战（7）：可观测性、Token成本、超时重试与熔断降级
前6篇已经完成Spring AI统一调用层、流式输出、Chat Memory、Tool Calling和MCP治理。本篇进入生产稳定性：使用Micrometer与OpenTelemetry观测ChatClient、ChatModel、Advisor、Tool和VectorStore；从ChatResponse累计Usage并计算成本；使用Resilience4j实现超时、限流、重试、熔断和舱壁隔离
Spring AI企业级应用实战（6）：MCP Client/Server接入、工具发现与生产治理
前五篇已经完成DeepSeek接入、统一ChatClient、流式输出、Chat Memory和Tool Calling。本篇把工具能力从本地Java方法扩展到标准MCP体系：使用Spring AI 2.0构建MCP Server，通过`@McpTool`暴露订单查询能力；在另一个Spring Boot应用中配置MCP Client，将远程工具自动接入ChatClient；最后补齐工具过滤、租户隔
Spring AI企业级应用实战（5）：Tool Calling、参数校验、幂等、审批与审计
前四篇已经完成DeepSeek接入、ChatClient统一调用层、SSE流式输出和Chat Memory持久化。本篇进入企业Agent最关键的执行能力：Tool Calling。Spring AI 2.0把工具执行循环统一提升到`ToolCallingAdvisor`，并支持`@Tool`、`ToolCallback`、Tool Context、流式调用和MCP工具。但框架能够执行工具，并不代表
Spring AI企业级应用实战（4）：Chat Memory、会话隔离、持久化与上下文压缩
前几篇已经完成Spring AI统一调用层和流式输出。本篇继续实现企业级多轮对话：使用`MessageChatMemoryAdvisor`管理近期消息，要求每次请求显式提供conversationId，通过PostgreSQL保存完整Chat History与持久化Memory，校验租户和用户所有权，并在上下文接近预算时生成结构化摘要。最终形成一个支持多实例部署、流式调用、审计和安全删除的会话系统
Spring AI企业级应用实战（3）：流式输出、SSE、背压、取消与异常恢复
上一篇完成了ChatClient、Advisor与Prompt Template统一调用层。本篇继续构建生产级流式能力：使用Spring WebFlux和Spring AI返回结构化SSE事件，实现首Token统计、Token合并、背压保护、用户取消、心跳、超时、部分结果保存、错误事件和Nginx部署配置。文章给出完整的请求模型、任务状态、Service、Controller与前端读取代码，解决“
Spring AI企业级应用实战（2）：ChatClient、Advisor与Prompt Template构建统一调用层
# Spring AI企业级应用实战（2）：ChatClient、Advisor与Prompt Template构建统一调用层 ## 文章摘要 上一篇完成了Spring Boot 4.1、Spring AI 2.0与DeepSeek V4接入，但业务代码仍然只是直接调用ChatClient。真实企业项目需要统一管理System Prompt、模板变量、租户信息、请求日志、调用耗时和响应格式。本
Spring AI项目找不到ChatClient Bean怎么解决？从自动配置到多模型冲突完整排查
public AiService(ChatClient.Builder builder) {