文章目录

• • 概述
  • SpringAI介绍
  • Spring AI 提供以下功能
  • 支持的聊天模型有哪些
  • 支持的文生图的模型有哪些
  • 支持的音频到文本模型
  • 支持的嵌入模型有哪些
  • 支持的矢量数据库有哪些

概述

在当今快速发展的技术时代，人工智能（AI）已经成为各行各业的关键驱动力。而作为一种领先的Java应用开发框架，Spring Framework在软件开发领域享有盛誉。下面跟着我一起去了解Spring AI的庐山真面目吧。

官网地址如下：https://spring.io/projects/spring-ai#learn
文档地址如下：https://docs.spring.io/spring-ai/reference/index.html
可以看到现在SpringAI出了一个预览版和一个快照版，GA版尚未发布，大家伙可以提前学习，等GA版发布再行使用最佳。

GA指的是 General Availability，意为正式发布的版本，推荐使用（主要是稳定），与maven的releases类似；
PRE指的是预览版，主要提供给开发测试人员找bug的。
SNAPSHOT指的是快照版，会在此版本上持续更新，与maven的SNAPSHOT类似。

SpringAI介绍

Spring AI 是 AI 工程的应用框架。其目标是将 Spring 生态系统设计原则（如可移植性和模块化设计）应用于 AI 领域，并促进使用 POJO 作为应用程序的构建块到 AI 领域。

Spring AI 提供以下功能

1. 支持所有主要模型提供商，例如 OpenAI、Microsoft、Amazon、Google 和 Hugging Face。
2. 支持的模型类型包括聊天、文本到图像、音频转录、文本到语音等。
3. 适用于所有模型的跨 AI 提供商的可移植 API。支持同步和流式 API 选项。还支持下拉以访问特定于模型的功能。
4. 将 AI 模型输出映射到 POJO。
5. 支持所有主要的矢量数据库提供商，例如 Apache Cassandra、Azure Vector Search、Chroma、Milvus、MongoDB Atlas、Neo4j、Oracle、PostgreSQL/PGVector、PineCone、Qdrant、Redis 和 Weaviate。
6. 跨 Vector Store 提供商的可移植 API，包括一种新颖的类似 SQL 的元数据过滤器 API，它也是可移植的。
7. 函数调用。
8. 用于 AI 模型和向量存储的 Spring Boot 自动配置和启动器。
9. 数据工程的 ETL 框架。

支持的聊天模型有哪些

支持的聊天模型，有国外的、国内的、托管在平台上的和运行在自己硬件上的，还是比较齐全的。

支持的文生图的模型有哪些

OpenAI 的文生图大家很熟悉了，Stability AI呢有大名鼎鼎的Stable Diffusion，是不是很熟悉呢。
1、OpenAI 的DALL-E。
2、Stability AI。

支持的音频到文本模型

现在只支持OpenAI的，后面可能会支持其他公司的，毕竟SpringAI框架还在开发中。
1、OpenAI

支持的嵌入模型有哪些

Embedding Models（嵌入模型）是一类机器学习模型，其主要功能是将高维、离散的输入数据（如词汇、类别标签、节点或实体等）映射到低维、连续的向量空间中。

嵌入是文本、图像或视频的数字表示，用于捕捉输入之间的关系。
嵌入的工作原理是将文本、图像和视频转换为浮点数数组（称为向量）。这些向量旨在捕捉文本、图像和视频的含义。嵌入数组的长度称为向量的维数。
通过计算两段文本的向量表示之间的数值距离，应用程序可以确定用于生成嵌入向量的对象之间的相似性。

作为探索 AI 的 Java 开发人员，没有必要理解这些矢量表示背后的复杂数学理论或具体实现。对它们在 AI 系统中的作用和功能有基本的了解就足够了，特别是当您将 AI 功能集成到您的应用程序中时。

• Azure OpenAI
• Amazon Bedrock
  • Cohere
  • Titan
• Azure OpenAI
• Mistral AI
• MiniMax
• Ollama
• (ONNX) Transformers
• OpenAI
• PostgresML
• QianFan
• VertexAI
  • Text
  • Multimodal
  • PaLM2
• ZhiPu AI

支持的矢量数据库有哪些

1. Azure AI Service：微软提供的云服务，涵盖多种人工智能功能，包括但不限于机器学习、自然语言处理等。在矢量数据处理方面，提供了强大的计算资源和工具，适合大规模数据处理和企业级应用。
2. Apache Cassandra：一种高度可扩展的分布式数据库，常用于处理大量结构化数据。虽然不是专门的矢量数据库，但可以通过适当的设计和扩展来存储和处理矢量数据。
3. Chroma：一个轻量级的本地矢量数据库，易于安装和使用，适用于小型项目和快速原型开发。
4. Elasticsearch：广泛使用的搜索引擎和数据分析平台，能够高效处理和检索矢量数据，常用于构建大规模的搜索和分析应用。
5. GemFire：一款分布式数据管理平台，提供了高并发、低延迟的数据处理能力，可用于构建复杂的矢量数据存储和查询系统。
6. Milvus：专为处理海量矢量数据而设计的开源数据库，支持高效的相似性搜索和向量运算，在图像、音频、文本等领域有广泛应用。
7. MongoDB Atlas：云托管的 MongoDB 服务，具有灵活的数据模型，可通过适当的方式存储和操作矢量数据，适用于多种应用场景。
8. Neo4j：图数据库，主要用于处理关系型数据，对于某些具有复杂关系的矢量数据场景可能会有特殊的应用价值。
9. OpenSearch：开源的搜索和分析引擎，类似于 Elasticsearch，能够有效地处理和检索矢量数据，为应用提供搜索和分析功能。
10. Oracle：成熟的企业级数据库管理系统，通过适当的配置和扩展可以处理矢量数据，但可能在某些特定场景下不如专门的矢量数据库高效。
11. PGvector：PostgreSQL 的扩展，用于在关系数据库中处理矢量数据，方便与现有 PostgreSQL 应用集成。
12. Pinecone：专门的矢量数据库服务，提供了高性能的矢量搜索和存储功能，适用于大规模的机器学习和人工智能应用。
13. Qdrant：开源的矢量数据库，专注于高效的向量存储和检索，支持多种索引类型和查询方式。
14. Redis：内存数据结构存储系统，常用于缓存和快速数据访问，也可以通过一些扩展来处理简单的矢量数据。
15. SAP Hana：企业级内存数据库，具有高性能和实时分析能力，可用于处理矢量数据，但通常应用于特定的企业业务场景。
16. Typesense：轻量级的搜索引擎，能够处理矢量数据，适合构建快速、简单的搜索应用。
17. Weaviate：开源的矢量数据库，支持多种数据类型和复杂的查询操作，为人工智能应用提供数据存储和检索服务。