大家好，我是R哥。
千呼万唤，历经 8 个里程碑版本，2 个候选版本，Spring AI 2.0.0 正式版本终于发布了：
2.0.0 正式版本 Maven 依赖：
<dependencyManagement>
<dependencies>
<dependency>
<groupId>org.springframework.ai</groupId>
<artifactId>spring-ai-bom</artifactId>
<version>2.0.0</version>
<type>pom</type>
<scope>import</scope>
</dependency>
</dependencies>
</dependencyManagement>从去年开始，Spring AI 的发展速度可以说非常快。
从最初提供统一的模型调用接口，到后来陆续加入 聊天记忆、RAG、工具调用、多模态、MCP 等能力，Spring AI 已经逐渐成为 Java 生态中最受关注的 AI 开发框架之一。
不过随着功能越来越多，Spring AI 1.x 也暴露出一些问题，比如：不同模型实现存在重复代码、工具调用机制分散在各个模型内部、MCP 集成能力不够统一，以及 Agent 开发缺少更完善的基础设施支持。
所以，Spring AI 2.0 并不是一次简单的版本升级，而是一次面向未来 Agent 开发体系的全面重构。
在这个版本中，官方重新梳理了模型生态、统一了工具调用架构、增强了结构化输出能力、升级了 MCP 集成方案，同时引入了更多社区扩展能力，为构建复杂 Agent 应用打下了更加坚实的基础。
接下来，我们一起来看看 Spring AI 2.0 都带来了哪些值得关注的新变化。
Spring AI 2.0 新特性
基础升级
Spring Boot 4
Spring AI 2.0.0 把 Spring Boot 4 作为最低支持版本，支持 4.0.x 和 4.1.x，Spring AI 2.0.0 可以使用 Spring Boot 4 的所有新特性和改进。
目前 Spring Boot 最新版本为 4.1.0。
Jackson 3
Spring AI 2.0.0 把 Jackson 2 升级到了 Jackson 3，Spring AI 的 JSON 序列化能力得到了显著增强。
同时，官方文档也补充了如何自定义默认 JsonMapper 的相关说明，并新增了一个 JsonHelper 工具类，用于提供完全自定义的 JsonMapper 配置能力，以满足更复杂的 JSON 序列化和反序列化需求。
空安全
遵循 Spring Boot 4《Null-safe applications》中的设计理念，Spring AI 整个代码库现已全面引入 JSpecify 空安全注解。
除了能够有效减少运行时空指针异常、为 Kotlin 提供更符合语言习惯的 API 之外，还能明确区分哪些参数是必填的，哪些是可选的，从而让代码语义更加清晰。
配置选项
空安全改造也推动了 Spring AI 对配置选项体系进行一次大规模重构，主要包括：
- 明确区分哪些配置项是必填的，哪些是可选的；
- 默认值统一在 Options 层定义，而不再分散在模型实现或配置属性中；
- Options 全部采用 Builder 模式创建，创建后不可变；
- Builder 提供统一且无需反射的配置合并能力；
- 配置项与配置属性彻底解耦，移除了配置文件中多余的
.options层级，同时修复了大量历史问题； - 明确区分配置项的使用场景：在 ChatClient 中允许部分配置作为默认配置的补充，而在 ChatModel 层则必须提供完整配置。
同时，官方进一步明确了 ChatClient 与 ChatModel 的职责边界。其中，ChatClient 作为开发者主要使用的高级 API，ChatModel 则定位为底层模型能力封装。
聚焦核心模型生态
为了提升维护效率和功能一致性，Spring AI 2.0 对模型支持进行了收敛，现在只重点聚焦这几个大模型了：
- OpenAI
- Anthropic
- Amazon Bedrock
- Google GenAI
- Mistral AI
- DeepSeek
- Ollama
其中：
- OpenAI 从 3 套实现统一为 1 套 SDK 实现；
- Anthropic 从 2 套实现统一为 1 套 SDK 实现；
- Google GenAI 从 2 套实现统一为 1 套 SDK 实现。
Spring AI 官方认为，直接基于 OpenAI、Anthropic、Google 等厂商提供的官方 SDK 构建模型集成，可以更快地跟进最新的 API 变化、新特性以及模型能力扩展。
此外，官方对支持的模型进行了大刀阔斧的清理，部分模型生态已经开始由厂商直接参与维护。
参考这篇文章：
Agent 能力增强
在 Spring AI 1.x 中，每个 ChatModel 内部都维护着独立的工具调用循环（Tool Calling Loop），虽然开发者可以调用工具，但无法对工具调用过程进行扩展、拦截或者替换执行策略。
Spring AI 2.0 对此进行了彻底重构，官方将 Tool Calling Loop 提升为 Advisor 链中的最高优先级。
ChatClient 会将每次请求通过有序的顾问链执行，并支持循环，允许顾问重新进入下游链。相同的机制也驱动工具调用循环、结构化输出重试循环以及评估循环。
统一工具调用
在 Spring AI 2.0 中， ToolCallingAdvisor 会被 ChatClient 自动注册并实现完整的工具调用往返流程，之前在每个聊天模型中单独实现的临时工具循环已被移除。
当你需要对每次工具迭代进行显式控制时，可以选择退出并手动驱动循环。
支持海量工具
Spring AI 2.0 新增了 ToolSearchToolCallingAdvisor，它引入了渐进式工具暴露（Progressive Tool Disclosure）机制。
传统方案通常会在每次请求时向模型注册全部工具，而 ToolSearchToolCallingAdvisor 它不是在每次请求时注册所有工具，而是按需增量暴露。
它会在会话中对完整工具集进行一次索引，并在需要时让模型检索相关工具。这样既减少了上下文消耗，也让 Agent 能够管理数百个工具规模的工具集。
自修复结构化输出
虽然 Spring AI 一直提供统一的结构化输出支持，但即使开启了模型原生 Structured Output，模型依然可能返回不符合规范的 JSON 数据。
为此，Spring AI 2.0 引入 StructuredOutputValidationAdvisor，当结构化输出校验失败时，会自动触发修正流程并重新生成结果，从而提高结构化输出的可靠性。
Spring AI 社区扩展
Event-Sourced ChatMemory
社区项目 spring-ai-session 提供了一套基于事件溯源（Event Sourcing）的会话记忆实现，用于替代内置 ChatMemory。
主要特性包括：支持所有消息类型、支持 Tool Call 消息、支持多种上下文压缩策略、支持基于 LLM 的自动摘要，当上下文窗口接近上限时，能够自动压缩历史对话内容。
Agent 工具集
社区项目 spring-ai-agent-utils 基于 Spring AI 2.0 的 Agent 架构，提供了一系列可直接用于生产环境的 Agent 组件。
主要包括 Agent Skills、文件工具、Shell 工具、Web 抓取工具、任务管理、自动记忆 等常见 Agent 能力。
MCP 集成全面升级
MCP（Model Context Protocol）已经成为 AI 集成领域的事实上的标准协议。由于 Spring 团队本身就是 MCP Java SDK 的官方维护者，所以 Spring AI 的 MCP 支持始终与协议规范保持同步。
Spring AI 2.0 集成了 MCP Java SDK 2.0.0，并兼容最新的 MCP 规范。
注解驱动 MCP 开发
此前由社区孵化的 mcp-annotations 模块正式加入 Spring AI，现在只需要一个注解（@McpTool, @McpResource, and @McpPrompt），就能将 Spring Bean 暴露为 MCP 服务能力。
还引入了统一的 McpSyncRequestContext / McpAsyncRequestContext 参数，自动注入到服务器处理方法中，为工具和资源提供一个用于日志、进度报告、采样和请求信息的统一入口。
客户端侧同样提供了完整的声明式回调模型，实现真正意义上的响应式 Agent 客户端开发。
MCP 传输层升级
WebMVC 和 WebFlux 的传输实现已从 MCP Java SDK 移动到 Spring AI，与框架其他部分的发布节奏保持一致。
流式输出的 HTTP 现在成为默认传输，取代已弃用的 SSE 传输，它的无状态变体可用于实现远程部署的可扩展性，但会代价 MCP 的双向通信。
STDIO 仍然可用于本地基于进程的集成。
企业级 MCP 支持
Spring AI 的 MCP 实现直接继承 Spring 生态成熟的生产能力，包括：
- Micrometer 链路追踪
- OpenTelemetry 指标监控
- OAuth 2.0 安全认证
- API Key 认证
其中安全能力由社区项目 mcp-security 提供支持。
小结
相比 Spring AI 1.x，Spring AI 2.0 最值得关注的并不是新增了多少模型支持，而是底层架构思路发生了明显转变。
从统一工具调用、Agent 循环重构，到结构化输出自修复机制，再到 MCP 全面升级以及社区 Agent 生态的快速发展，Spring AI 正在逐步构建一套完整的 Agent 开发基础设施。
对于个人使用来说，Spring AI 2.0 的开发体验更加统一了，模型适配也更加简单了，工具调用也更加灵活了。而对于企业级项目来说，可以以更低成本构建具备记忆、工具、推理、工作流和 MCP 能力的智能体应用了。
所以说，随着 Spring AI 2.0 的发布，Spring AI 已经从单纯的大模型接入框架，逐步演进为一个面向 Agent 开发的 Java 生态平台。
Spring AI 2.0 发布后，短板已经逐渐补齐，还有什么理由用其他第三方的 Agent 开发框架？Spring AI 只会越来越强，就像 Spring Boot 框架一样成为事实上的 Java AI 开发标准。
Spring AI 让 Java 再次伟大，Java AI 真正起飞了。。
不管你是 AI 初学者，还是有经验的开发者，MCP、RAG、Agent、工作流编排，现在已经成为 Java 开发者的必备基础能力，而 Spring AI 则是 Java 接企业 AI 应用落地很重要的一套方案了。
不是我吹，2026 年的今天，如果你还没有接触过 Spring AI，还没有在项目中使用过 Spring AI 落地，那你可能就真的落伍了。
现在不管中大厂，还是小公司、外包，都或多或少在搞 Spring AI 项目落地，有一个兄弟面试 10 家，有 8 家都会问到 AI，你说你学不学？
不学 Spring AI，面试就没什么竞争力了，给大家看几篇帖子：
看完你就知道 Spring AI 对 Java 程序员的重要性了，会不会用 Spring AI 了，直接关系到你能不能找到好工作了，能不能拿高薪了。
所以，赶紧学起来吧，Spring AI 现在已经是 Java 程序员接大模型的标配了，就像之前的 Spring Boot、Spring Cloud 一样，不学 Spring AI 就真的落伍了。
最后，认真推荐下我的《Spring AI 开发实战课 》，学完把它落地到真实项目里，出去面试的时候就有竞争力了，很多面试官都不一定会，你能落地应用，能说上来，可以和其他同学直接拉开差距了。
后续 Spring AI 课程内容会逐渐丰富，价格也会不断提升，早订阅，早学习，早受益，课程正在适配 Spring AI 2.0，会加入更多实战内容（比如：Agent 应用开发），敬请期待。
Spring AI 让 Java 再次伟大！！
声明：本站所有文章，如无特殊说明或标注，均为本站原创发布。任何个人或组织，在未征得本站同意时，禁止复制、盗用、采集、发布本站内容到任何网站、书籍等各类媒体平台。如若本站内容侵犯了原著者的合法权益，可联系我们进行处理。
