MoreRSS

site iconPhodal | 黄峰达修改

ThoughtWorks 技术专家,工程师 / 咨询师 / 作家 / 设计学徒。开源深度爱好者。
请复制 RSS 到你的阅读器,或快速订阅到 :

Inoreader Feedly Follow Feedbin Local Reader

Phodal | 黄峰达的 RSS 预览

从 Semantic Kernel 到 Spring AI:企业级 AI 应用迁移实践指南 【AI 结合代码生成】

2025-08-16 09:17:34

# 从 Semantic Kernel 到 Spring AI 的迁移实践:构建企业级智能应用的架构演进 > 在AI应用快速发展的今天,框架选择和迁移策略直接影响着项目的成功。本文基于一个真实的企业级项目,深入分析从Microsoft Semantic Kernel迁移到Spring AI的完整实践过程,为同样面临技术选型的团队提供实战参考。 ## 前言:为什么要进行框架迁移? 在企业级AI应用开发中,技术栈的选择往往需要平衡多个因素:开发效率、维护成本、团队技能栈、生态兼容性等。我们的项目最初基于Python的Semantic Kernel构建,但随着业务复杂度增加和团队Java技术栈的优势,迁移到Spring AI成为了必然选择。 这不仅仅是一次简单的技术栈切换,更是一次架构思维的升级——从Python的简洁灵活转向Java的工程化严谨,从单一框架依赖转向Spring生态的全面拥抱。 ## 项目概览:一个复杂的智能应用生态 ### 核心业务场景 我们的项目是一个综合性的智能应用平台,涵盖了四大核心技术场景: 1. **基于Prompt模板引擎的智能对话**:支持动态模板渲染和函数调用 2. **配置化动态模型调用**:通过配置文件灵活切换不同的AI模型 3. **Text2SQL智能查询**:结合Vanna框架和Milvus向量数据库实现自然语言转SQL 4. **直接API调用**:集成企业内部ESB服务,实现业务系统互联 ### 技术挑战 项目面临的主要挑战包括: - **多模型管理**:需要同时支持多种AI模型和提供商 - **插件化架构**:业务功能需要高度模块化和可扩展 - **向量检索**:大规模向量数据的存储和检索 - **配置驱动**:所有功能都需要支持配置化管理 ## 架构设计:从Semantic Kernel到Spring AI的演进 ### 整体架构映射 ```mermaid graph TB subgraph "Spring AI架构层" ChatClient["ChatClient

AI × 旧系统:Vibe Coding 构建 AI 迁移工具,实现端到端智能迁移

2025-08-07 20:38:08

PS:本文的适用场景是:中大型老旧系统、大量的相同技术栈应用,即可以通过构建工具来获得规模化效应,进而在 ROI 的成本上获得更可观的收益。

2025 年 AI 编程趋势:智能体 10 倍生产率放大下的“粪围”蔓延

2025-07-04 15:40:38

2025 年注定不只是一个 “Agent 元年”,而是一个体系化跃迁的起点。在几个月过去,这个判断被不断印证,也不断被现实加速。

2025 年 AI 驱动开发中的生产力与风险:10 倍悖论

2025-07-04 10:08:31

## **第一部分:全新的开发者体验:智能体生态与工具的趋同**

AutoDev Remote 编程智能体:你何必只让 AI 在白天分析需求、设计方案

2025-06-13 22:08:45

在那篇《AutoDev Next》的愚人节文章里,我们介绍了 AutoDev 下一阶段的一些构思和想法,而 AutoDev Remote Agent 则是其中一个重要的组成部分。

AutoDev 预上下文引擎:预生成代码语义化信息,构建 AI 编程的知识基座

2025-05-28 10:11:14

在先前《[预上下文生成](https://www.phodal.com/blog/pregen-context-refactoring-rag/)》的文章中,我们介绍了预生成上下文的概念和实践: