{"id":660,"date":"2026-04-25T22:48:39","date_gmt":"2026-04-25T21:48:39","guid":{"rendered":"https:\/\/www.xn--javaeinfacherklrt-4qb.de\/?p=660"},"modified":"2026-06-16T22:49:21","modified_gmt":"2026-06-16T21:49:21","slug":"spring-ai-kuenstliche-intelligenz-in-java-anwendungen","status":"publish","type":"post","link":"https:\/\/www.xn--javaeinfacherklrt-4qb.de\/?p=660","title":{"rendered":"Spring AI \u2013 K\u00fcnstliche Intelligenz in Java-Anwendungen"},"content":{"rendered":"\n
\n

Hinweis:<\/strong> Dieser Artikel basiert auf Spring AI 2.0.0<\/strong> (GA), das Spring Boot 4.0.x\/4.1.x voraussetzt.<\/p>\n<\/blockquote>\n\n\n\n

KI ist l\u00e4ngst nicht mehr nur ein Python-Thema. Mit Spring AI<\/strong> bringt das Spring-Team eine offizielle Abstraktionsschicht f\u00fcr Large Language Models (LLMs) und verwandte KI-Dienste in das Java-\u00d6kosystem. Das Ziel: KI-Funktionen mit denselben bekannten Mustern nutzen, die Spring-Entwickler von JPA, REST und Messaging gewohnt sind \u2013 inklusive Auto-Configuration, Dependency Injection und Testbarkeit.<\/p>\n\n\n\n

Installation<\/h2>\n\n\n\n

Spring AI wird wie jedes andere Spring Boot Modul \u00fcber den Starter integriert:<\/p>\n\n\n

<dependency<\/span>><\/span>\n    <groupId<\/span>><\/span>org.springframework.ai<\/groupId<\/span>><\/span>\n    <artifactId<\/span>><\/span>spring-ai-starter-model-openai<\/artifactId<\/span>><\/span>\n<\/dependency<\/span>><\/span>\n<\/code><\/span>Code-Sprache:<\/span> HTML, XML<\/span> (<\/span>xml<\/span>)<\/span><\/small><\/pre>\n\n\n
F\u00fcr den Zugriff auf OpenAI wird ein API-Key ben\u00f6tigt:<\/p>\n\n\n
spring.ai.openai.api-key=${OPENAI_API_KEY}\nspring.ai.openai.chat.model=gpt-4o\n<\/code><\/span><\/pre>\n\n\n
Spring AI unterst\u00fctzt zahlreiche Provider \u00fcber dieselbe einheitliche API: Anthropic, Ollama, Mistral, Azure OpenAI, Google GenAI, DeepSeek, Groq, NVIDIA, Perplexity und weitere.<\/p>\n\n\n\n
Der ChatClient<\/h2>\n\n\n\n
Das zentrale Bean ist der ChatClient<\/code>. Er wird \u00fcber einen Builder erstellt und kann System-Prompts erhalten:<\/p>\n\n\n
@Configuration<\/span>\nclass AIConfig {\n\n    @Bean<\/span>\n    ChatClient chatClient(ChatClient.Builder builder) {\n        return<\/span> builder<\/span>\n            .defaultSystem<\/span>(\"Du<\/span> bist<\/span> ein<\/span> hilfsbereiter<\/span> Java-Experte<\/span>. \" +\n                \"Antworte<\/span> pr<\/span>\u00e4gnant<\/span> in<\/span> Deutsch<\/span>.\")\n            .build<\/span>();\n    }\n}\n<\/code><\/span>Code-Sprache:<\/span> CSS<\/span> (<\/span>css<\/span>)<\/span><\/small><\/pre>\n\n\n
Einfache Verwendung:<\/p>\n\n\n
@Service\npublic<\/span> class<\/span> CodeAssistant<\/span> <\/span>{\n\n    private<\/span> final<\/span> ChatClient chatClient;\n\n    public<\/span> CodeAssistant(ChatClient chatClient) {\n        this.chatClient = chatClient;\n    }\n\n    public<\/span> String erklaereFehler(String fehlermeldung) {\n        return<\/span> chatClient.prompt()\n            .user(\"Erkl\u00e4re diesen Java-Fehler: {fehler}\"<\/span>, fehlermeldung)\n            .call()\n            .content();\n    }\n}\n<\/code><\/span>Code-Sprache:<\/span> PHP<\/span> (<\/span>php<\/span>)<\/span><\/small><\/pre>\n\n\n
call()<\/code> sendet den Prompt synchron. F\u00fcr asynchrone Streaming-Verarbeitung gibt es stream().chatResponse()<\/code> mit R\u00fcckgabe eines Flux<ChatResponse><\/code>:<\/p>\n\n\n
Flux<String<\/span>> stream = chatClient.prompt()\n    .user(\"Erkl\u00e4re mir Java Streams\"<\/span>)\n    .stream()\n    .content();\n<\/code><\/span>Code-Sprache:<\/span> JavaScript<\/span> (<\/span>javascript<\/span>)<\/span><\/small><\/pre>\n\n\n
Prompt Templates und Structured Outputs<\/h2>\n\n\n\n
Spring AI bietet Prompt-Templates mit Platzhaltern, \u00e4hnlich wie @Query<\/code> in Spring Data JPA:<\/p>\n\n\n
String antwort = chatClient.prompt()\n    .user(u -> u.text(\"\"<\/span>\"\n        Generiere eine Java-Klasse mit folgenden Eigenschaften:\n        - Klassenname: {className}\n        - Felder: {fields}\n        - Mit Gettern, Settern und Konstruktor.\n        Gib NUR den Java-Code zur\u00fcck, keine Erkl\u00e4rungen.\n        \"<\/span>\"\"<\/span>)\n        .param(\"className\"<\/span>, \"Person\"<\/span>)\n        .param(\"fields\"<\/span>, \"name:String, alter:int\"<\/span>))\n    .call()\n    .content();\n<\/code><\/span>Code-Sprache:<\/span> PHP<\/span> (<\/span>php<\/span>)<\/span><\/small><\/pre>\n\n\n
F\u00fcr strukturierte JSON-Antworten bietet Spring AI den BeanOutputConverter<\/code> und die praktische .entity()<\/code>-Methode:<\/p>\n\n\n
record Person(String<\/span> name, int alter, String<\/span> email) {}\n\n<em>\/\/ Einfache Variante mit ChatClient:<\/em><\/span>\nPerson person = chatClient.prompt()\n    .user(\"Gib eine zuf\u00e4llige Person zur\u00fcck.\"<\/span>)\n    .call()\n    .entity(Person.class);\n\nSystem.out.println(person.name()); <em<\/span>><\/span>\/\/ Automatisch deserialisiert<\/em<\/span>><\/span><\/span>\n<\/code><\/span>Code-Sprache:<\/span> JavaScript<\/span> (<\/span>javascript<\/span>)<\/span><\/small><\/pre>\n\n\n
Die .entity()<\/code>-Methode generiert automatisch ein JSON-Schema, weist das LLM an, g\u00fcltiges JSON im Zielformat zur\u00fcckzugeben, und deserialisiert die Antwort. F\u00fcr komplexere Typen wie Listen verwendet man ParameterizedTypeReference<\/code>:<\/p>\n\n\n
List<\/span><Person> personen = chatClient.prompt()\n    .user(\"Gib 5 zuf\u00e4llige Personen zur\u00fcck.\"<\/span>)\n    .call()\n    .entity(new<\/span> ParameterizedTypeReference<List<\/span><Person>>() {});\n<\/code><\/span>Code-Sprache:<\/span> PHP<\/span> (<\/span>php<\/span>)<\/span><\/small><\/pre>\n\n\n
F\u00fcr noch zuverl\u00e4ssigere Ergebnisse unterst\u00fctzt Spring AI auch Native Structured Output<\/strong> bei kompatiblen Modellen (z.B. GPT-4o, Claude 3.5+):<\/p>\n\n\n
Person person = chatClient.prompt()\n    .advisors(AdvisorParams.ENABLE_NATIVE_STRUCTURED_OUTPUT)\n    .user(\"Gib eine zuf\u00e4llige Person zur\u00fcck.\"<\/span>)\n    .call()\n    .entity(Person.class<\/span>);\n<\/span><\/code><\/span>Code-Sprache:<\/span> PHP<\/span> (<\/span>php<\/span>)<\/span><\/small><\/pre>\n\n\n
Tool Calling<\/h2>\n\n\n\n
LLMs k\u00f6nnen \u00fcber Tool Calling externe Java-Methoden als \u201eWerkzeuge“ aufrufen \u2013 das Modell entscheidet selbst, wann und mit welchen Argumenten:<\/p>\n\n\n
@Component\npublic class<\/span> WetterService<\/span> <\/span>{\n\n    @Tool(description = \"Gibt das aktuelle Wetter f\u00fcr eine Stadt zur\u00fcck\"<\/span>)\n    public String<\/span> currentWeather(\n            @ToolParam(description = \"Die Stadt\"<\/span>) String<\/span> stadt) {\n        <em>\/\/ Ruft echte Wetter-API auf<\/em><\/span>\n        return<\/span> api.getWetter(stadt);\n    }\n}\n\n<em>\/\/ Im ChatClient registrieren:<\/em><\/span>\nString<\/span> antwort = chatClient.prompt()\n    .user(\"Wie ist das Wetter in Hamburg?\"<\/span>)\n    .tools(new<\/span> WetterService())\n    .call()\n    .content();\n\n<em<\/span>><\/span>\/\/ Das LLM erkennt, dass es das Wetter-Tool f\u00fcr \"Hamburg\" aufrufen muss,<\/em<\/span>><\/span><\/span>\n<em<\/span>><\/span>\/\/ Spring AI f\u00fchrt die Java-Methode aus und gibt das Ergebnis ans LLM zur\u00fcck<\/em<\/span>><\/span><\/span>\n<\/code><\/span>Code-Sprache:<\/span> JavaScript<\/span> (<\/span>javascript<\/span>)<\/span><\/small><\/pre>\n\n\n
Das LLM erh\u00e4lt eine Beschreibung der verf\u00fcgbaren Tools und ihrer Parameter. Bei Bedarf ruft es sie selbstst\u00e4ndig auf \u2013 ganz ohne If-Then-Logik im Code. Spring AI registriert automatisch einen ToolCallingAdvisor<\/code>, der den gesamten Tool-Calling-Lebenszyklus verwaltet.<\/p>\n\n\n\n
Embeddings und Vektor-Datenbanken<\/h2>\n\n\n\n
F\u00fcr semantische Suche und RAG (Retrieval Augmented Generation) bietet Spring AI das EmbeddingModel<\/code>-Interface:<\/p>\n\n\n
@Service\npublic<\/span> class<\/span> EmbeddingService<\/span> <\/span>{\n\n    private<\/span> final<\/span> EmbeddingModel embeddingModel;\n\n    public<\/span> EmbeddingService(EmbeddingModel embeddingModel) {\n        this.embeddingModel = embeddingModel;\n    }\n\n    public<\/span> float[] textZuVektor(String text) {\n        return<\/span> embeddingModel.embed(text);\n    }\n}\n<\/code><\/span>Code-Sprache:<\/span> PHP<\/span> (<\/span>php<\/span>)<\/span><\/small><\/pre>\n\n\n
In Kombination mit einer Vektor-Datenbank wie Pgvector (PostgreSQL), Redis, Pinecone oder einer der vielen anderen unterst\u00fctzten Datenbanken entsteht eine vollst\u00e4ndige RAG-Pipeline:<\/p>\n\n\n
<em>\/\/ Dokumente indizieren<\/em><\/span>\nvektorStore.add(List<\/span>.of(\n    new<\/span> Document(\"Spring Boot ist ein Framework...\"<\/span>,\n        Map.of(\"quelle\"<\/span>, \"docs\"<\/span>))));\n\n<em>\/\/ Semantisch suchen<\/em><\/span>\nList<\/span><Document> treffer = vektorStore.similaritySearch(\n    SearchRequest.builder()\n        .query(\"Wie starte ich Spring Boot?\"<\/span>)\n        .topK(3<\/span>)\n        .build());\n\n<em>\/\/ Dem LLM als Kontext mitgeben<\/em><\/span>\nString prompt = String.format(\"\"<\/span>\"\n    Beantworte die Frage basierend auf diesen Dokumenten:\n    %s\n    \n    Frage: %s\n    \"<\/span>\"\"<\/span>, treffer, frage);\n<\/code><\/span>Code-Sprache:<\/span> PHP<\/span> (<\/span>php<\/span>)<\/span><\/small><\/pre>\n\n\n
Noch eleganter geht es mit dem QuestionAnswerAdvisor<\/code>, der RAG direkt in den ChatClient integriert:<\/p>\n\n\n
String<\/span> antwort = chatClient.prompt()\n    .advisors(new<\/span> QuestionAnswerAdvisor(vektorStore))\n    .user(\"Wie starte ich Spring Boot?\"<\/span>)\n    .call()\n    .content();\n<\/code><\/span>Code-Sprache:<\/span> JavaScript<\/span> (<\/span>javascript<\/span>)<\/span><\/small><\/pre>\n\n\n
So kann das LLM auf unternehmenseigene Dokumente zugreifen, die nie in seinem Trainingsdatensatz waren.<\/p>\n\n\n\n
Bild- und Audio-Generierung<\/h2>\n\n\n\n
Spring AI abstrahiert auch multimodale Modelle:<\/p>\n\n\n
<em>\/\/ Bildgenerierung mit DALL-E<\/em><\/span>\nImageResponse response = imageModel.call(\n    new<\/span> ImagePrompt(\"Ein roter Vogel auf einem blauen Baum\"<\/span>,\n        OpenAiImageOptions.builder()\n            .quality(\"hd\"<\/span>)\n            .n(1<\/span>)\n            .height(1024<\/span>)\n            .width(1024<\/span>)\n            .build()));\n\nString<\/span> imageUrl = response.getResult().getOutput().getUrl();\n<\/code><\/span>Code-Sprache:<\/span> JavaScript<\/span> (<\/span>javascript<\/span>)<\/span><\/small><\/pre>\n\n\n
Neben der Bildgenerierung unterst\u00fctzt Spring AI auch Audio-Transkription (Whisper) und Text-to-Speech \u00fcber dieselbe einheitliche API.<\/p>\n\n\n\n
Advisors und Chat Memory<\/h2>\n\n\n\n
Spring AI 2.0 f\u00fchrt die Advisors API<\/strong> ein \u2013 ein m\u00e4chtiges Konzept, das wiederkehrende KI-Muster kapselt. Advisors k\u00f6nnen Prompts transformieren, Kontext hinzuf\u00fcgen oder Antworten modifizieren:<\/p>\n\n\n
String<\/span> antwort = chatClient.prompt()\n    .advisors(\n        new<\/span> MessageChatMemoryAdvisor(chatMemory),  <em>\/\/ Konversationsged\u00e4chtnis<\/em><\/span>\n        new<\/span> QuestionAnswerAdvisor(vektorStore),     <em>\/\/ RAG<\/em><\/span>\n        new<\/span> SimpleLoggerAdvisor()                   <em>\/\/ Logging<\/em><\/span>\n    )\n    .user(userText)\n    .call()\n    .content();\n<\/code><\/span>Code-Sprache:<\/span> JavaScript<\/span> (<\/span>javascript<\/span>)<\/span><\/small><\/pre>\n\n\n
Mit ChatMemory<\/code> l\u00e4sst sich zustandsbehaftete Konversation umsetzen \u2013 das LLM „erinnert“ sich an fr\u00fchere Nachrichten:<\/p>\n\n\n
ChatMemory chatMemory = MessageWindowChatMemory.builder()\n    .maxMessages(20<\/span>)\n    .build();\n\n<em<\/span>><\/span>\/\/ Bei jedem Aufruf die Conversation-ID mitgeben:<\/em<\/span>><\/span><\/span>\nString<\/span> antwort = chatClient.prompt()\n    .advisors(MessageChatMemoryAdvisor.builder(chatMemory).build())\n    .advisors(a -> a.param(ChatMemory.CONVERSATION_ID, sessionId))\n    .user(\"Mein Name ist Max\"<\/span>)\n    .call()\n    .content();\n<\/code><\/span>Code-Sprache:<\/span> JavaScript<\/span> (<\/span>javascript<\/span>)<\/span><\/small><\/pre>\n\n\n
Model Context Protocol (MCP)<\/h2>\n\n\n\n
Eine der wichtigsten Neuerungen in Spring AI 2.0 ist die Unterst\u00fctzung des Model Context Protocol (MCP)<\/strong> \u2013 ein offener Standard f\u00fcr die Verbindung von KI-Assistenten mit externen Datenquellen und Tools. \u00dcber MCP k\u00f6nnen LLMs dynamisch auf APIs, Datenbanken und andere Ressourcen zugreifen, ohne dass diese fest im Code verdrahtet sein m\u00fcssen.<\/p>\n\n\n\n
Fazit<\/h2>\n\n\n\n
Spring AI 2.0 katapultiert Java in die KI-Welt, ohne dass Entwickler das Spring-\u00d6kosystem verlassen m\u00fcssen. Die Abstraktion \u00fcber ChatClient<\/code>, EmbeddingModel<\/code> und Tool Calling folgt denselben Mustern wie JPA-Templates oder REST-Clients. Besonders die Kombination aus Advisors, Tool Calling, RAG \u00fcber Vektor-Datenbanken und MCP macht Java-Anwendungen zu ernstzunehmenden KI-Applikationen \u2013 mit Testbarkeit, Konfigurierbarkeit und Produktionstauglichkeit, wie man es von Spring gewohnt ist.<\/p>\n","protected":false},"excerpt":{"rendered":"
Hinweis: Dieser Artikel basiert auf Spring AI 2.0.0 (GA), das Spring Boot 4.0.x\/4.1.x voraussetzt. KI ist l\u00e4ngst nicht mehr nur ein Python-Thema. Mit Spring AI bringt das Spring-Team eine offizielle Abstraktionsschicht f\u00fcr Large Language Models (LLMs) und verwandte KI-Dienste in das Java-\u00d6kosystem. Das Ziel: KI-Funktionen mit denselben bekannten Mustern nutzen, die Spring-Entwickler von JPA, REST und Messaging gewohnt sind \u2013 […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[4,5],"tags":[],"class_list":["post-660","post","type-post","status-publish","format-standard","hentry","category-plain_java","category-spring"],"_links":{"self":[{"href":"https:\/\/www.xn--javaeinfacherklrt-4qb.de\/index.php?rest_route=\/wp\/v2\/posts\/660","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.xn--javaeinfacherklrt-4qb.de\/index.php?rest_route=\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.xn--javaeinfacherklrt-4qb.de\/index.php?rest_route=\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.xn--javaeinfacherklrt-4qb.de\/index.php?rest_route=\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/www.xn--javaeinfacherklrt-4qb.de\/index.php?rest_route=%2Fwp%2Fv2%2Fcomments&post=660"}],"version-history":[{"count":1,"href":"https:\/\/www.xn--javaeinfacherklrt-4qb.de\/index.php?rest_route=\/wp\/v2\/posts\/660\/revisions"}],"predecessor-version":[{"id":661,"href":"https:\/\/www.xn--javaeinfacherklrt-4qb.de\/index.php?rest_route=\/wp\/v2\/posts\/660\/revisions\/661"}],"wp:attachment":[{"href":"https:\/\/www.xn--javaeinfacherklrt-4qb.de\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=660"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.xn--javaeinfacherklrt-4qb.de\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=660"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.xn--javaeinfacherklrt-4qb.de\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=660"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}