Published on

LangChain Open Deep Research：开源深度研究系统

Authors
  • avatar
    Name
    Shoukai Huang
    Twitter
LangChain Open Deep Research

LangChain Open Deep Research - 开源深度研究代理系统（图片源自 GitHub 官方仓库）

快速导航本篇内容：

概述

在人工智能应用领域中，深度研究代理已成为最具价值和广泛应用的智能体类型之一。LangChain Open Deep Research 作为一个简洁高效、高度可配置且完全开源的深度研究代理框架，支持跨多种模型提供商、搜索引擎和 MCP（Model Context Protocol）服务器运行。本文将深入剖析其系统架构设计原理，并通过实际代码验证演示其核心实现机制与技术特性。

系统架构设计

核心设计理念：AI 代理之所以特别适合研究任务，在于其具备灵活运用多样化策略的能力，能够基于中间结果动态调整探索方向。LangChain Open Deep Research 采用结构化的三阶段研究流程：

  • Scope（范围界定）：明确研究边界与目标
  • Research（深度研究）：执行信息收集与分析
  • Write（报告撰写）：生成结构化研究报告

第一阶段：范围

本阶段旨在完整收集研究所需的用户上下文与约束条件，通常包括两个步骤：用户澄清与研究简报生成。

用户澄清（Clarification）

在实践中，用户的研究请求往往缺乏足够的背景信息。系统将通过对话式模型提出必要的澄清问题，以获取缺失的上下文和边界，例如目标受众、研究深度、偏好来源及时间范围等。

研究简报生成（Brief Generation）

澄清阶段的对话可能包含多轮交流、跟进问题以及用户提供的示例材料（如过往研究报告）。为避免上下文膨胀与无效 token 消耗，系统会将这些信息凝练为一份结构化、可操作的研究简报。该简报在后续研究与撰写阶段充当“北极星”，持续对齐目标与范围。

第二阶段：研究

本阶段的目标是根据研究简报系统性地收集与整合背景信息。我们采用“主管-子代理”的协同模型完成研究任务。

研究主管（Research Supervisor）

研究主管负责对研究简报进行任务分解，并将子任务分派给若干子代理。每个子代理拥有独立的上下文窗口，专注于其对应的子主题。这一机制带来两点收益：

  • 支持并行化研究，显著缩短总体时长
  • 避免不同子主题之间的上下文干扰，提升信息质量与聚焦度

研究子代理（Research Sub-Agents）

每个子代理仅围绕被分配的子主题开展工作，通过工具调用循环（Tool-Calling Loop）利用已配置的搜索工具与/或 MCP 工具进行检索与验证。子代理在完成研究后，会进行一次收尾性 LLM 调用，产出围绕子问题的结构化回答，并附带必要的引用与出处。

为避免原始工具输出造成上下文与 token 膨胀，子代理会对抓取的网页内容、失败的调用与无关信息进行清理与归纳后再返回给研究主管。这样可以降低上游解析负担，保证反馈的高密度与可用性。

研究主管迭代（Research Supervisor Iteration）

主管将基于子代理的产出判断是否覆盖了简报中的研究范围。如仍存在空白或需要更深入的分析，主管会动态增派新的子代理继续迭代，直至满足研究边界与信息质量的要求。

第三阶段：报告撰写

当研究结果达标后，将进入报告撰写阶段。系统会将研究简报与全部子代理产出提供给 LLM，由其一次性生成结构化、可引用的研究报告，确保内容与研究目标对齐，并以研究证据为主线进行论证与呈现。

教训

仅在易于并行化的任务上使用多代理

多智能体与单智能体架构是系统设计中的关键抉择。从认知科学视角看，多智能体并行协作天然存在协调成本；当任务（如复杂应用构建）需要多个智能体输出高度协同时，这一风险尤为突出。

在早期版本中，我们曾尝试让研究主管与子代理并行撰写报告的不同部分。此策略虽大幅加快生成速度，但也印证了上述风险：各部分之间缺乏一致性的论证链与叙事连贯性。为此，我们将多代理并行的范围限定在研究阶段，待研究完成后再统一执行撰写流程，以保证结构与逻辑的一致性。

多智能体有助于隔离不同子研究主题的上下文

当请求包含多个子主题（如 A/B/C 对比）时，单智能体往往需要在单一上下文窗口中同时存储并推理所有子主题的工具反馈，且这些反馈往往包含大量 token。跨主题的工具调用逐步累积后，容易引发上下文冲突与推理偏移。通过为每个子主题分配独立的子代理及上下文窗口，可以显著降低干扰，提升答案的聚焦度与可验证性。

上下文工程对于缓解 Token 膨胀与引导行为至关重要

研究任务天然消耗大量 Token。已有报告显示，多智能体系统的 Token 使用量可达普通聊天应用的 15 倍。我们采用上下文工程策略进行缓解：

  • 将多轮对话压缩为结构化研究简报，抑制历史消息导致的 Token 膨胀
  • 由子代理先行清洗与归纳研究结果，剔除无关信息与失败调用，再上送主管

缺乏充分的上下文工程会使代理快速触达上下文窗口上限，且提升无效 Token 成本。合理的上下文工程不仅能优化成本，还可降低 TPM 速率限制触发概率。

快速部署指南

环境准备

  1. 获取源码并建立虚拟环境：
git clone https://github.com/langchain-ai/open_deep_research.git
cd open_deep_research
uv venv
source .venv/bin/activate  # Windows: .venv\Scripts\activate
  1. 安装项目依赖
uv sync
# 或者
uv pip install -r pyproject.toml
  1. 配置环境变量

首先复制配置模板：

cp .env.example .env

编辑 .env 文件并填入必要的 API 密钥（建议将 LANGSMITH_TRACING 设为 false 以提升启动速度）：

OPENAI_API_KEY=sk-xxx
OPENAI_BASE_URL=https://platform.openai.com/api-keys
ANTHROPIC_API_KEY=
GOOGLE_API_KEY=
TAVILY_API_KEY=tvly-dev-xxx
LANGSMITH_API_KEY=
LANGSMITH_PROJECT=
LANGSMITH_TRACING=false
  1. 启动 LangGraph 服务器
uvx --refresh --from "langgraph-cli[inmem]" --with-editable . --python 3.12 langgraph dev --allow-blocking

成功启动后，系统将提供以下访问入口：

- 🚀 API: http://127.0.0.1:2024
- 🎨 Studio UI: https://smith.langchain.com/studio/?baseUrl=http://127.0.0.1:2024
- 📚 API Docs: http://127.0.0.1:2024/docs

常见问题解决

若遇到代理网络错误：

# 错误：ImportError: Using SOCKS proxy, but the 'socksio' package is not installed.
uv add 'httpx[socks]'

系统运行演示

以下为"Spring AI 调研报告"生成的完整流程演示：

用户澄清阶段

系统首先进行需求澄清，确保研究目标明确：

请问您需要关于 Spring AI 的哪方面的调研报告？例如：
1. 技术架构与特性
2. 应用场景与项目案例
3. 与其他 AI 框架的对比
4. 市场现状与发展趋势
请指定您关注的方向，或其他具体需求。

研究简报生成

基于用户反馈，系统生成结构化研究简报：

已收到您的需求，您需要关于 Spring AI 的以下全方面调研报告：
1) 技术架构与特性，2) 应用场景与项目案例，
3) 与其他 AI 框架的对比，4) 市场现状与发展趋势。
我们将基于这些方面，开始进行全面的资料收集和分析。

简报生成节点：write_research_brief

研究主管协调：research_supervisor

最终报告输出

质量评估：幻觉现象分析

尽管系统架构先进，但 AI 幻觉问题依然存在。以下为引用准确性分析示例：

案例1：准确引用

- **Spring AI Samples**（Thomas Vitale）：官方示例项目，展示文档检索、ChatBot、向量数据库等功能一站式集成（见 Awesome Spring AI，涵盖多应用模板）【2】。

[2] spring-ai-community/awesome-spring-ai - GitHub: https://github.com/spring-ai-community/awesome-spring-ai

评估结果：✅ 文档内容与引用高度相关

案例2：引用偏差

- **Moroccan Cooking Companion**（美食生成 AI 助手）：结合向量数据库与 OpenAI，构建带有本地文档检索和多语言回复的个性化烹饪助手【5】。

[5] 10 Real-Time Generative AI Projects Using Spring Boot, React ... - Medium: https://codefarm0.medium.com/use-cases-for-an-ai-agent-in-java-for-learning-4ba1ece8e247

评估结果：❌ 引用源讨论的是通用案例，与描述的美食助手无直接关联

案例3：准确引用

- **大学创新与教学应用**（如 Notre Dame）：利用 Spring AI 和 LLM 内核搭建了课程问答，自动课程归类、学生课程转移评估、AI 助手提升教务及学习体验【6】。

[6] Spring 2025 AI at the University of Notre Dame Update | News: https://ai.nd.edu/news/spring-2025-ai-update/

评估结果：✅ 引用源与描述内容高度匹配

系统优化建议

  1. 增强引用验证机制：在子代理生成结论前增加引用-内容匹配度检查
  2. 上下文约束优化：通过更精确的提示工程减少无关信息的混入
  3. 后处理质检流程：在报告生成后增加自动化事实核查环节

资料

附录

# Spring AI 全面调研报告（2025年8月版）

## 概述

Spring AI 是由 Spring 社区开发的、面向 Java 生态的生成式 AI 应用开发框架。自2023年问世以来，Spring AI 利用 Spring 框架的核心优势，通过抽象化的 API、丰富的内置适配器和强大的扩展能力，让广大 Java 企业开发者能够以熟悉的方式，将大语言模型（LLM）、向量数据库、多模态模型及企业数据无缝集成、构建可配置、可扩展的 AI 驱动应用。该框架强调生产级可用性、安全性、可运维性与灵活性，不仅为现有 Spring/Java 团队降低了 AI 研发门槛，也代表了泛企业领域生成式 AI 应用的主流集成趋势。

本报告详细解读 Spring AI 的技术架构、主要特性、集成与扩展机制；整理了典型应用场景与项目案例（涵盖开源和企业落地）；对比了 Spring AI 与主流 AI 框架（TensorFlow、PyTorch、Hugging Face Transformers、LangChain 等）；并梳理了当前市场格局、社区生态、发展趋势及未来走向。

---

## 1. Spring AI 技术架构与核心特性

### 架构总览

- Spring AI 是一个高度模块化、可扩展的 Java AI 框架，定位于“Spring 生态下的 AI 业务集成与编排”，核心关注点是桥接 LLM、企业数据、API 及传统业务逻辑，实现 AI 原生流程闭环。
- 框架设计遵循“便携、模块化、POJO优先、自动配置、符合 Spring 习惯”的原则，开发者可用 Spring Boot 一键集成，整个开发体验与 Spring Data、Spring Security 等一致，极大降低了上手难度与迁移成本【1】【2】【3】【4】【5】【6】【11】。

### 关键底层技术与模块

- **抽象 API 层**：包括 ChatClient、EmbeddingClient、ImageClient 等，统一了对各种主流 AI 服务（OpenAI、Anthropic、Microsoft、Amazon、Google、Hugging Face、Ollama 等）的调用方式，切换不同厂商无须更改业务代码。
- **模型提供者体系（Model Provider）**：对不同 AI 服务提供标准适配，保证接口一致、可热插拔、易于扩展。
- **RAG（检索增强生成）架构支持**：内建向量数据库适配，包括 PostgreSQL/PGVector、Pinecone、Redis、Milvus、Neo4j、Cassandra、Azure Cosmos DB、Elasticsearch、MongoDB Atlas、Weaviate、Chroma 等。支持多种文档读写器、数据清洗流程、嵌入索引与增量同步，帮助企业快速构建自身知识库搜索、问答、语义检索系统【5】【7】【8】【11】【12】【21】。
- **MCP（Model Context Protocol）协议**：核心创新之一。该标准化协议支持模型与外部工具/函数（如实时业务 API、数据库操作、流程编排）安全互通。开发者只需用 @Tool 注解业务方法，即可被 AI 智能体或 LLM 调用。MCP 支持跨语言、跨运行时和热更新工具能力，适配复杂多变的企业需求，实现“AI 会自动调用业务服务、实时编排流程”的 Agent 化架构，是 Java 侧领先的实时工具调用标准【1】【15】【17】。
- **Advisors 扩展点**：支持上下文记忆（chat memory）、检索增强、数据转换、观察埋点等，开发者可灵活组合、插拔各类处理。
- **结构化输出处理（Output Parsers）**：支持将 LLM 输出的文本解析为标准 Java Bean、JSON、XML 等，方便二次处理和集成。

### 集成与可扩展机制

- **与 Spring 生态深度融合**：提供 Spring Boot Starter、自动配置、GitHub/Spring Initializr 集成，能够无缝与 Spring Data、Security、Actuator 等模块协同，支撑完整的企业级开发、测试、运维流程【2】【4】【5】【8】【11】。
- **业务工具与 API 集成**：通过 MCP协议，开发者可零重构地暴露已有业务逻辑为 AI 能力或工具，实现 AI 对传统业务的感知与自主调用，大幅提高老系统 AI 化的效率与安全边界【1】【4】【15】【17】。
- **多模型切换与多提供方灵活接入**：一次开发，可随时切换不同 AI 云模型、本地模型、私有化 LLM 与向量数据库，降低锁定风险。
- **热插拔、插件化扩展**：工具支持动态注册、注销、更新，无需应用重启，满足生产环境下的动态需求变化。
- **GraalVM 支持、虚拟线程优化、企业安全合规机制**：高性能、低延迟、原生可观测性与高安全级别，适配大规模多租户、严格合规要求场景【12】【5】【16】。

### 主要特性总结

- 通用 AI API 抽象（chat、embeddings、图像/语音/多模态、流式/同步）
- 支持主流 AI 平台/模型的无缝切换
- 主动调用业务/平台工具（function/tool calling），并支持热更新
- 全链路 RAG 支持，内置 ETL 数据处理管道
- 严格结构化输出、可扩展链路处理、标准注解式工具暴露
- 原生埋点与监控、A/B 测试支持
- 完全符合企业级安全、运维和扩展需求

【1】【2】【3】【4】【5】【7】【8】【9】【10】【11】【12】【15】【16】【17】【21】

---

## 2. 主要应用场景与项目案例

### 核心应用场景

- **企业内知识库问答/RAG 应用**：结合公司文档、流程，基于嵌入检索用 LLM 做智能问答、洞察发现（如：企业内部助手、工程文档检索、法规解读）。
- **智能客服与流转机器人**：集成人工座席、知识解析、业务流程调用，提升客户支持自动化与响应率。
- **自动文档摘要与合成**：合同、简历、报告等自动摘要、归档、智能审阅。
- **个人助理与自动办公（AI Agent）**：集成日程、邮件、审批等，实现多业务自主驱动。
- **上下文感知的聊天机器人**：实现持续对话/记忆（上下文）、多轮推理与“带工具”的智能体应用。
- **多模态文本-图片-语音处理**：如内容审核、文档生成、语音摘要等场景。

【1】【2】【3】【4】【5】【6】【8】【11】【12】【16】【17】【21】

### 典型落地项目与开源案例

- **Spring AI Samples**（Thomas Vitale）：官方示例项目，展示文档检索、ChatBot、向量数据库等功能一站式集成（见 Awesome Spring AI，涵盖多应用模板）【2】。
- **Spring PetClinic AI 聊天增强版**：在传统 Spring PetClinic 系统中嵌入 AI 聊天助手，辅助用户预约、提问、预约管理等功能，完整演示了 RAG、chat memory、tool-calling 流程。
- **Moroccan Cooking Companion**（美食生成 AI 助手）：结合向量数据库与 OpenAI，构建带有本地文档检索和多语言回复的个性化烹饪助手【5】。
- **大学创新与教学应用**（如 Notre Dame）：利用 Spring AI 和 LLM 内核搭建了课程问答，自动课程归类、学生课程转移评估、AI 助手提升教务及学习体验【6】。
- **企业知识机器人**（Jade Global 案例）：结合公司自有流程/数据，用 RAG 技术为管理决策提供基于事实检索支撑，实现运营优化、个性化服务等【4】。
- **生产级入门/垂直行业项目**（Josh Long）：如 AI 助理辅助流浪动物领养、日程管理等，通过RAG、MCP工具调用、原生观测、容器化原生等方式闭环业务需求，降低上线复杂度、优化体验【3】。
- **开源社区应用集锦**：Spring AI HTMX MCP、Vaadin、CLI、Local Chatbot 等前端后端多样案例，Spring AI Examples、Real-Time Generative AI Projects 提供跨场景灵感与模版。
    - 如 PDF 智能问答、简历自动筛选、面试机器人、任务日程优化助手等【2】【5】【9】。

---

## 3. Spring AI 与主流 AI 框架对比分析

### Spring AI 与 TensorFlow、PyTorch、Hugging Face、LangChain 的本质区别

#### 技术定位与架构差异

| 框架                 | 主要定位                   | 典型用户/语言 | 主要特征                     | 擅长场景        |
|----------------------|----------------------------|---------------|------------------------------|----------------|
| TensorFlow           | 端到端 ML/深度学习建模     | Python/C++    | 静态图、Keras集成、规模化生产 | 传统大模型、推理|
| PyTorch              | 研究型/灵活深度学习平台    | Python        | 动态计算图、研究开发、生产可用 | 快速原型、实验  |
| Hugging Face         | 大量预训练NLP模型复用平台   | Python        | Model Hub、易用API、NLP强大   | NLP、快集成    |
| LangChain            | LLM 工作流/Agent编排框架   | Python/多语言 | 链式调度、检索增强、agent化能力| RAG、智能体组装|
| **Spring AI**        | Java生态AI集成与业务编排   | Java/Kotlin   | Spring原生扩展、MCP新协议、企业适配, RAG工具链   | 企业AI/RAG/Java |

#### 核心比较

- **Spring AI** 专为 Spring/Java 企业应用打造，提供极其统一、标准的开发范式，像用 Spring Data 操作数据库一样调用 AI，用于业务集成、流程自动化、知识库问答、带工具智能体场景，非常适合企业级生产部署，打通技术堆栈和原有资产【5】【8】【18】【20】【21】。
- **TensorFlow/PyTorch** 偏传统 ML、深度学习开发和训练，擅长底层算法创新、模型高性能推理、GPU/TPU加速，集成和扩展性以 Python 生态为主，面向数据科学家/算法工程师。
- **Hugging Face** 是预训练 Transformer/NLP、模型快速复用和 API 封装的行业标准，数据集丰富，适合 NLP 快速落地和模型迁移学习。
- **LangChain**、**LangChain4j** 是面向 LLM/Agent 的 Python（及 Java）编排，强调工作流串联、Agent智能体编排、RAG流程标准化。Spring AI 借鉴其部分架构思路，但在 Java 企业环境下做了全面适配并发展了 MCP 等更强的跨语言能力。

#### 易用性与生态

- Spring AI 深度融入 Spring Boot，不需换技术栈，无缝接驳原有微服务、ORM、安全等，学习曲线低，配置和运维友好，企业迁移成本极低【5】【11】。
- TensorFlow、PyTorch、Hugging Face、LangChain 对于 Java 用户则有生态壁垒，需要衔接原生服务或通过跨语言适配，运维和安全合规成本较高。
- Spring AI 构建了完整观测体系（如 Micrometer 监控、A/B 测试），符合运维规范，工具热插拔、动态工具扩展直接解决生产挑战。

#### 典型应用对比

- **TensorFlow/PyTorch**：医学影像分析、自动驾驶、传统机器学习、边缘部署。
- **Hugging Face**：快速搭建聊天机器人、文本情感、NLP 分类、机器翻译。
- **LangChain**：RAG 智能问答、复杂 Agent 应用、数据管道流程。
- **Spring AI**：企业知识库检索、内部智能助手、流程自动化与安全合规集成、企业级RAG、MCP工具链下业务自编排。

### 总结

- Spring AI 是 Java 端最成熟的生成式 AI 综合框架，优势集中在企业级用例、原有系统 AI 化、RAG 工作流、Agent编排、标准安全管理和微服务流程、跨语言工具调用（MCP）。对 Spring/Java 团队，几乎是唯一具备大规模落地条件的一站式解决方案。
- TensorFlow/PyTorch/Hugging Face 面向底层算法创新及 Python 生态集成，LangChain 主打多语言 LLM 流程编排。Java 领域推荐优先考虑 Spring AI（对 Python 团队可继续选用前者）【5】【8】【10】【14】【15】【16】【17】【18】【19】【20】【21】。

---

## 4. 市场现状、社区与发展趋势

### Spring AI 市场地位与生态成熟度

- **版本进展**：截至2025年8月已发布 1.0.1 正式版，侧重稳定性与细节 bug 修复。1.1 版本已规划（MCP 增强、Responses API、chat memory、观测指标丰富化、多模型配置），团队正准备基于 Spring Boot 4 进行 2.0 架构升级，开放社区共建和特性优先级建议，展示了强大“开源+企业”协同力【12】。
- **社区反馈与贡献**：Spring AI 得益于强大的 Spring 社区支持，Issue、PR、使用反馈极度活跃，开源与商业力量并存（VMware/Tanzu 背书），形成了稳定的文档、培训、迁移和实践指南体系【12】【4】【2】【8】。
- **企业级认可度**：对于已大规模使用 Spring Boot/Spring Data/Spring Security 的企业，Spring AI 成为业务 AI 化转型的首选。简明性+扩展性+安全性在 Java 领域无竞品可比。

### 生成式 AI 大市场态势与动向（2025）

- **全球 AI 市场增速迅猛**：2025 年 AI 市场规模预计达3910亿美元，2030年将突破1.81万亿美元，年复合增长超35%。北美最大，亚太增速最快，欧洲监管领先【1】【2】【4】【6】【8】。
- **产业采纳率高企**：全球超73%组织处于 AI 试点或生产阶段，制造业、金融、医疗、教育等行业最为活跃，AI 已重塑决策、效率及创新驱动力。
- **生成式 AI 驱动“Agent 化”落地**：自主智能体（Agent）能力高速发展，企业工具链、高度垂直化行业应用涌现。Spring AI 通过 MCP 和 RAG 支持，为 Java 企业构建 Agent 应用提供底层能力，适应 Agent 市场趋势【20】【21】。
- **垂直专用大模型与场景定制**：企业自主训练/微调 LLM、行业化专用模型日益流行，Spring AI 支持多模型管理与私有化布署，内建与主流私有 LLM（如 Ollama 等）的对接机制，适应合规和本地化需求。
- **生态繁荣与人才结构**：AI 市场持续创造百万级全新岗位，Spring AI 生态助力 Java 人才快速转型为 AI 驱动业务专家。
- **未来展望**：主打“AI+业务流程编排”、“安全合规 Agent 驱动”、“企业数据私有智能检索”、“程序员友好上手”的底层方案将持续占据主流。Spring AI 已出台多项创新协议（如 MCP）、开源协同路线，有望成为 Java 企业数字化、智能化主战场的核心基建。

---

## 结论

Spring AI 作为 Java/Spring 企业领域最具生态影响力的生成式 AI 框架，凭借“高度抽象的 AI API、原生 RAG、MCP 跨语言工具链、类数据库式开发体验、生产可观测与可扩展性”，为企业提供了构建智能体、知识库问答、自动文档、流程编排等能力的最佳一站式解决方案。对于希望基于现有 IT 架构无缝升级 AI 能力的组织，Spring AI 不仅降低了落地难度，也提升了效率和安全系数。

Spring AI 与 TensorFlow、PyTorch、Hugging Face、LangChain 等主流框架面向领域不同——前者主攻企业级 AI 集成与业务编排，而后者则更注重底层算法和 Python 端创新。Spring AI 正引领企业级智能体的 Agent 化、流程自动化、RAG 行业应用等新趋势，未来将在注重合规、安全、扩展和运维的主流大中型机构中形成更大影响力。

---

### Sources

[1] spring-projects/spring-ai: An Application Framework for AI ... - GitHub: https://github.com/spring-projects/spring-ai  
[2] spring-ai-community/awesome-spring-ai - GitHub: https://github.com/spring-ai-community/awesome-spring-ai  
[3] Spring AI: Building Production-Ready AI Applications | gotopia.tech: https://gotopia.tech/articles/378/spring-ai-building-production-ready-apps  
[4] Innovate with Spring AI for Smarter Business Strategies - Jade Global: https://www.jadeglobal.com/blog/utilizing-spring-ai-bringing-innovation-business-strategy  
[5] 10 Real-Time Generative AI Projects Using Spring Boot, React ... - Medium: https://codefarm0.medium.com/use-cases-for-an-ai-agent-in-java-for-learning-4ba1ece8e247  
[6] Spring 2025 AI at the University of Notre Dame Update | News: https://ai.nd.edu/news/spring-2025-ai-update/  
[7] Introduction :: Spring AI Reference: https://docs.spring.io/spring-ai/reference/index.html  
[8] spring-projects/spring-ai: An Application Framework for AI ... - GitHub: https://github.com/spring-projects/spring-ai  
[9] Getting Started with Spring AI: A Comprehensive Guide for Beginners: https://codefarm0.medium.com/getting-started-with-spring-ai-a-comprehensive-guide-for-beginners-34013e8d4a39  
[10] Exploring Spring AI: Simplifying LLM Integration for Spring Developers: https://medium.com/@udayani.vaka/exploring-spring-ai-simplifying-llm-integration-for-java-developers-4d682a9c78db  
[11] Generative AI - Spring: https://spring.io/ai  
[12] Spring AI 1.0.1 Released: https://spring.io/blog/2025/08/08/spring-ai-1  
[13] Chat Models Comparison :: Spring AI Reference: https://docs.spring.io/spring-ai/reference/api/chat/comparison.html  
[14] Why Spring AI Might Be the Only Scalable AI Solution Java ...: https://medium.com/@kanhaaggarwal/why-spring-ai-might-be-the-only-scalable-ai-solution-java-developers-need-df742d9c8df1  
[15] Dynamic Tool Updates in Spring AI's Model Context Protocol: https://spring.io/blog/2025/05/04/spring-ai-dynamic-tool-updates-with-mcp  
[16] Building AI Assistants with Spring AI - Java Code Geeks: https://www.javacodegeeks.com/building-ai-assistants-with-spring-ai.html  
[17] Building Intelligent Spring Boot Applications with Spring AI and MCP: https://medium.com/@srvsingh183/building-intelligent-spring-boot-applications-with-spring-ai-and-mcp-a-complete-guide-f088eb0687cd  
[18] Leading Java AI Frameworks: LangChain4j vs Spring AI for Custom ... - LinkedIn: https://www.linkedin.com/pulse/leading-java-ai-frameworks-langchain4j-vs-spring-custom-miliari-gz7je  
[19] Is Spring AI Strong Enough for AI? - DZone: https://dzone.com/articles/is-spring-ai-strong-enough-for-ai  
[20] Y Combinator's 2025 Spring batch reveals the future of agentic AI: https://www.cbinsights.com/research/y-combinator-spring25-agentic-ai/  
[21] AI Predictions for 2025: The Rise of Generative AI, AI Agents, and ...: https://armedia.com/blog/ai-predictions-for-2025-the-rise-of-generative-ai-ai-agents-and-their-transformative-impact-across-government-and-the-private-sector/