本書以扎實的 Spring Boot/MVC/API 基礎為基石，
帶您精通 Spring AI 的核心組件，
最終具備開發企業級 AI 應用程式的能力

★ 從 Spring Boot 基礎教起，建立堅實的企業級開發能力
★ 精通 RESTful API 設計，打造穩健的生產級後端系統
★ 掌握多模態處理、語音合成，擴展智能應用邊界
★ 由 API 串接 AI，為模型賦予 Function Calling 行動力
★ 實戰企業級 RAG 知識庫，讓 AI 讀懂你的私有文件
★ 提供17個實作範例，涵蓋最新的MCP開發

【核心基礎】奠定企業級 AI 應用開發基石
• 穩固開發基礎：深入解析 Spring Boot 自動配置、三層架構，以及 RESTful API 開發
• 必備觀念與實踐：掌握依賴注入、Validation、全域錯誤處理、安全配置 API Key 的方法
• 掌握 Spring AI 核心價值：專注於解決將企業數據、API 與 AI 無縫串聯的根本挑戰
• 統一 API 介面：透過 ChatClient，輕鬆整合多種主流 AI 模型

【AI 實戰】建構高智能對話與多模態能力
• RAG 知識庫核心：實作RAG系統，從而解決資料過時或幻覺問題
• 賦予 AI 行動能力：透過 Function Calling突破AI限制，讓模型能調用外部 API 獲取即時數據、執行業務操作
• 記憶與上下文管理：建立 ChatMemory 系統，實現對話歷史的短期記憶和跨會話的長期記憶
• 多模態功能集成：實現圖片、語音、影片分析及生成等功能
•結構化輸出保證：讓 AI 回應自動轉換為類型安全的 Java 物件，便於系統整合與數據處理

【企業部署與優化】打造生產就緒的 AI 平台
• 數據品質保證：深入了解 ETL的文本清理、智能分塊和元資料增強等技術
• Advanced RAG：學習 Embedding、Re-ranking排序優化，將檢索準確率提升至 90% 以上
• MCP協議擴展：掌握MCP，這是標準AI工具接口，可輕鬆整合外部服務
•生產部署與監控：進行效能監控與成本追蹤

【本書適合】
◎Java 開發者：熟悉 Spring Boot 或 Spring Framework，希望快速進入 AI 應用開發領域
◎企業架構師與技術主管：負責設計穩定、高效能、可擴展的企業級 AI 平台和 RAG 知識庫
◎數據工程師與後端工程師：需要將 LLM、向量資料庫和企業數據進行深度整合，並重視系統穩定性
◎學生與轉職者：渴望打下紮實的企業級後端（Spring Boot）與 AI 工程基礎，未來走向數據分析或 AI 工程領域
鑑於 Spring 框架在眾多企業核心業務系統中具有深厚的根基，Spring AI 的核心價值在於解決將企業數據、API 與 AI 無縫串聯的根本挑戰，是企業級 Java AI 開發的首選

影音資訊

目錄列表

COVER

第1章 Spring Boot基礎

1.1 快速入門-10分鐘建立第一個應用

本節概要
1.1.1 為什麼選擇 Spring Boot？
1.1.2 建立開發環境
1.1.3 建立第一個Spring Boot專案
1.1.4 第一次啟動
1.1.5 為Spring AI做準備
1.1.6 本節重點回顧
1.1.7 下一步
1.1.8 參考資源

1.2 專案架構與配置-掌握自動配置與標準架構

本節概要
1.2.1 為什麼專案架構如此重要？
1.2.2 Spring Boot標準專案結構
1.2.3 三層架構設計
1.2.4 配置管理策略
1.2.5 依賴注入架構
1.2.6 Maven專案結構
1.2.7 環境配置管理
1.2.8 本節重點回顧
1.2.9 下一步
1.2.10 參考資源

1.3 核心註解與依賴注入-深入解析註解驅動開發

本節概要
1.3.1 為什麼需要註解？
1.3.2 Spring Boot註解體系概覽
1.3.3 核心啟動註解
1.3.4 組件註解
1.3.5 依賴注入詳解
1.3.6 Web 開發核心註解
1.3.7 配置相關註解
1.3.8 為Spring AI做準備
1.3.9 本節重點回顧
1.3.10 下一步
1.3.11 參考資源

1.4 實戰：打造你的第一個Spring Boot應用

本節概要
1.4.1 專案需求分析
1.4.2 系統架構設計
1.4.3 資料模型設計
1.4.4 DTO 模式實作
1.4.5 資料流程圖
1.4.6 服務層實作
1.4.7 Controller層實作
1.4.8 配置檔案
1.4.9 API測試
1.4.10 安全性設計
1.4.11 關鍵技術說明
1.4.12 本節重點回顧
1.4.13 下一步
1.4.14 參考資源

第2章 Spring MVC與API開發

2.1 Spring MVC基礎-架構原理與請求處理流程

本節概要
2.1.1 MVC架構概述
2.1.2 現代架構：前後端分離
2.1.3 DispatcherServlet工作流程
2.1.4 @RestController vs @Controller
2.1.5 JSON自動處理機制
2.1.6 為Spring AI做準備
2.1.7 本節重點回顧
2.1.8 下一步
2.1.9 參考資源

2.2 RESTful API設計-原則與最佳實踐

本節概要
2.2.1 REST架構約束條件
2.2.2 HTTP方法語義化使用
2.2.3 完整CRUD操作實現
2.2.4 URL設計規範
2.2.5 HTTP狀態碼最佳實踐
2.2.6 本節重點回顧
2.2.7 下一步
2.2.8 參考資源

2.3 請求與回應處理-精通HTTP參數綁定與內容協商

本節概要
2.3.1 請求參數處理
2.3.2 @PathVariable-路徑參數
2.3.3 @RequestParam-查詢參數
2.3.4 @RequestBody-請求體參數
2.3.5 @RequestHeader-請求標頭
2.3.6 統一回應格式設計
2.3.7 全域異常處理
2.3.8 HTTP 狀態碼最佳實踐
2.3.9 本節重點回顧
2.3.10 下一步
2.3.11 參考資源

第3章生產級API開發實踐

3.1 資料驗證與錯誤處理-建構穩固的防禦機制

本節概要
3.1.1 為什麼需要資料驗證？
3.1.2 資料驗證完整流程
3.1.3 Bean Validation實作
3.1.4 自訂驗證註解
3.1.5 全域異常處理
3.1.6 自訂業務異常
3.1.7 實際應用場景
3.1.8 本節重點回顧
3.1.9 下一步
3.1.10 參考資源

3.2 檔案處理與多媒體-從上傳到安全存取

本節概要
3.2.1 檔案處理的重要性
3.2.2 HTTP檔案上傳原理
3.2.3 檔案上傳配置
3.2.4 檔案上傳實作
3.2.5 檔案下載實作
3.2.6 安全性考量
3.2.7 實際應用場景
3.2.8 本節重點回顧
3.2.9 下一步
3.2.10 參考資源

3.3 API文件化實戰-整合Swagger與OpenAPI

本節概要
3.3.1 Swagger/OpenAPI工作流程
3.3.2 整合Swagger/OpenAPI
3.3.3 使用Swagger註解
3.3.4 API測試工具
3.3.5 API測試類型
3.3.6 實際應用場景
3.3.7 本節重點回顧
3.3.8 下一步
3.3.9 參考資源

第4章 Spring AI的誕生與核心價值

Spring AI 1.0 GA的革命性變革

ChatClient-統一的核心API
增強的LLM功能
Advisor API-AOP思想的延伸

4.1 取得AI入門鑰匙-API Key申請指南

本節概要
4.1.1 為什麼需要API Key？
4.1.2 主要AI服務提供商
4.1.3 API Key配置與管理
4.1.4 成本控制與監控
4.1.5 本節重點回顧
4.1.6 下一步
4.1.7 參考資料

4.2 Hello AI World-建立您的第一個AI應用

本節概要
4.2.1 Spring AI架構概述
4.2.2 專案建立與依賴配置
4.2.3 使用ChatClient實現AI對話
4.2.4 ChatClient自動配置與客製化
4.2.5 ChatModel直接使用方式
4.2.6 測試AI應用程式
4.2.7 ChatClient vs ChatModel使用時機
4.2.8 本節重點回顧
4.2.9 下一步
4.2.10 參考資料

4.3 流式輸出實現-整合Server-Sent Events (SSE)

本節概要
4.3.1 為什麼需要流式輸出？
4.3.2 ChatClient流式輸出實作
4.3.3 進階流式輸出控制
4.3.4 使用ChatModel的流式輸出
4.3.5 應用程式配置
4.3.6 本節重點回顧
4.3.7 下一步
4.3.8 參考資料

4.4 深入ChatModel-AI對話核心機制

本節概要
4.4.1 Spring AI架構全貌
4.4.2 ChatModel核心介面
4.4.3 AI 模型參數配置
4.4.4 多模型支援架構
4.4.5 本節重點回顧
4.4.6 下一步
4.4.7 參考資料

4.5 前端串流處理-Server-Sent Events實戰

本節概要
4.5.1 EventSource API基礎
4.5.2 建立流式聊天介面
4.5.3 JavaScript 流式聊天實現
4.5.4 本節重點回顧
4.5.5 下一步
4.5.6 參考資料

第5章 Spring AI進階功能

5.1 提示詞範本 (Prompt Template)-標準化你的AI互動

本節概要
5.1.1 什麼是提示詞範本？
5.1.2 方式一：最簡單的Fluent API
5.1.3 方式二：使用PromptTemplate類別
5.1.4 方式三：外部檔案管理（最佳實踐）
5.1.5 進階應用：動態角色切換
5.1.6 本節重點回顧
5.1.7 下一步
5.1.8 參考資料

5.2 多模態處理-讓AI看見與聽見

本節概要
5.2.1 什麼是多模態AI？
5.2.2 支援多模態的AI模型
5.2.3 圖片分析功能實現
5.2.4 多媒體檔案處理
5.2.5 企業級應用場景
5.2.6 本節重點回顧
5.2.7 下一步
5.2.8 參考資料

5.3 圖像生成實戰-從文字到圖像

本節概要
5.3.1 AI圖片生成的革命性影響
5.3.2 Spring AI支援的圖片生成模型
5.3.3 OpenAI DALL·E 3整合
5.3.4 進階功能實現
5.3.5 最佳實踐
5.3.6 本節重點回顧
5.3.7 下一步
5.3.8 參考資料

5.4 字幕產生器-影片自動上字幕

本節概要
5.4.1 為什麼需要AI字幕生成？
5.4.2 Spring AI語音轉文字架構
5.4.3 Whisper模型介紹
5.4.4 配置與實現
5.4.5 字幕格式說明
5.4.6 最佳實踐
5.4.7 本節重點回顧
5.4.8 下一步
5.4.9 參考資料

5.5 語音合成 (Text-to-Speech)-賦予應用聲音

本節概要
5.5.1 為什麼需要AI配音？
5.5.2 Spring AI語音生成架構
5.5.3 OpenAI TTS模型與聲音
5.5.4 配置與實現
5.5.5 成本與效益分析
5.5.6 最佳實踐
5.5.7 本節重點回顧
5.5.8 下一步
5.5.9 參考資料

5.6 Function Calling（上）-賦予AI操作世界的能力

本節概要
5.6.1 AI為什麼需要工具？
5.6.2 Tool Calling基礎架構
5.6.3 第一個Tool-時間查詢
5.6.4 @Tool註解詳解
5.6.5 多工具協作
5.6.6 最佳實踐
5.6.7 完整示例：智能助手
5.6.8 重點回顧
5.6.9 下一步
5.6.10 參考資料

5.7 Function Calling（中）-讀取企業資料

本節概要
5.7.1 為什麼需要Tool Calling？
5.7.2 Tool Calling架構
5.7.3 基礎工具實現
5.7.4 進階工具開發
5.7.5 實際應用場景
5.7.6 最佳實踐
5.7.7 工具設計模式
5.7.8 本節重點回顧
5.7.9 下一步
5.7.10 參考資料

5.8 Function Calling（下）-進階工具鏈與多步驟任務

本節概要
5.8.1 為什麼需要工具鏈？
5.8.2 工具鏈執行流程
5.8.3 實戰：建立工具鏈系統
5.8.4 實際應用場景
5.8.5 控制器實現
5.8.6 本節重點回顧
5.8.7 下一步

5.9 即時資料查詢-串接氣象API

本節概要
5.9.1 為什麼要整合真實API？
5.9.2 中央氣象局API整合
5.9.3 實戰：建立天氣查詢系統
5.9.4 控制器實現
5.9.5 測試應用
5.9.6 錯誤處理策略
5.9.7 本節重點回顧
5.9.8 下一步
5.9.9 參考資料

5.10 結構化輸出-從AI回應到Java物件

本節概要
5.10.1 結構化輸出的重要性
5.10.2 三種轉換器的用途
5.10.3 現代化API實現
5.10.4 傳統轉換器實現
5.10.5 企業級應用場景
5.10.6 最佳實踐和優化
5.10.7 本節重點回顧
5.10.8 下一步
5.10.9 參考資料

第6章 AI記憶與知識管理

6.1 In-Context Learning-賦予AI上下文感知能力

本節概要
6.1.1 為什麼需要In-Context Learning？
6.1.2 In-Context Learning 核心概念
6.1.3 實現方式
6.1.4 Spring AI 1.0的改進
6.1.5 實際應用場景
6.1.6 與其他概念的關係
6.1.7 本節重點回顧
6.1.8 In-Context Learning的自動化：RAG
6.1.9 下一步

6.2 短期記憶系統-ChatMemory實戰應用

本節概要
6.2.1 為什麼需要ChatMemory？
6.2.2 ChatMemory架構設計
6.2.3 InMemoryChatMemory實現
6.2.4 MessageWindowChatMemory（滑動視窗）
6.2.5 兩種 Advisor的差異
6.2.6 多種儲存後端
6.2.7 重點回顧
6.2.8 下一步

6.3 Advisor 插件化開發-自訂AI增強功能

本節概要
6.3.1 什麼是Advisor？
6.3.2 Spring AI 1.0+新版API
6.3.3 實戰：TokenUsageLogAdvisor
6.3.4 Advisor執行順序
6.3.5 進階範例
6.3.6 本節重點回顧
6.3.7 下一步

6.4 向量資料庫選擇-20+ 資料庫完整對比

本節概要
6.4.1 什麼是向量資料庫？
6.4.2 Spring AI 1.0支援的向量資料庫
6.4.3 Docker Compose快速部署
6.4.4 選擇決策樹
6.4.5 Spring AI動態配置
6.4.6 性能對比
6.4.7 本節重點回顧
6.4.8 下一步

6.5 Neo4j 向量搜尋實戰-配置與部署

本節概要
6.5.1 為什麼選擇Neo4j？
6.5.2 Docker部署
6.5.3 向量索引配置
6.5.4 Spring AI配置
6.5.5 資料操作
6.5.6 效能優化
6.5.7 實用Cypher查詢
6.5.8 常見問題
6.5.9 本節重點回顧
6.5.10 下一步

6.6 長期記憶系統-跨會話記憶管理

本節概要
6.6.1 向量記憶 vs 傳統記憶
6.6.2 基本配置
6.6.3 混合記憶架構
6.6.4 實戰範例
6.6.5 進階配置
6.6.6 適用場景與限制
6.6.7 記憶同步機制
6.6.8 本節重點回顧
6.6.9 下一步

6.7 智能摘要系統-自動整理對話重點

本節概要
6.7.1 為什麼需要智能摘要？
6.7.2 SmartMemoryAdvisor設計
6.7.3 混合記憶策略
6.7.4 對話分析功能
6.7.5 記憶優化技術
6.7.6 本節重點回顧
6.7.7 下一步

第7章 RAG系統建構與企業知識庫整合

7.1 RAG原理與實現-讓AI讀懂你的文件

本節概要
7.1.1 什麼是RAG？
7.1.2 RAG完整流程
7.1.3 RAG vs Fine-tuning vs Prompt Engineering
7.1.4 Spring AI RAG實現
7.1.5 向量資料庫配置
7.1.6 完整使用流程
7.1.7 文本分塊策略
7.1.8 RAG效能調校
7.1.9 實際應用場景
7.1.10 RAG系統優化技巧
7.1.11 REST API設計
7.1.12 與其他概念的關係
7.1.13 本節重點回顧
7.1.14 下一步
7.1.15 相關資源

7.2 內容向量化-Embedding技術詳解

本節概要
7.2.1 什麼是向量化？
7.2.2 Spring AI Embedding模型
7.2.3 Spring AI向量化實現
7.2.4 向量品質評估
7.2.5 相似度計算方法
7.2.6 向量化成本優化
7.2.7 多語言支援
7.2.8 實戰技巧
7.2.9 本節重點回顧
7.2.10 下一步
7.2.11 相關資源

7.3 知識來源處理-支援PDF、Word、Excel

本節概要
7.3.1 什麼是ETL？
7.3.2 Spring AI ETL架構
7.3.3 PDF文檔處理
7.3.4 Office文檔處理（Tika）
7.3.5 文本文件處理
7.3.6 網頁內容處理
7.3.7 ETL Pipeline設計
7.3.8 元資料增強
7.3.9 REST API整合
7.3.10 本節重點回顧
7.3.11 下一步
7.3.12 相關資源

7.4 進階文件處理-整合OCR與壓縮檔

本節概要
7.4.1 為什麼需要進階文件處理？
7.4.2 多格式文件架構
7.4.3 Office文件處理（Excel ＆ PowerPoint）
7.4.4 圖像文件OCR處理
7.4.5 壓縮檔案批次處理
7.4.6 統一的多格式處理流程
7.4.7 本節重點回顧
7.4.8 下一步
7.4.9 參考資料

7.5 資料品質優化-提升檢索準確度

本節概要
7.5.1 Transform階段的重要性
7.5.2 智能文本清理
7.5.3 智能文本分塊（Chunking）
7.5.4 元資料增強（Metadata Enrichment）
7.5.5 完整ETL Pipeline整合
7.5.6 ETL Pipeline效能優化
7.5.7 本節重點回顧
7.5.8 下一步
7.5.9 參考資料

7.6 企業資料整合-資料庫、API串接

本節概要
7.6.1 企業RAG的資料挑戰
7.6.2 企業資料整合架構
7.6.3 資料同步策略
7.6.4 資料安全與權限控制
7.6.5 資料同步監控
7.6.6 本節重點回顧
7.6.7 下一步
7.6.8 參考資料

7.7 生產環境實戰-部署、監控與優化

本節概要
7.7.1 生產環境的挑戰
7.7.2 容器化部署
7.7.3 效能優化策略
7.7.4 監控與告警
7.7.5 故障排除
7.7.6 本節重點回顧
7.7.7 第7章總結
7.7.8 參考資料

第8章 Advanced RAG技術與優化

8.1 Advanced RAG概覽-提升檢索準確率的關鍵技術

本節概要
8.1.1 為什麼需要Advanced RAG？
8.1.2 RAG技術演進
8.1.3 Advanced RAG核心組件
8.1.4 完整配置範例
8.1.5 效果對比
8.1.6 本節重點回顧
8.1.7 下一步
8.1.8 參考資料

8.2 Embedding 模型優化-從選擇到效能調校

本節概要
8.2.1 為什麼 Embedding是RAG的關鍵？
8.2.2 Embedding模型比較
8.2.3 Spring AI Embedding配置
8.2.4 效能優化策略
8.2.5 效能監控
8.2.6 模型選擇建議
8.2.7 最佳實踐
8.2.8 本節重點回顧
8.2.9 下一步
8.2.10 參考資料

8.3 Re-ranking 實戰-精準重排以獲得最佳答案

本節概要
8.3.1 為什麼需要Re-ranking？
8.3.2 Voyage AI Re-ranking實現
8.3.3 配置和使用
8.3.4 效果對比
8.3.5 最佳實踐
8.3.6 本節重點回顧
8.3.7 下一步
8.3.8 參考資料

8.4 系統品質保證-內容審核與自動化評估

本節概要
8.4.1 為什麼需要內容審核與評估？
8.4.2 多層內容審核系統
8.4.3 RAG系統評估測試
8.4.4 持續監控與自動化
8.4.5 監控面板
8.4.6 本節重點回顧
8.4.7 下一步
8.4.8 參考資料

第9章 MCP 協議整合與工具開發

9.1 認識 MCP-AI的標準化接口

本節概要
9.1.1 什麼是MCP ？
9.1.2 MCP 架構設計
9.1.3 傳輸方式
9.1.4 JSON-RPC 2.0協議
9.1.5 MCP 核心功能
9.1.6 MCP 在企業中的應用價值
9.1.7 MCP vs 其他解決方案
9.1.8 本節重點回顧
9.1.9 與 Spring AI的整合
9.1.10 下一步
9.1.11 參考資源

9.2 Spring MCP快速入門

本節概要
9.2.1 專案架構
9.2.2 Maven依賴配置
9.2.3 MCP Client配置
9.2.4 MCP Client核心服務
9.2.5 與 ChatClient整合
9.2.6 命令行交互應用
9.2.7 工具發現與調用
9.2.8 資源讀取
9.2.9 啟動和測試
9.2.10 進階配置
9.2.11 本節重點回顧
9.2.12 下一步
9.2.13 常見問題

9.3 使用MCP工具-擴展AI能力

本節概要
9.3.1 MCP Server 架構概覽
9.3.2 專案配置
9.3.3 開發MCP 工具
9.3.4 註冊ToolCallbackProvider
9.3.5 雙傳輸模式支援
9.3.6 啟動和測試
9.3.7 本節重點回顧
9.3.8 實戰應用
9.3.9 下一步
9.3.10 參考資源

9.4 開發 MCP Server-打造自己的工具集

本節概要
9.4.1 版本要求
9.4.2 進階功能架構
9.4.3 智能提示系統 (Prompts)
9.4.4 自動完成功能 (Completions)
9.4.5 客戶端通知機制
9.4.6 資料庫整合
9.4.7 配置和啟動
9.4.8 測試進階功能
9.4.9 本節重點回顧
9.4.10 與其他章節整合
9.4.11 企業應用場景
9.4.12 下一步
9.4.13 參考資源

結語: 開啟AI應用開發的新篇章

寫在最後
您已經具備的能力
AI技術的未來展望
持續學習的建議

保持實踐
關注社群
探索創新
追蹤新知

開始您的創新之旅
感謝與祝福
附錄：持續學習資源

官方資源
社群與交流
延伸閱讀
實踐平台
本書範例

購買說明

根據台灣現行法規，數位內容（如電子書、音樂、影片、遊戲、App ）形式之商品，不受「網購服務需提供七日鑑賞期」的限制。為維護您的權益，建議您先使用「試讀」功能後再付款購買。

試讀

使用 Spring AI 打造企業 RAG知識庫

喜歡這本的人，也看了...

Vibe Coding CLI 頂級開發：Claude Code 前瞻菁英育成手冊

Gemini 3 x NotebookLM領軍：Nano Banana Pro x Veo x Whisk x Flow x Gem - Google 多模態 AI 工作流

AI高效學習術：人工智慧時代學得更聰明

Coding Agent 大神：Google Antigravity 最強實戰指南

現代 C#：AI 時代的開發者修煉：（C# 14 與 .NET 10）

NotebookLM筆記術：打造你的AI「第二大腦」

勝過 AI 的技能：玩熟 Mermaid 做出最專業的圖表

Nano Banana藝術宇宙－Veo x Sora：多模態AI創作時代

UI自動化測試與AI應用實戰：實作Robot Framework × Playwright × Appium從Web、App到CI/CD流程整合全方位攻略（iThome鐵人賽系列書）

AI Agent智能工作流：設計與自動化全實戰

玩爆你的龍蝦：最強 OpenClaw 安裝設定應用實機演練

C# 最強入門邁向頂尖高手之路王者歸來

Vibe Coding－Python超級入門：ChatGPT x Codex

史上最強Python入門邁向頂尖高手之路王者歸來

Sutskever 大神推薦 - 建構AI世界最重要的30篇論文：用PyTorch完整實作

Clean Code：Python 寫乾淨程式碼－告別技術債，不再為爛程式加班收爛攤

機器學習：最強入門邁向AI高手．王者歸來

通關升級！：發想創意、構建關卡、設計控制、塑造角色的全方位遊戲設計指南

零基礎開發AI應用: Bubble實戰指南 (第一版)

Vibe Coding：Cursor教戰手冊

軟體測試修練指南：我獨自升級的實戰心法（iThome鐵人賽系列書）

詳細資訊

影音資訊

目錄列表

購買說明

使用 Spring AI 打造企業 RAG知識庫

喜歡這本的人，也看了...

詳細資訊

影音資訊

目錄列表

購買說明

出版社簡介

出版社作品