Spring AI 与 LangChain/LangGraph 对比#

Spring AI#

Spring AI 是 Spring 官方推出的 AI 框架，深度绑定 Java/Spring 生态。它提供统一的 LLM 调用接口和工具封装，让 Java 开发者能够以熟悉的 Spring 编程模型集成 AI 能力。

LangChain / LangGraph#

LangChain 是 Python 生态中最流行的 LLM 应用开发框架，LangGraph 是其官方推出的图状态机扩展，用于构建复杂 Agent。

Spring AI：责任链模式#

Spring AI 使用 Advisor 接口实现线性拦截。多个 Advisor 按优先级组成链，请求依次经过每个 Advisor 的 around 逻辑，最终到达 ChatModel，响应原路返回。

1
// 示例：添加记忆和日志两个 Advisor
2
ChatClient chatClient = ChatClient.builder(chatModel)
3
    .build()
4
    .mutate()
5
    .defaultAdvisors(
6
        new MessageChatMemoryAdvisor(memory),
7
        new SimpleLoggerAdvisor()
8
    )
9
    .build();

局限：不支持分支、并行、循环。开发者需手动编码实现复杂控制流。

LangChain：有向无环图（DAG）#

LCEL 将工作流建模为 Runnable 节点和边，支持并行（RunnableParallel）、条件路由（RunnableBranch）、数据转换。

1
# 示例：条件路由
2
chain = RunnableBranch(
3
    (lambda x: "python" in x, python_chain),
4
    (lambda x: "java" in x, java_chain),
5
    default_chain
6
)

LangGraph：图状态机#

LangGraph 扩展了 LCEL，引入共享状态 State 和检查点机制，支持循环、多 Agent 协作、断点恢复。

1
from langgraph.graph import StateGraph, END
2

3
graph = StateGraph(State)
4
graph.add_node("agent", agent_node)
5
graph.add_node("tools", tool_node)
6
graph.add_edge("agent", "tools")
7
graph.add_conditional_edges("tools", should_continue, {True: "agent", False: END})

Spring AI#

• 提供基础的 @Tool 调用能力，模型可单次决策调用工具。
• 多轮工具调用需开发者自行实现循环（如 while 循环判断是否继续）。
• 不支持多 Agent 协作。

LangChain + LangGraph#

• LangGraph 原生支持多轮、多步 Agent 流程。
• 通过 StateGraph 可轻松实现：
  • ReAct 模式：Agent → 工具 → 观察 → 继续循环
  • 多 Agent 协作：如 Supervisor 调度多个子 Agent
  • 人机协同：插入 interrupt 节点等待人类输入
  • 时间旅行：利用检查点回溯状态

选择 Spring AI 的场景#

• 团队技术栈以 Java/Spring 为主
• 需要与现有 微服务、安全、监控体系 深度集成
• 主要需求为 简单对话、RAG、基础工具调用，无需复杂 Agent 编排
• 希望 快速上线，利用 Spring 生态降低学习成本

选择 LangChain + LangGraph 的场景#

• 团队技术栈为 Python，或具备 Python 能力
• 需要 高度定制化的工作流（分支、循环、并行）
• 构建 复杂 Agent 系统（多轮工具调用、多 Agent 协作、反思、人机协同）
• 希望利用 丰富的第三方集成（向量库、文档加载器、检索器）

混合使用#

• 可在 Spring Boot 服务中通过 HTTP 调用独立的 Python LangChain 服务，发挥两者优势。
• 使用 Spring AI 的 FunctionCallback 封装对 Python Agent 的远程调用。