一、框架概述

1.1 共同点概述

Spring AI 与 Solon AI 都是面向 Java 开发者的 AI 应用开发框架，旨在简化大语言模型（LLM）在企业级应用中的集成与开发。尽管两者在设计理念、生态定位和实现细节上有所不同，但它们在核心目标和能力上具有显著的共性：

• 统一模型接口：两者都提供了统一的 LLM 调用接口，屏蔽底层不同模型供应商（OpenAI、Anthropic、Google、Ollama 等）的 API 差异，实现"一份代码，跨模型运行"
• 完整的 RAG 链路：均支持从文档加载、切分、向量化、存储到检索重排的完整 RAG 流程，助力构建私有知识库问答系统
• MCP 协议支持：都深度集成 Model Context Protocol（MCP），支持标准化 AI 模型与外部工具的交互
• 工具调用（Tool Calling）：均通过注解方式（@Tool / @ToolMapping）实现 AI 对外部工具/服务的自动调用
• 流式响应：都支持同步和流式（Reactive/Flux）调用方式，满足实时交互场景
• 结构化输出：均支持将 AI 模型输出映射为 Java POJO 对象，便于与业务系统集成
• 企业级定位：两者均由企业级团队维护（Spring 官方 / 杭州无耳科技），遵循 Apache 2.0 开源协议，面向生产环境设计
• 生态开放：均可与主流向量数据库、大模型供应商对接，支持灵活扩展

1.2 Spring AI

Spring AI 是由 Spring 官方（VMware/Broadcom）社区维护的开源 AI 应用框架，首个 1.0 GA 版本于 2025 年 5 月正式发布。该项目旨在将 Spring 生态系统的核心设计原则（如可移植性、模块化设计、POJO 编程模型）应用于人工智能领域，解决企业数据与 AI 大模型集成的核心挑战。

Spring AI 的设计灵感来源于 Python 生态中成功的 LangChain 和 LlamaIndex 项目，但更注重与 Java/Spring 生态的无缝融合。它提供了统一的模型接口、企业级 RAG 支持、安全监控和工具调用功能，是企业级 AI 开发的首选框架之一。

关键信息： - GitHub 仓库: https://github.com/spring-projects/spring-ai - GitHub Star: 8,400+ - Fork 数量: 2,400+ - 官方文档: https://docs.spring.io/spring-ai/reference/ - 最新版本: 1.1.x (持续更新中) - 开源协议: Apache 2.0 - 最低 JDK 版本: JDK 17

1.3 Solon AI

Solon AI 是 Solon 项目核心子项目之一，定位为全场景 Java AI 应用开发框架。它秉承 Solon 家族一贯的"克制、高效、开放"理念，向上抽象统一接口屏蔽模型差异，向下深度集成向量库、MCP 协议与复杂流控制。

Solon AI 与 LangChain、LangGraph、LlamaIndex 是同类型的开发框架，但更强调轻量级、高性能和广泛的 JDK 兼容性。其核心理念是"一份代码，跨模型运行；极致轻量，从 Java 8 纵跳至 Java 25"。

关键信息： - GitHub 仓库: https://github.com/opensolon/solon-ai - Gitee 仓库: https://gitee.com/opensolon/solon-ai - GitHub Star: 330+ - Gitee Star: 600+ - 官方文档: https://solon.noear.org/article/learn-solon-ai - 最新版本: v3.10.x (持续更新中) - 开源协议: Apache 2.0 - JDK 兼容范围: JDK 8 ~ JDK 26

二、核心功能对比

2.1 功能矩阵

2.2 LLM 模型调用对比

Spring AI 示例代码：

// 配置 ChatClient
ChatClient chatClient = ChatClient.builder(chatModel)
    .defaultSystem("You are a helpful assistant")
    .build();

// 同步调用
String response = chatClient.prompt()
    .user("今天杭州的天气情况？")
    .tools(new WeatherTools())
    .call()
    .content();

// 流式调用
Flux<String> stream = chatClient.prompt()
    .user("请写一首诗")
    .stream()
    .content();

Solon AI 示例代码：

// 构建 ChatModel
ChatModel chatModel = ChatModel.of("http://127.0.0.1:11434/api/chat")
    .model("qwen2.5:1.5b")
    .systemPrompt("You are a helpful assistant")
    .build();

// 同步调用
AssistantMessage result = chatModel.prompt("今天杭州的天气情况？")
    .options(op -> op.toolAdd(new WeatherTools()))
    .call()
    .getMessage();

// 流式调用 (Reactive)
Flux<ChatResponse> stream = chatModel.prompt("请写一首诗").stream();

对比分析： - Spring AI 的 ChatClient API 更加高层抽象，适合业务开发 - Solon AI 的 ChatModel 兼顾了底层接口与高层抽象，灵活性更高 - 两者都支持同步和流式调用 - Solon AI 可自动识别（方言或接口规范），Spring AI 也可自动识别

三、技术特性深度对比

3.1 JDK 兼容性

深度分析：

Spring AI 选择 JDK 17 作为最低版本（最新版只兼容 JDK 21+），主要基于以下考虑： - 利用 Java 17+ 的新特性（如 Records、Sealed Classes、Pattern Matching） - 简化代码库维护，减少版本兼容成本 - 符合 Spring Boot 3.x 的技术要求

Solon AI 支持 JDK 8 到 JDK 26 的超宽范围，其优势在于： - 老系统友好: 大量企业系统仍运行在 JDK 8 环境 - 渐进式升级: 可以在不升级 JDK 的情况下引入 AI 能力 - 未来兼容: 已支持最新的 JDK 25 - 嵌入式场景: 可嵌入到不同 JDK 版本的第三方框架中

3.2 框架集成性

Solon AI 嵌入示例（集成到 Spring Boot）：

// 在 Spring Boot 应用中使用 Solon AI
@Configuration
public class SolonAiConfig {
    @Bean
    public ChatModel chatModel() {
        return ChatModel.of(apiUrl)
            .apiKey(apiKey)
            .model("gpt-4")
            .build();
    }
}

3.3 MCP (Model Context Protocol) 开发体验对比

MCP 是 Anthropic 提出的模型上下文协议，用于标准化 AI 模型与外部工具的交互。

Spring AI MCP Server 开发：

<!-- 依赖配置 -->
<dependency>
   <groupId>org.springframework.ai</groupId>
   <artifactId>spring-ai-mcp-server-spring-boot-starter</artifactId>
   <version>最新版</version>
</dependency>

# application.yml 配置
spring.ai.mcp.server.name: jdbc-mcp-server

// 工具服务定义
@Service
public class JdbcQueryService {
    @Tool(description = "查询天气预报")
    public String getWeather(@ToolParam(description = "城市位置") String location) {
        return "晴，14度";
    }
}

// 配置发布
@Configuration
public class McpConfig {
    @Bean
    ToolCallbackProvider jdbcQueryTools(JdbcQueryService jdbcQueryService) {
        return MethodToolCallbackProvider
                .builder()
                .toolObjects(jdbcQueryService)
                .build();
    }
}

Solon AI MCP Server 开发：

<!-- 依赖配置（版本号随 solon 一致） -->
<dependency>
    <groupId>org.noear</groupId>
    <artifactId>solon-ai-mcp</artifactId>
    <version>最新版</version>
</dependency>

// 组件即配置即发布（三位一体）
@McpServerEndpoint(name="mcp-case1", sseEndpoint = "/case1/sse") 
public class McpServerTool {
    @ToolMapping(description = "查询天气预报")
    public String getWeather(@ToolParam(description = "城市位置") String location) {
        return "晴，14度";
    }
}

MCP 对比总结：

3.4 资源占用与性能

性能差异原因分析：

1. 架构设计: Solon 采用更轻量的 IOC 容器，启动时扫描和初始化更少
2. 依赖精简: Solon AI 核心依赖更少，避免引入不必要的传递依赖
3. 运行时优化: Solon 在路由、序列化等层面做了深度优化
4. 内存管理: Solon 采用更高效的对象池和缓存策略

四、支持的模型与向量库详细对比

4.1 大语言模型 (LLM) 支持

4.2 向量数据库支持

五、Agent 智能体能力深度对比

5.1 Spring AI Agent 能力

原生 Spring AI 的 Agent 能力相对有限，主要体现在：

基础能力： - 工具调用 (Tool Calling)：通过 @Tool 注解实现 - 简单的 ReAct 模式：需要手动编排 - 结构化输出：支持 Bean 映射

扩展能力 (Spring AI Alibaba)： - Graph 工作流引擎: 支持复杂的多 Agent 协作 - JManus 智能体: 支持 Plan-Act 模式，可自主规划任务 - 可视化工作流: 支持从 Dify DSL 生成 Graph 代码 - Nacos MCP Registry: 企业级 MCP 服务发现

Spring AI Alibaba 示例：

// Graph 工作流定义
GraphWorkflow workflow = GraphWorkflow.builder()
    .addNode("researcher", researcherAgent)
    .addNode("writer", writerAgent)
    .addNode("reviewer", reviewerAgent)
    .addEdge("researcher", "writer")
    .addEdge("writer", "reviewer")
    .build();

// 执行工作流
WorkflowResult result = workflow.execute("写一篇关于 AI 的技术文章");

5.2 Solon AI Agent 能力

Solon AI 原生提供完整的 Agent 能力，无需额外扩展：

ReActAgent (自省推理智能体)：

ReActAgent agent = ReActAgent.of(chatModel)
    .name("weather_expert")
    .description("查询天气并提供建议")
    .defaultToolAdd(weatherTool)
    .build();

// 自动完成：思考 -> 调用工具 -> 观察 -> 总结
agent.prompt("今天北京适合穿什么？").call();

TeamAgent (多智能体团队协作)：

TeamAgent team = TeamAgent.of(chatModel)
    .name("marketing_team")
    .protocol(TeamProtocols.HIERARCHICAL) // 层级式协作
    .agentAdd(copywriterAgent)           // 文案专家
    .agentAdd(illustratorAgent)          // 视觉专家
    .build();

// Supervisor 自动拆解任务并分发给对应专家
team.prompt("策划一个深海矿泉水的推广方案").call();

支持的协作协议 (6 种预置)： 1. HIERARCHICAL - 层级式（主管分配） 2. JOINT - 联合式（平等协作） 3. DELIBERATIVE - 审议式（讨论决策） 4. CONSENSUS - 共识式（投票决策） 5. PIPELINE - 流水线式（顺序处理） 6. CUSTOM - 自定义协议

5.3 Agent 能力对比总结

六、AI Skills (技能) 系统 - Solon AI 独有特性

AI Skills 是 Solon AI 独有的功能，允许定义可复用的 AI 技能包（与 Agent Skills 各有侧重）：

// 定义技能
Skill skill = new SkillDesc("order_expert")
    .description("订单助手")
    // 动态准入：只有提到"订单"时才激活
    .isSupported(prompt -> prompt.getUserMessageContent().contains("订单"))
    // 动态指令：根据用户身份注入不同 SOP
    .instruction(prompt -> {
        if ("VIP".equals(prompt.getMeta("user_level"))) {
            return "这是尊贵的 VIP 客户，请优先调用 fast_track_tool。";
        }
        return "按常规流程处理订单查询。";
    })
    .toolAdd(new OrderTools());

// 使用技能
chatModel.prompt("我昨天的订单到哪了？")
    .options(o -> o.skillAdd(skill))
    .call();

AI Skills 的核心优势： - 动态准入: 根据提示词内容自动判断是否激活 - 动态指令: 根据上下文注入不同的 SOP - 工具绑定: 技能可绑定专属工具集 - 可复用: 技能可在不同场景间复用

七、Ai Flow 工作流编排 - Solon AI 独有特性

Ai Flow 模拟 Dify 的低代码流式应用体验，支持 YAML 化编排：

id: demo1
layout:
  - type: "start"
  
  - task: "@VarInput"
    meta:
      message: "Solon 是谁开发的？"
  
  - task: "@EmbeddingModel"
    meta:
      embeddingConfig:
        provider: "ollama"
        model: "bge-m3"
        apiUrl: "http://127.0.0.1:11434/api/embed"
  
  - task: "@InMemoryRepository"
    meta:
      documentSources:
        - "https://solon.noear.org/article/about?format=md"
      splitPipeline:
        - "org.noear.solon.ai.rag.splitter.RegexTextSplitter"
        - "org.noear.solon.ai.rag.splitter.TokenSizeTextSplitter"
  
  - task: "@ChatModel"
    meta:
      systemPrompt: "你是个知识库"
      stream: false
      chatConfig:
        provider: "ollama"
        model: "qwen2.5:1.5b"
        apiUrl: "http://127.0.0.1:11434/api/chat"
  
  - task: "@ConsoleOutput"

Ai Flow 支持的任务节点： - @VarInput - 变量输入 - @EmbeddingModel - 向量化 - @InMemoryRepository - 内存知识库 - @ChatModel - 大模型调用 - @RerankingModel - 重排序 - @ConsoleOutput - 控制台输出 - 更多自定义节点...

八、RAG (检索增强生成) 能力对比

8.1 RAG 全链路支持

两者均支持完整的 RAG 流程：

文档加载 (Loader) → 文档切分 (Splitter) → 向量化 (Embedding) → 存储 (Repository) → 检索 (Search) → 重排 (Rerank) → 提示增强 → 模型调用

8.2 Spring AI RAG 示例

// 文档加载
Resource resource = new ClassPathResource("knowledge.pdf");
DocumentReader reader = new PdfDocumentReader(resource);
List<Document> documents = reader.get();

// 向量化并存储
VectorStore vectorStore = new PgVectorStore(dataSource);
vectorStore.add(documents);

// 检索并增强提示
List<Document> relevantDocs = vectorStore.similaritySearch(
    SimilaritySearchRequest.builder()
        .query("问题内容")
        .topK(5)
        .build()
);

String augmentedPrompt = DocumentChunkUtils.joinDocuments(relevantDocs);

8.3 Solon AI RAG 示例

// 构建知识库
EmbeddingModel embeddingModel = EmbeddingModel.of(apiUrl)
    .apiKey(apiKey)
    .model(model)
    .batchSize(10)
    .build();

RerankingModel rerankingModel = RerankingModel.of(apiUrl)
    .apiKey(apiKey)
    .model(model)
    .build();

InMemoryRepository repository = new InMemoryRepository(embeddingModel);

// 加载 PDF 文档
repository.insert(new PdfLoader(pdfUri).load());

// 检索
List<Document> docs = repository.search(query);

// 重排（可选）
docs = rerankingModel.rerank(query, docs);

// 提示语增强
ChatMessage message = ChatMessage.ofUserAugment(query, docs);

// 调用大模型
chatModel.prompt(message).call();

8.4 RAG 对比总结

九、社区与生态对比

9.1 维护方与背景

9.2 社区活跃度

9.3 配套资源

十、适用场景详细建议

10.1 选择 Spring AI 的场景

场景 1：深度绑定 Spring 生态的企业项目

• 特征: 项目基于 Spring Boot / Spring Cloud 构建，团队已熟练掌握 Spring 生态
• 理由: 与 Spring Security、Spring Data、Micrometer 等组件无缝集成，统一技术栈降低运维成本
• 案例: 金融、医疗、电商等行业的智能客服、知识库问答、智能推荐系统

场景 2：需要完善安全与可观测性

• 特征: 项目对安全性、审计、监控有严格要求
• 理由: Spring Security 提供成熟的 OAuth2 / OIDC 鉴权方案，Micrometer 提供 Token 消耗、延迟等指标监控
• 案例: 政府、金融、医疗等合规要求高的行业

场景 3：国际化与出海项目

• 特征: 面向全球用户，团队分布在不同国家
• 理由: Spring 生态全球认可度高，英文文档完善，社区活跃，便于跨国团队协作
• 案例: 出海 SaaS 产品、跨国企业内部系统

场景 4：大规模向量检索需求

• 特征: 需要对接 20+ 种向量数据库，或已有特定向量库（如 Azure Vector、Oracle Vector）
• 理由: Spring AI 向量库适配器覆盖更广，企业级向量数据库支持更完善
• 案例: 大规模企业知识库、文档检索系统

10.2 选择 Solon AI 的场景

场景 1：老系统 AI 化改造（JDK 8~16）

• 特征: 现有系统运行在 JDK 8~16 环境，短期内无法升级 JDK
• 理由: Solon AI 向下兼容至 JDK 8，无需升级 JDK 即可引入 AI 能力，降低改造风险
• 案例: 传统企业 ERP/CRM 系统 AI 化、遗留系统智能化升级

场景 2：轻量化与高性能部署

• 特征: 对启动速度、内存占用、并发能力有较高要求
• 理由: 启动快（0.5-2 秒）、内存节省 50%+、并发能力提升 3-7 倍，适合资源敏感场景
• 案例: Serverless 函数计算、边缘计算、IoT 设备、容器化微服务

场景 3：非 Spring 技术栈的 AI 集成

• 特征: 项目使用 jFinal、Vert.x、Quarkus、JFinal 等框架
• 理由: Solon AI 松耦合设计，可嵌入多种第三方框架，不强制绑定特定生态
• 案例: 已有非 Spring 项目需要快速接入 AI 能力

场景 4：原生多 Agent 协作需求

• 特征: 需要 ReAct 自省推理、多智能体团队协作、任务自动拆解
• 理由: 原生提供 ReActAgent、TeamAgent（6 种预置协作协议），无需额外扩展
• 案例: 自动化工作流、智能审批流、多角色协作系统（如 SolonCode、SolonClaw）

场景 5：MCP Server 多端点服务

• 特征: 需要开发 MCP 工具服务，且希望按场景分组提供不同工具集
• 理由: 支持多端点、注解即配置（三位一体），代码更简洁，灵活性更高
• 案例: AI 工具服务平台、插件市场、多租户 MCP 服务

场景 6：AI Skills 动态技能编排 & 海量 Agent Skills 对接

• 特征: 需要根据上下文动态激活不同技能，或需要对接海量外部技能（如 Claude Agent Skills）
• 理由:
  • Solon AI 独有的 Skills 系统支持动态准入和动态指令，与 Agent Skills 互补
  • 通过 CliSkillProvider 可直接复用符合 Claude Code 规范的开源技能包（SKILL.md），快速打造类 Claude Code 的智能终端应用
  • 支持多技能池挂载、沙盒安全执行、海量技能检索（skillsearch / skillread）
• 案例: 智能客服（VIP/普通用户差异化服务）、多业务线统一 AI 入口、类 Claude Code 的智能编码助手（SolonCode）

场景 7：低代码工作流编排

• 特征: 希望以 YAML 方式编排 AI 工作流，模拟 Dify 体验
• 理由: 原生 Ai Flow 支持 YAML 化编排，覆盖 RAG、模型调用、重排等完整链路
• 案例: 内部 AI 工作流平台、快速原型验证、可视化 AI 应用搭建

10.3 混合使用场景

在实际项目中，Spring AI 和 Solon AI 并非互斥关系，可以组合使用：

十一、总结与选型建议

11.1 核心对比总结

11.2 快速选型指南

11.3 一句话总结

Spring AI 是 Spring 生态企业的首选，胜在生态完善、企业级特性成熟；Solon AI 是轻量级 AI 开发的利器，胜在 JDK 兼容广、Agent 能力强、资源占用低。两者均为企业级维护，开发者可根据技术栈、JDK 版本和功能需求进行选择，也可在项目中混合使用、各取所长。

附录

A. 参考资源

• Spring AI 官方文档: https://docs.spring.io/spring-ai/reference/
• Spring AI GitHub: https://github.com/spring-projects/spring-ai
• Solon AI 官方文档: https://solon.noear.org/article/learn-solon-ai
• Solon AI GitHub: https://github.com/opensolon/solon-ai
• Solon AI Gitee: https://gitee.com/opensolon/solon-ai

B. 版本信息

• 报告生成时间: 2026 年 4 月
• Spring AI 参考版本: 1.1.x
• Solon AI 参考版本: 3.10.x

本报告基于公开资料和技术文档编写，仅供参考。框架功能可能随版本更新而变化，建议查阅最新官方文档。