Spring AI、LangChain4j 和 LangChain 应该怎么选？

简化版

三个框架做的是同一件事：把不同服务商的模型接口、Prompt、工具调用、向量检索统一成一套编程接口。先按语言栈分：Python 服务选 LangChain，需要有条件分支和循环的流程再加 LangGraph；Java 服务在 Spring AI 和 LangChain4j 之间选。Spring AI 是 Spring 官方项目，和 Spring Boot 的自动配置、Bean 体系结合最紧，调用风格是 ChatClient 链式调用；LangChain4j 不依赖 Spring 也能用，特色是用接口加注解声明 AI 服务。模型配置要在后台动态修改时，三者都要绕开「从配置文件读模型参数」，改成按数据库里的配置手动构建模型对象。

详细版

维度	Spring AI	LangChain4j	LangChain（Python）
出身	Spring 官方项目	独立开源项目	LangChain 官方
与框架的关系	围绕 Spring Boot 自动配置设计	可以独立使用，也提供 Spring Boot starter	独立使用，常配 FastAPI
典型调用	`ChatClient.prompt().user(..).call()`	`AiServices` 生成接口实现，`@SystemMessage`、`@UserMessage` 绑定提示词	`ChatOpenAI().invoke()`、LCEL 组合
工具调用	`@Tool` + `ChatClient.tools()`	`@Tool` 方法转成工具规格与执行器	`@tool` 或绑定工具
复杂流程	业务代码自己控制	业务代码自己控制	LangGraph 状态图

选型看三件事：

语言栈跟着团队和已有系统走。 业务系统是 Spring Boot，就在 Java 里选；数据、评测、Agent 实验为主，Python 生态更全。
Java 里看和 Spring 的绑定程度。 项目深度依赖 Spring 的自动配置和 Bean 注入，Spring AI 更顺手；想要声明式的 AI 接口，或者不想让模型接入跟着 Spring 的配置体系走，LangChain4j 更轻。
Python 里看流程形态。 线性链路用 LangChain 的组件就够；有条件边、有回环、要控制最大轮数的 Agent 流程，用 LangGraph 表达。

无论选哪个，框架覆盖不到的专用接口直接发 HTTP，所有模型调用收敛到一个统一出口，日志、报错翻译、Token 统计只写一份。

完整版教学

一、三个框架封装的是同一层

先弄清楚框架帮你做了什么，才能比较。调用一次大模型，裸写 HTTP 要处理的事情大致是：

拼请求体（model、messages、tools、temperature……）
-> 带 Authorization 请求头 POST 到 /chat/completions
-> 解析 choices[0].message（正文或 tool_calls）
-> 读 usage、finish_reason
-> 有 tool_calls 时执行工具、把结果以 tool 消息回填、再请求一轮

三个框架都把这一层封装掉，只是叫法不同：

能力	Spring AI	LangChain4j	LangChain
对话模型	`ChatModel`、`ChatClient`	`ChatModel`（旧版 `ChatLanguageModel`）	`ChatOpenAI` 等
向量模型	`EmbeddingModel`	`EmbeddingModel`	`OpenAIEmbeddings` 等
提示词模板	`PromptTemplate`	`PromptTemplate`、注解模板	`ChatPromptTemplate`
工具	`@Tool`	`@Tool`	`@tool`
向量存储	`VectorStore`	`EmbeddingStore`	`VectorStore`

所以选型不是比「谁能调模型」，而是比「谁和你的工程体系、编程习惯、流程形态更贴合」。

二、第一刀：按语言栈分

语言栈通常不是框架决定的，而是团队和已有系统决定的。业务系统、权限、订单、数据库访问都在 Spring Boot 里，把 AI 能力做成同一个服务里的一层，调用业务数据最直接，这时在 Java 的两个框架里选。反过来，以数据处理、评测脚本、多 Agent 实验为主，Python 的生态更全：模型 SDK、评测工具、文档解析库大多先有 Python 版本。

还有一个容易忽略的点是运行模型。Python 服务配合 FastAPI 走 async/await，一次请求里串几次模型调用和数据库查询时，等待期间不占线程；Java 服务一般是线程模型，长耗时的模型调用要靠超时、异步任务或流式输出来管住线程。两种都能做好，但写法不同，选型时要算进团队熟悉度。

记忆钩子：先问「AI 能力要放进哪个服务」，语言定了，框架选择就只剩一半。

三、Java 里：Spring AI 和 LangChain4j 差在哪

两者的能力清单越来越接近，差异主要在设计取向：

维度	Spring AI	LangChain4j
与 Spring 的关系	为 Spring Boot 而生，starter 自动配置出模型 Bean	核心不依赖 Spring，另有 Spring Boot 集成
调用风格	`ChatClient` 链式调用，Advisor 挂增强逻辑	`AiServices` 按接口生成实现，注解声明提示词
配置来源	默认从 `application.yml` 的 `spring.ai.*` 读	默认用 builder 在代码里构建
学习迁移	熟悉 Spring 的团队几乎零门槛	熟悉 LangChain 概念的团队容易上手

声明式的 AiServices 写起来是这样：

// 只写接口，LangChain4j 在运行时生成实现：把两段文本分别作为系统消息和用户消息发给模型
public interface PromptAgent {
    @SystemMessage("{{systemPrompt}}")
    @UserMessage("{{userPrompt}}")
    String generate(@V("systemPrompt") String systemPrompt, @V("userPrompt") String userPrompt);
}

Spring AI 的等价写法是 chatClient.prompt().system(systemPrompt).user(userPrompt).call().content()。两种都没有对错，团队更习惯哪种，维护成本就更低。

四、Python 里：LangChain 管组件，LangGraph 管流程

LangChain 提供模型、提示词、解析器、检索器这些组件，线性链路用它拼起来就够。流程一旦出现「根据结果决定下一步」和「不满意就回到前面重做」，比如检索后判断相关性、不相关就改写再检索、最多三次，用普通函数写会变成一堆 while 和 if，状态散落在局部变量里。

LangGraph 把这类流程画成状态图：节点是一步操作，边决定下一步去哪，条件边读取状态里的字段做分支，环表示回到前面重做，最大步数防止死循环。流程写在边上，看图就是看流程，节点函数也能脱离模型单独测试。所以 Python 这边常见的组合是「LangChain 组件 + LangGraph 编排」，而不是二选一。

五、模型配置在数据库里时，三者都要绕开配置文件

框架的默认用法都假设模型参数写在配置里：Spring AI 的 starter 读 spring.ai.openai.api-key，LangChain 的示例从环境变量读 Key。可企业应用常见的需求是「管理员在后台改完 Key、换完模型，下一次调用就生效，不重启服务」，这时要反过来：

ai_model_config 表（地址、Key、模型名、温度……）
   -> 模型工厂按这一行配置用 builder 构建模型对象
   -> 以配置内容拼缓存 key，内容变了自动重建
   -> 业务代码只从工厂取模型，不注入框架自动配置出来的 Bean

Spring AI 这里有个坑：starter 里的自动配置读不到 API Key 会让应用启动失败，连用不到的语音、图像模型也一起报错，所以要在启动类上把相关自动配置排除掉。LangChain4j 引普通依赖而不是 starter，就没有这一步。

六、框架覆盖不到的地方

框架跟进的是主流协议。服务商的专用接口，比如异步的录音文件识别（上传、提交任务、轮询结果）、不在 OpenAI 兼容模式下的重排接口，框架往往没有封装。处理原则是：

情况	做法
专用接口，只在一个服务里用	直接按服务商文档发 HTTP 请求
专用接口，需要接进框架的链路	自己实现框架的标准组件接口，内部发 HTTP
框架某个库和主线版本不兼容	换掉这个库或自己实现，不为它降级主线

不管走框架还是直连，调用都收敛到一个统一出口，调用日志、报错翻译、Token 统计只维护一份。

七、一次加权选型推演

假设一个团队要给 Spring Boot 的业务系统加 AI 功能，列出四个维度和权重，给候选打 1～5 分：

维度	权重	Spring AI	LangChain4j	LangChain（另起 Python 服务）
和现有 Spring Boot 系统的集成	0.4	5	4	2
团队熟悉度	0.3	5	3	2
复杂 Agent 流程的表达	0.2	3	3	5
模型配置动态化的改造量	0.1	3	4	4

Spring AI    = 0.4×5 + 0.3×5 + 0.2×3 + 0.1×3 = 2.0 + 1.5 + 0.6 + 0.3 = 4.4
LangChain4j  = 0.4×4 + 0.3×3 + 0.2×3 + 0.1×4 = 1.6 + 0.9 + 0.6 + 0.4 = 3.5
LangChain    = 0.4×2 + 0.3×2 + 0.2×5 + 0.1×4 = 0.8 + 0.6 + 1.0 + 0.4 = 2.8

如果这个团队的核心需求变成「多轮反思、条件分支很多的 Agent」，把第三项权重提到 0.5、第一项降到 0.2，结果就可能反过来。打分本身不重要，重要的是把「为什么选它」拆成能讨论的维度。

八、常见误区与追问

误区：LangChain4j 就是 LangChain 的 Java 版，功能一一对应。 它借鉴了 LangChain 的概念，但 API 设计独立演进，Python 生态里的很多组件（包括 LangGraph）不能照搬。
误区：用了 Spring AI 就必须把 Key 写进 application.yml。 自动配置只是默认用法，可以排除自动配置，按数据库里的配置自己构建模型对象。
误区：框架能覆盖所有服务商接口。 专用接口经常没有封装，要直接发 HTTP，必要时包装成框架组件。
误区：选了框架就不用自己管日志和报错。 调用日志、报错翻译、Token 统计仍要在统一出口里自己做。
追问：LangGraph 解决了 LangChain 的什么问题？ 线性链路之外的条件分支、回环和轮数上限，用状态图表达比手写循环清楚，也更容易测试。
追问：一个项目能不能混用框架？ 可以，常见的是主线用一个框架，覆盖不到的接口直连，关键是调用出口统一。

九、加强记忆

框架选型按三刀切：第一刀按语言栈，AI 能力放进哪个服务就用哪门语言；第二刀在 Java 里看和 Spring 的绑定程度，Spring AI 贴合 Spring Boot 的自动配置和链式 ChatClient，LangChain4j 独立、擅长声明式 AiServices；第三刀在 Python 里看流程形态，线性链路用 LangChain 组件，有条件边和回环用 LangGraph。三者封装的是同一层模型协议，动态模型配置都要绕开配置文件、按库中配置构建并缓存；覆盖不到的接口直连 HTTP，所有调用收进统一出口。

项目实战落地

项目里怎么做的

《AI Agent旅游行程智能规划平台》用的是 LangChain4j 1.20.0，pom.xml 只引两个普通依赖：langchain4j 核心模块和 langchain4j-open-ai。DeepSeek 对话模型和阿里云百炼向量模型都提供 OpenAI 兼容接口，这一个依赖就同时接住对话和向量两类模型，不需要各家的 SDK。因为不是 starter，application.yml 里不填任何模型参数，后端启动时也不会去找 API Key；模型对象由 LangChain4jModelFactory 按 ai_model_config 表里的配置用 builder 构建。

另外两个项目是另外两种选择：

《AI Agent智能教务排课与教学质量分析系统》用 Spring AI 的 OpenAI 兼容 starter。starter 带的六个 OpenAI 自动配置（聊天、向量、图像、语音合成、语音转写、内容审核）都要从 spring.ai.openai.api-key 读密钥，读不到就启动失败，而项目的密钥在数据库里，所以启动类上把六个全部排除，模型客户端由 SpringAiModelFactory 按库中配置构建。
《AI Agent智能会议纪要辅助系统》是 Python 路线：FastAPI + Tortoise ORM 全链路异步，因为转写要轮询几分钟、自检要串好几次模型调用，同步框架会把工作线程占满；纪要自检是「审查 → 条件分支 → 重写 → 回环 + 上限」的形态，用 LangGraph 表达，条件写在边上，状态图不碰数据库，能单独测试。

为什么这样取舍

旅游项目选普通依赖。 模型参数全部存库、由工厂构建，用不到 starter 的自动配置，普通依赖省掉了排除自动配置这一步。
教务项目排除全部六个。 项目只用聊天补全，但其余五项同样要读密钥，不一起排掉，没填 Key 时连登录页都打不开。
纪要项目用 Python 和 LangGraph。 耗时的异步任务多，反思环又是有条件边和回环的流程，这两点正好是 FastAPI 和 LangGraph 的长处。

面试官还会追问

旅游项目内层的工具调用往返交给 LangChain4j 托管，外层的反思循环为什么由业务代码自己控制？
教务项目的普通问答和排课 Agent 共用同一个 ChatClient 实例，两条链路是在哪一步分开的？

学完《AI Agent旅游行程智能规划平台》，上面这些追问你都会迎刃而解。

简化版

详细版