鱼皮AI导航
鱼皮AI导航
  • 主页
  • 社区
  • AI工具
  • AI知识库
  • AI提示词
  • MCP
  • Skills
  • AI学习资源
  • AI资讯
  • GitHub开源
登录/注册

Spring AI Alibaba 1.0 正式发布！核心特性速览+老项目升级指南

编程导航
编程导航
2025-09-11 10:53
阅读 1382
编程导航
2025-09-11 10:53
阅读 1382

随着 Spring AI 首个正式版本 1.0 的发布，国产之光 Spring AI Alibaba 也发布了 1.0 GA 正式版本，更新速度真的很快！

我对框架的更新真的是又爱又恨，爱的是功能更丰富更好用，恨的是又要学习新东西了、老项目又要更新了。

不过下面通过我的分享，相信能帮大家节约很多时间，快速了解：

  • 什么是 Spring AI Alibaba？
  • 新版本有哪些大更新？
  • 如何将项目升级到新版本？

该踩的坑都帮大家踩完了，坚持看完这期内容，你一定会有所收获。

什么是 Spring AI Alibaba？

Spring AI 是知名 Java 开发框架 Spring 官方维护的 AI 开发框架，能够让你用更少的代码、更快开发各种 AI 应用。而 Spring AI Alibaba 在 Spring AI 的基础上进行扩展，深度集成阿里自家的大模型平台和各种技术组件，并且额外支持工作流、多智能体应用的快速开发。

因为它是兼容 Spring AI 的，而且功能更丰富、更新更及时、文档更清晰，更适合国人体质，所以我会更建议大家选择它来开发 AI 应用。

官方也是很贴心，基于 Spring AI Alibaba 提供了一个现成的 智能体调试广场，而且代码开源，这不就是一个现成的、可以学习 AI 开发的项目么？

直接复制官方提供的 Docker 命令就可以把项目跑起来了：

然后就可以在本地体验聊天机器人、多轮对话、图片生成、工具调用、RAG 知识库、MCP 集成等框架的核心能力。

新版本有哪些更新？

结合官方文档和我自己的理解，我觉得 Spring AI Alibaba 1.0 的更新可以用两个字来概括 —— 突破。

为什么这么说？我们先来看看这次值得关注的几点更新：

1、Graph 多智能体框架

这是本次更新的重头戏。基于 Spring AI Alibaba Graph，开发者可以快速构建复杂的工作流和多智能体应用，完全无需关心底层的流程编排、上下文记忆管理等复杂实现细节。

举个小例子，比如我们现在想做一个 “自媒体自动发文工具”，可以利用一些可视化 AI 智能体开发平台快速创建工作流：

有时别人的平台可能无法满足我们定制化的开发需求，这时就可以使用 Graph 多智能体框架，利用预置的节点快速定义出一套工作流。上图对应的工作流代码如下：

▼
java
复制代码
// 创建工作流
StateGraph stateGraph = new StateGraph("内容生成工作流", stateFactory)
    // 添加工作流节点
    .addNode("start", node_async(new StartNode()))                      // 初始化工作流
    .addNode("topic_generation", node_async(new TopicGenerationNode())) // 根据输入生成文案
    .addNode("content_collection", node_async(new ContentCollectionNode())) // 从网络收集相关素材
    .addNode("content_integration", node_async(new ContentIntegrationNode())) // 组合文案和素材
    .addNode("api_publish", node_async(new ApiPublishNode()))           // 调用接口发布文章
    .addNode("result_output", node_async(new ResultOutputNode()))       // 输出最终结果
    // 定义节点间的执行顺序
    .addEdge(START, "start")                        // 工作流启动 → 开始节点
    .addEdge("start", "topic_generation")           // 开始节点 → 主题生成
    .addEdge("topic_generation", "content_collection")  // 主题生成 → 素材收集
    .addEdge("content_collection", "content_integration") // 素材收集 → 内容整合
    .addEdge("content_integration", "api_publish")   // 内容整合 → API 发布
    .addEdge("api_publish", "result_output")        // API 发布 → 结果输出
    .addEdge("result_output", END);                 // 结果输出 → 工作流结束

虽然给出的例子并不复杂，但智能体工作流的水还是很深的，涉及到智能体协作、任务分解、路由策略、状态管理等等。后面我会在 编程导航 的项目和个人账号中分享更多这方面的实战和技术解析。

2、生态集成

Spring AI Alibaba 1.0 继续放大自身的优势，将传统后端开发与新兴的 AI 开发进行了融合，通过集成更多技术组件和云服务，帮助传统业务更快地接入 AI、加速 AI 应用的落地。

举几个典型的集成案例：

1）集成 Nacos 管理 MCP

Nacos 是主流的服务注册中心，是微服务架构的实现关键，用于帮助某个服务发现其他服务，从而进行调用。如果 AI 项目需要使用很多 MCP 服务，我们就可以把各种 MCP 服务的信息注册到 Nacos 上；AI 项目需要使用 MCP 时，就可以到 Nacos 上获取到 MCP 服务的信息了。这样就实现了对 MCP 服务的集中管理和动态更新，更加规范化。

官方文档：https://java2ai.com/docs/1.0.0.2/tutorials/basics/spring-ai-alibaba-mcp-nacos-introduce

2）集成 Nacos 管理 Prompt

传统的 AI 应用开发中，Prompt 往往是硬编码在代码里的，这就带来了一个问题：每次想要调整 Prompt，都需要重新发布代码，非常不灵活。而 Spring AI Alibaba 通过集成 Nacos，解决了这个痛点。

开发者可以将 Prompt 模板存储在 Nacos 配置中心，AI 应用启动时会自动从 Nacos 拉取最新的 Prompt 配置。而且当我们在 Nacos 中修改 Prompt 后，应用可以实时感知到变化并自动更新，无需重启服务，让 Prompt 的迭代优化变得更灵活。

参考文档：https://java2ai.com/docs/1.0.0.2/practices/dynamic-prompt/dynamic-prompt

3）集成 AI 模型和云知识库

虽然这是之前就有的能力，但我觉得还是值得介绍一下。与阿里云百炼平台无缝对接，一键接入通义千问等阿里系大模型；还能直接对接云知识库平台，企业只需要利用可视化界面上传切分文档、制作知识库，然后几行代码就能让 AI 利用知识库回答问题。

4）可观测性支持

Spring AI 本身提供了 可观测性 能力，可以在项目运行时获取到 AI 的调用情况，比如调用次数、响应时间、Token 消耗等关键指标。这些指标数据可以轻松接入阿里云的应用实时监控服务 ARMS、Zipkin 等监控工具，开发者可以实时监控 AI 模型，快速定位和解决性能瓶颈。

3、前沿案例

最近 Spring AI Alibaba 连续发布了几个新项目，包括：

1）JManus 通用智能体平台：可以说是 Java 版本的 OpenManus 通用智能体平台，用户可以通过自然语言描述需求，让 AI 自动规划并执行规划，直到完成任务。

官方示例

2）NL2SQL 智能体框架：专为 Java 开发者设计的自然语言转 SQL 工具，用户只需用中文描述查询数据库的需求，AI 就能自动生成对应的 SQL 语句，让数据分析变得更简单。

3）DeepResearch 深度调研智能体：基于多智能体架构的调研工具，整合了网络搜索、网页爬取、数据分析等功能，可以自动完成复杂调研报告的撰写工作。

官方提供的 DeepResearch 工作流

虽然这些并不是框架本身的功能更新，但是很好地展示了 Spring AI Alibaba 在不同场景的应用效果。如果你要开发类似的项目，可以直接参考官方提供的这些案例。

4、细节优化

此外，Spring AI Alibaba 1.0 还优化了一些功能和细节，比如我发现 会话记忆能力 支持了 jdbc、redis、elasticsearch 等多种存储插件，让 AI 对话能够持久化保存。

更多的内容大家可以自己阅读官方文档探索。

前面提到我认为这次框架的更新是一种突破，因为它完成了 能对话 的 AI 助手到 能做事 的 AI 智能体的进化。

在以前，我们使用 Spring AI 只能开发一些简单的对话型 AI 应用，功能相对单一。而现在，借助 Spring AI Alibaba 1.0 的 Graph 能力和生态集成，我们可以更快速地开发出复杂的智能体应用。

当然，Spring AI Alibaba 并不是唯一的 AI 应用开发框架，像 LangChain4j、LangGraph，以及 Spring 之父最新推出的 embabel-agent 都是不错的选择。

在框架选择上，我比较看重的因素是 生态。可以思考一下，你的项目是否需要和其他服务进行深度集成？

就拿我们团队来说，目前也在用 Spring AI Alibaba 框架，主要是因为我们使用了不少阿里开源的技术中间件和云服务，使用 Spring AI Alibaba 的开发成本更低。毕竟有技术大厂背书，我还是很看好它的发展，但有一说一，现在文档更新的速度有点跟不上框架更新的速度了，智能体框架的学习成本还是有点高的。

官方也提供了 主流 Java AI 框架的选型对比，供大家参考：

如何升级框架版本？

接下来进入实战环节，我会用自己之前开源的 AI 超级智能体项目 来详细演示如何将老版本的 Spring AI Alibaba 项目升级到 1.0 版本。大家一定要认真看，因为有些变动连官方文档都没有明确指出，是我在升级过程中踩坑摸索出来的宝贵经验。

项目指路：https://github.com/liyupi/yu-ai-agent

友情提醒：这个项目涉及到向量数据库、MCP 服务、API Key 等外部依赖，直接下载项目是跑不起来的，这是正常现象。必须要按照项目说明补充相应的配置，所有需要配置的地方我都已经详细标注出来了。

建议大家先新建一个本地配置文件，然后让我们开始将 Spring AI Alibaba 从 1.0.0-M6.1 版本升级到 1.0.0.2 版本。

第一步：依赖更新

我们的项目分为主项目和 MCP 服务子项目两部分，需要分别进行更新。

主项目依赖更新

1）更新 Spring AI Alibaba 基础依赖，从官方文档复制依赖管理配置并引入依赖：

▼
xml
复制代码
<dependencyManagement>
  <dependencies>
    <dependency>
      <groupId>com.alibaba.cloud.ai</groupId>
      <artifactId>spring-ai-alibaba-bom</artifactId>
      <version>1.0.0.2</version>
      <type>pom</type>
      <scope>import</scope>
    </dependency>
  </dependencies>
</dependencyManagement>

<dependencies>
  <dependency>
    <groupId>com.alibaba.cloud.ai</groupId>
    <artifactId>spring-ai-alibaba-starter-dashscope</artifactId>
  </dependency>
</dependencies>

2）更新 Spring AI 相关依赖

参考 官方文档 进行升级，首先引入仓库配置，确保能够正确拉取到 Spring AI 相关的依赖：

▼
xml
复制代码
<repositories>
  <repository>
    <id>spring-snapshots</id>
    <name>Spring Snapshots</name>
    <url>https://repo.spring.io/snapshot</url>
    <releases>
      <enabled>false</enabled>
    </releases>
  </repository>
  <repository>
    <name>Central Portal Snapshots</name>
    <id>central-portal-snapshots</id>
    <url>https://central.sonatype.com/repository/maven-snapshots/</url>
    <releases>
      <enabled>false</enabled>
    </releases>
    <snapshots>
      <enabled>true</enabled>
    </snapshots>
  </repository>
</repositories>

在这个过程中，你可以通过 Maven 仓库 来查看最新版本信息：

然后添加依赖管理配置，注意版本号不用添加 SNAPSHOT 后缀，就 1.0.0 版本：

▼
xml
复制代码
<dependencyManagement>
    <dependencies>
        <dependency>
            <groupId>org.springframework.ai</groupId>
            <artifactId>spring-ai-bom</artifactId>
            <version>1.0.0</version>
            <type>pom</type>
            <scope>import</scope>
        </dependency>
    </dependencies>
</dependencyManagement>

具体要修改的依赖项如下，修改前的依赖配置：

▼
xml
复制代码
<!-- 本地部署大模型 -->
<dependency>
    <groupId>org.springframework.ai</groupId>
    <artifactId>spring-ai-ollama-spring-boot-starter</artifactId>
    <version>1.0.0-M6</version>
</dependency>

<dependency>
    <groupId>org.springframework.ai</groupId>
    <artifactId>spring-ai-markdown-document-reader</artifactId>
    <version>1.0.0-M6</version>
</dependency>

<dependency>
    <groupId>org.springframework.ai</groupId>
    <artifactId>spring-ai-pgvector-store</artifactId>
    <version>1.0.0-M6</version>
</dependency>

<!-- Spring AI MCP Client -->
<dependency>
    <groupId>org.springframework.ai</groupId>
    <artifactId>spring-ai-mcp-client-spring-boot-starter</artifactId>
    <version>1.0.0-M6</version>
</dependency>

修改后的依赖配置，鱼皮是依次参考官方文档进行确认和更新的：

  • Ollama：https://docs.spring.io/spring-ai/reference/api/chat/ollama-chat.html
  • Markdown Document Reader：https://docs.spring.io/spring-ai/reference/api/etl-pipeline.html#_markdown
  • PGvector：https://docs.spring.io/spring-ai/reference/api/vectordbs/pgvector.html#_manual_configuration
  • MCP：https://docs.spring.io/spring-ai/reference/api/mcp/mcp-client-boot-starter-docs.html
▼
xml
复制代码
<dependency>
    <groupId>org.springframework.ai</groupId>
    <artifactId>spring-ai-starter-model-ollama</artifactId>
</dependency>

<dependency>
    <groupId>org.springframework.ai</groupId>
    <artifactId>spring-ai-markdown-document-reader</artifactId>
</dependency>

<dependency>
    <groupId>org.springframework.ai</groupId>
    <artifactId>spring-ai-pgvector-store</artifactId>
</dependency>

<dependency>
    <groupId>org.springframework.ai</groupId>
    <artifactId>spring-ai-starter-mcp-client</artifactId>
</dependency>

3）更新完依赖后，建议安装 Maven Helper 插件来检测依赖冲突：

检查结果显示没有 Spring AI 相关冲突，说明依赖配置正确：

MCP 服务端项目依赖更新

MCP 服务端项目的更新相对简单，跟前面一样，引入仓库和依赖管理配置，然后只需要更新 spring-ai-starter-mcp-server-webmvc 依赖即可：

▼
xml
复制代码
<dependencyManagement>
    <dependencies>
        <dependency>
            <groupId>org.springframework.ai</groupId>
            <artifactId>spring-ai-bom</artifactId>
            <version>1.0.0</version>
            <type>pom</type>
            <scope>import</scope>
        </dependency>
    </dependencies>
</dependencyManagement>

<repositories>
  <repository>
    <id>spring-snapshots</id>
    <name>Spring Snapshots</name>
    <url>https://repo.spring.io/snapshot</url>
    <releases>
      <enabled>false</enabled>
    </releases>
  </repository>
  <repository>
    <name>Central Portal Snapshots</name>
    <id>central-portal-snapshots</id>
    <url>https://central.sonatype.com/repository/maven-snapshots/</url>
    <releases>
      <enabled>false</enabled>
    </releases>
    <snapshots>
      <enabled>true</enabled>
    </snapshots>
  </repository>
</repositories>

<dependency>
    <groupId>org.springframework.ai</groupId>
    <artifactId>spring-ai-starter-mcp-server-webmvc</artifactId>
</dependency>

第二步：代码问题修复

依赖更新完成后，接下来需要修复由于版本变更导致的代码问题。

1、Advisor 顾问功能修复

这是一个 破坏性变更，很多 advisor 相关的接口和方法都更新了，但坑爹的是官方文档并未明确说明这个变更！

遇到这种情况，我们可以参考源码（比如 SimpleLoggerAdvisor）的实现方式对之前开发的 advisor 进行修改。

1）修改后的 MyLoggerAdvisor 自定义日志拦截器代码：

▼
java
复制代码
@Slf4j
public class MyLoggerAdvisor implements CallAdvisor, StreamAdvisor {

	@Override
	public String getName() {
		return this.getClass().getSimpleName();
	}

	@Override
	public int getOrder() {
		return 0;
	}

	private ChatClientRequest before(ChatClientRequest request) {
		log.info("AI Request: {}", request.prompt());
		return request;
	}

	private void observeAfter(ChatClientResponse chatClientResponse) {
		log.info("AI Response: {}", chatClientResponse.chatResponse().getResult().getOutput().getText());
	}

	@Override
	public ChatClientResponse adviseCall(ChatClientRequest chatClientRequest, CallAdvisorChain chain) {
		chatClientRequest = before(chatClientRequest);
		ChatClientResponse chatClientResponse = chain.nextCall(chatClientRequest);
		observeAfter(chatClientResponse);
		return chatClientResponse;
	}

	@Override
	public Flux<ChatClientResponse> adviseStream(ChatClientRequest chatClientRequest, StreamAdvisorChain chain) {
		chatClientRequest = before(chatClientRequest);
		Flux<ChatClientResponse> chatClientResponseFlux = chain.nextStream(chatClientRequest);
		return (new ChatClientMessageAggregator()).aggregateChatClientResponse(chatClientResponseFlux, this::observeAfter);
	}
}

2）同样需要修复 ReReadingAdvisor，需要重新编写修改用户提示词的代码：

▼
java
复制代码
/**
 * 自定义 Re2 Advisor
 * 可提高大型语言模型的推理能力
 */
public class ReReadingAdvisor implements CallAdvisor, StreamAdvisor {

    /**
     * 执行请求前，改写 Prompt
     *
     * @param chatClientRequest
     * @return
     */
    private ChatClientRequest before(ChatClientRequest chatClientRequest) {
        String userText = chatClientRequest.prompt().getUserMessage().getText();
        // 添加上下文参数
        chatClientRequest.context().put("re2_input_query", userText);
        // 修改用户提示词
        String newUserText = """
                %s
                Read the question again: %s
                """.formatted(userText, userText);
        Prompt newPrompt = chatClientRequest.prompt().augmentUserMessage(newUserText);
        return new ChatClientRequest(newPrompt, chatClientRequest.context());
    }

    @Override
    public ChatClientResponse adviseCall(ChatClientRequest chatClientRequest, CallAdvisorChain chain) {
        return chain.nextCall(this.before(chatClientRequest));
    }

    @Override
    public Flux<ChatClientResponse> adviseStream(ChatClientRequest chatClientRequest, StreamAdvisorChain chain) {
        return chain.nextStream(this.before(chatClientRequest));
    }

    @Override
    public int getOrder() {
        return 0;
    }

    @Override
    public String getName() {
        return this.getClass().getSimpleName();
    }
}

2、工具调用功能修复

1）ToolRegistration 工具注册类的包名发生了变更，需要修改：

▼
java
复制代码
// 原来：
import org.springframework.ai.tool.ToolCallbacks;

// 改为：
import org.springframework.ai.support.ToolCallbacks;

2）LoveApp 中的工具调用方法需要修改：

▼
java
复制代码
// 修改为：
.toolCallbacks(toolCallbackProvider)

3）ToolCallAgent 的配置也需要修改，这是为了禁用 Spring AI 内置的工具调用机制，自己处理工具调用的流程和消息上下文：

▼
java
复制代码
public ToolCallAgent(ToolCallback[] availableTools) {
    super();
    this.availableTools = availableTools;
    this.toolCallingManager = ToolCallingManager.builder().build();
    // 禁用 Spring AI 内置的工具调用机制，自己维护选项和消息上下文
    this.chatOptions = DashScopeChatOptions.builder()
            .withInternalToolExecutionEnabled(false)
            .build();
}

3、RAG 知识库功能修复

1）PgVector 配置修改

由于我们原本就是手动引入 PgVector，没有使用 Spring Boot 的自动配置包，所以只需要移除项目启动类的自动配置即可：

代码如下：

▼
java
复制代码
@SpringBootApplication(exclude = {
        // 为了便于大家开发调试和部署，取消数据库自动配置
        // 需要使用 PgVector 时把 DataSourceAutoConfiguration.class 删除
        DataSourceAutoConfiguration.class
})
public class YuAiAgentApplication {

    public static void main(String[] args) {
        SpringApplication.run(YuAiAgentApplication.class, args);
    }
}

2）RAG 相关类包名修复

自定义 RAG 知识库相关的 LoveAppRagCloudAdvisorConfig 和 LoveAppRagCustomAdvisorFactory 类，包名发生了变更：

▼
java
复制代码
// 原来：
import org.springframework.ai.chat.client.advisor.RetrievalAugmentationAdvisor;

// 改为：
import org.springframework.ai.rag.advisor.RetrievalAugmentationAdvisor;

3）DashScopeApi 构建方式修改，之前是 new，改为 builder 模式：

▼
java
复制代码
DashScopeApi dashScopeApi = DashScopeApi.builder()
        .apiKey(dashScopeApiKey)
        .build();

4）如果在 LoveApp 中想使用 QuestionAnswerAdvisor，需要引入新的依赖，因为包名发生了变更：

▼
xml
复制代码
<dependency>
    <groupId>org.springframework.ai</groupId>
    <artifactId>spring-ai-advisors-vector-store</artifactId>
</dependency>

4、对话记忆功能修复

对话记忆的写法变更还挺大的，参考 官方文档。

1）修改 LoveApp 类中对话记忆的设置方式，新版本将算法和存储进行了分离，支持了更多的存储方式：

▼
java
复制代码
// 初始化基于内存的对话记忆
MessageWindowChatMemory chatMemory = MessageWindowChatMemory.builder()
        .chatMemoryRepository(new InMemoryChatMemoryRepository())
        .maxMessages(20)
        .build();

2）修改对话记忆 Advisor 的创建方式，感觉 Spring AI 要统一用建造者模式创建对象了：

▼
java
复制代码
chatClient = ChatClient.builder(dashscopeChatModel)
        .defaultSystem(SYSTEM_PROMPT)
        .defaultAdvisors(
                MessageChatMemoryAdvisor.builder(chatMemory).build(),
        )

3）会话 ID 键名修改：

▼
java
复制代码
.advisors(spec -> spec.param(ChatMemory.CONVERSATION_ID, chatId))

4）修改基于文件持久化的会话记忆 FileBasedChatMemory 类，调整 get 方法，因为 ChatMemory 接口的 get 方法参数发生了变更：

▼
java
复制代码
@Override
public List<Message> get(String conversationId) {
    return getOrCreateConversation(conversationId);
}

5、 其他

还有个小细节，要修改 MyKeywordEnricher 类，因为关键词元信息增强器的包名发生了变更：

▼
java
复制代码
// 原来：
import org.springframework.ai.transformer.KeywordMetadataEnricher;

// 改为：
import org.springframework.ai.model.transformer.KeywordMetadataEnricher;

总结

以上就是 Spring AI Alibaba 框架的升级过程，涉及的修改点还是比较多的、而且还要对所有功能进行测试，很耗时间，这就是为什么在企业中 “项目能运行，就不要动它”。

所有的代码修改我都已经开源到 GitHub 上了，每一次的提交记录都非常清晰，方便大家对照学习。如果有遗漏的地方，也欢迎大家评论区指出，我会继续补充和完善。

不得不感叹技术的更新真的是太太太太快了，但也正是这种快速迭代让我们能够享受到越来越强大的 AI 开发能力。很快我会再带大家用更新的技术做一套全新的 AI 全栈项目，点个关注，敬请期待吧~

站长：程序员鱼皮 老鱼简历 商务合作 增值电信业务经营许可证
2026 鱼皮AI导航 | 沪ICP备19026706号-6
🔥 热门文章
1
离谱，DeepSeek 崩了 5 小时，大家却喊：梁圣恩情还不完？？
450
2
B 站上 DeepSeek 闹鱼灾了，我发起《大肥鱼清除计划》！
410
3
DeepSeek 全新模型发布，性价比最高的一集！
400
4
自己学习ai，直接买cursor 的套餐，还是买gpt 或者claude 的套餐?
370
5
又一个国产版 Codex 神器，也来卷办公了！
340
6
Vibe Coding 实战：从零构建现代专业级 AI 搜索引擎
330
7
day3-如何写出一个高质量的 Skill（组内分享） 高质量 Skill 不是“一个调得很顺的巨型 Prompt”，而是一个可验证、可回归、可维护的能力包。 先定义“什么算好”，再实现“怎么做好”。评估体系先于 Skill 本身成型。 下面用“故障诊断 Markdown 转 YAML”作为例子，但方法是通用的。 --- 一、先想清楚：Skill 到底是什么 一个 Skill 至少包含四部分： 部分 作用 接口 输入什么、输出什么、边界在哪 流程 分几步做，每步的产物是什么 规则 硬约束、经验规则、失败模式 降级策略 不确定时怎么办，而不是硬编一个看似合理的结果 高质量 Skill 的共同点：职责单一、接口清晰、规则可定位、输出可验证。 反例：把几十条经验全塞进一个主 Prompt，改一条规则要重调整个 Prompt，评估时也不知道是哪条规则退化。 --- 二、核心方法：先建评估，再写 Skill 不要先写转换器再补测试。正确顺序是： 1. 定义输出契约：什么算合法、什么算合格； 2. 建金标准集：一小批人工认可“可放行”的样本； 3. 先写评估 Skill：让它在金标准集上跑出基线； 4. 再迭代生成 Skill：每次修改跑同一套评估，无退化且目标维度提升才算正向。 这就是评估驱动开发：评估是 Skill 的单元测试，金标准集是回归锚点。 --- 三、评估 Skill：三层门禁，逐层递进 前一层不过，后一层不跑。每层留可追溯证据。 第 1 层：确定性硬门禁 用解析器、Schema、校验器完成，不消耗模型成本。 · 输出可解析； · 必填字段齐全，类型/枚举合法； · 引用目标存在，无悬空引用、无不可达节点； · 关键路径至少有一条能到达预期出口。 不通过直接打回。 第 2 层：语义断言 用脚本 + 结构遍历检查“逻辑对不对”，仍然保持确定性。 通用检查项： · 覆盖率：源材料里的关键步骤、分支、条件，输出里是否都有对应？ · 完整性：每个判断节点是否都有明确出口？有没有死胡同？ · 可达性：每条路径是否都能到达预期终点？有没有无出口循环？ · 顺序与依赖：有先后依赖的操作，是否保留了顺序？有没有被拍平成无序列表？ 例子：故障诊断转换中，检查“每个判断项是否有是/否/异常出口”“每条路径是否能到根因”。 第 3 层：LLM-as-Judge 只处理解析器表达不了的维度：忠实度、完整性、可执行性。 但 Judge 会漂移，不能单独放行，必须建立在第 1、2 层之上。Judge 的 Prompt、rubric、模型版本都要版本化，换模型必须用金标准集重新校准。 通用 Judge 维度： 维度 问什么 忠实度 输出是否忠实源材料意图？有没有自行发明内容？ 完整性 关键步骤、条件、证据是否保留？隐式知识有没有被压成空话？ 收敛性 输出是否仍指向原目标，而不是发散？ 可执行性 下游不依赖源材料能否直接使用？ --- 四、金标准集：回归测试的锚点 不需要一开始就标注几百份。用已认可的样本当种子，扩到 15～30 份，覆盖失败模式而非随机抽样： · 完整正例：典型流程； · 边界/异常分支：异常路径、循环、前置失败回退； · 已知易错模式：实际踩过的坑； · 留出集：不参与调优，只用于最终验收，防过拟合。 金标准不需要完美，只需要当前标准下认可可放行。 回归指标：关键路径用 pass^k（k 次全过），稳定性用 pass@k。 --- 五、工程约束：让批量产出可重放 · 幂等：同输入 + 同 Skill 版本 + 同规则 → 输出一致，否则无法判断变好是 Skill 改了还是随机波动； · 隔离不阻断：单份失败进隔离队列，记录失败层和原因，不阻塞其余； · 版本绑定：规则、rubric、金标准集进 Git；每份报告绑定“源版本 + 生成 Skill 版本 + 评估 Skill 版本 + Judge 模型版本”； · 抽样人工复核：Judge 临界样本 + 易错模式，人工抽检结果反过来校准 rubric。 --- 六、Skill 本身怎么写 · SKILL.md 控制篇幅，写清：输入约定、输出契约、分步流程、硬规则、降级策略； · 经验规则放 references/ 或 rules/，按失败模式分类，不要全塞进主 Prompt； · 不确定时标 needs_review: true，不要硬编看似合理的结果； · 迭代由评估报告驱动：报告告诉你哪层挂了、哪类失败模式，你改对应规则文件，而不是漫无目的调 Prompt。 --- 七、落地顺序（不要反过来） 1. 固化输出契约：Schema + 结构约束； 2. 建金标准集：从已认可的 + 最易出错的样本开始； 3. 先写评估 Skill：跑出基线报告； 4. 再迭代生成 Skill：每次修改对比逐项通过率，无退化且目标提升才算正向； 5. 批量运行 + 隔离回放：失败进队列，结束后人工抽检； 6. 评估 Skill 自身版本化：换 Judge 模型必须重新校准。 --- 八、给组员的三条硬要求 1. 不许凭感觉说“变好了”：每次修改必须附评估报告对比，逐项通过率说话。 2. 不许跳过确定性门禁直接看 Judge 分数：前两层挂了，Judge 分数没有意义。 3. 不许把规则堆进主 Prompt：规则按失败模式分文件，评估报告要能定位到具体文件。 --- 一句话收尾 生成 Skill 决定“能不能做”，评估 Skill 决定“敢不敢用”。 先让评估体系站稳，再让生成器迭代。这样交付的不是一堆“看起来还行”的产出，而是一套可证明、可回归、可交接的 Skill 质量体系。
320
8
我的第一个出海产品！7 天 2 万
310
9
WorkBuddy 本地 API 桥 + dsh 插件：把你的 WorkBuddy 额度，变成手边随手可用的模型
310
10
什么是LLM
300
11
最近在落地 AI Native 项目，卡在团队资产协同这块，想请教下社区各位有实际落地经验的同学： 我们现在的资产分为三块：项目文档（PRD/ADR/ 运行手册）、Agent Skill（业务技能、执行 SOP、提示词包）、MCP 工具服务定义。 目标是做到：人和多 Agent 共用一套可信资料源，Skill、MCP 配置、项目文档能够版本化、同步、共享、可评审。 目前我们初步方案是用 Git 做底层版本主线： - 文档：Markdown + ADR，带元信息，支持 RAG 检索 - Skill：单技能包目录化，带版本、评估用例、依赖声明 - MCP：项目级声明文件纳入 Git 但实际协作里遇到不少疑问，想参考大家成熟的实践： 1. 大家团队里，文档、Skill、MCP 三者是怎么组织目录和版本管理的？有没有稳定的仓库结构模板？ 2. 多人协作时，Skill 的变更评审、灰度升级、依赖管理怎么做？如何避免本地版本不一致、“本地能跑别人不行”？ 3. MCP 是统一中心化网关模式，还是大家各自本地启动 + git 同步配置？权限白名单、调用审计这块有什么好方案？ 4. 有没有成熟工具链做自动同步（类似 agentmeld /teamai-cli）、变更校验、eval 回归门禁？ 5. 文档和 Agent 的打通：哪些文档放进 Git 作为可信真值，哪些放外部知识库，边界怎么划分？ 如果有现成的仓库样例、目录规范、团队协作流程，非常希望能分享参考，感谢！
260
12
PHP 被曝两大致命漏洞，请所有程序员抓紧做这件事！
260
🔥热门工具
朱雀AI检测朱雀AI检测
朱雀AI检测助手朱雀AI检测助手
LovartLovart
老鱼简历老鱼简历
WritePass官网WritePass官网
面多多面多多
CursorCursor
星月写作星月写作
零感AI零感AI
墨得问题墨得问题