Java AI 框架三剑客：Spring AI：Spring AI Alibaba：AgentScope 深度对比

先说结论

如果你赶时间，这张表够了：

如果你想知道为什么，请继续往下看。

一、三个框架分别是什么

Spring AI —— 基础抽象层

Spring AI 由 VMware/Pivotal 团队开发，2025 年 5 月发布 1.0 GA。它的定位很明确：为 Spring 生态提供统一的 AI 模型访问抽象。

就像 JDBC 屏蔽了不同数据库的差异，Spring AI 屏蔽了 OpenAI、Anthropic、Ollama 等不同模型提供商的 API 差异。你写一次代码，换个配置就能切换模型。

// 换模型？改配置就行，代码一行不用动@Autowiredprivate ChatClient chatClient;String reply = chatClient.prompt("你好").call().content();

核心组件：

• ChatClient：统一的对话客户端，支持同步/流式
• ChatMemory：对话记忆，按 conversationId 存取，支持 JDBC、Redis 等后端
• Advisor API：拦截器链模式，注入检索上下文和对话历史
• Function Calling：标准化的工具调用协议
• Embedding / VectorStore：向量化和检索抽象

Spring AI Alibaba —— 企业级增强

Spring AI Alibaba 由阿里巴巴开源，2026 年 5 月发布 1.0 GA。它完全兼容 Spring AI 的核心 API，在此基础上增加了企业级能力，最大的亮点是 Graph 工作流引擎。

如果说 Spring AI 是给你砖头和水泥，Spring AI Alibaba 就是给你一套精装修方案。

// Graph 工作流编排示例Graph graph = new StateGraph<>(AgentState::new).addNode("classify", classifyNode).addNode("handle_complaint", complaintNode).addNode("handle_inquiry", inquiryNode).addEdge(START, "classify").addConditionalEdges("classify", routerFunction).compile();

核心组件：

• Graph 引擎：DAG 工作流编排，支持条件分支、并行、循环
• MCP 协议支持：标准化的工具调用协议
• 百炼平台集成：深度对接阿里云 AI 基础设施
• 多 Agent 节点编排：在 Graph 中编排多个 Agent 协作

AgentScope —— 原生 Agentic 框架

AgentScope 同样由阿里巴巴开源，2.0 版本以 Java 为主要语言。它的设计理念和前两者完全不同：不是让开发者编排流程，而是让 Agent 自己决定怎么做。

给 Agent 一个目标，它自己规划步骤、调用工具、处理异常、总结结果。开发者只需要定义"做什么"，不需要定义"怎么做"。

// 创建一个有状态的 Agent，它自己决定调用什么工具HarnessAgent agent = HarnessAgent.builder().name("dev-assistant").sysPrompt("你是一个开发助手").model(model).workspace(Paths.get("./workspace")).session(session).sessionKey(SimpleSessionKey.of("my-session")).build();// 给它一个任务，它自己规划执行agent.call(Msg.user("帮我重构这个类的异常处理")).subscribe(reply -> System.out.println(reply.getTextContent()));

核心组件：

• HarnessAgent：全功能 Agent，内置 ReAct 循环、工具调用、文件系统
• Session + AgentState：有状态的会话管理，支持持久化和恢复
• Compaction：自动对话压缩，长对话不会 token 爆炸
• Sandbox：隔离的 Shell 和文件系统执行环境
• Skill 系统：动态发现、安装、管理 Agent 技能
• Hub/Observer：多 Agent 通信和协作

二、架构设计的本质区别

三个框架的根本差异在于一个问题：谁来决定下一步做什么？

控制力强 ◄─────────────────────────────► 自主性强（开发者决定每一步）（Agent 自己决定）Spring AISpring AI AlibabaAgentScope ││ │"调哪个API" "走哪条路径""怎么完成目标"开发者硬编码 Graph DAG 定义Agent ReAct 规划

Spring AI：开发者完全控制

开发者代码 ──► ChatClient ──► 模型API ──► 返回结果 │开发者决定何时调用、传什么参数

你需要自己写 if/else 来决定调什么模型、传什么上下文、怎么处理返回值。框架只负责帮你把 API 调用变得简单。

Spring AI Alibaba：Graph 控制流程

开发者定义 Graph│├── Node A: 意图分类├── Edge: if 投诉 → Node B├── Edge: if 咨询 → Node C├── Node B: 处理投诉└── Node C: 处理咨询运行时：数据沿 Graph 自动流转

开发者定义好路径和条件，运行时框架自动驱动。流程确定、可预测、可审计。

AgentScope：Agent 自主规划

开发者给目标："帮我修复这个 bug"│Agent 自主决策 (ReAct 循环)├── Thought: 先看报错信息├── Action: 读取日志文件├── Observation: NullPointerException at line 42├── Thought: 需要看源码├── Action: 读取源文件├── Thought: 缺少空值检查└── Action: 修改代码 + 运行测试

Agent 自己决定每一步做什么，开发者只需要提供工具和目标。

三、核心能力对比

四、Agent 与 Session 的设计哲学

这是三个框架最深层的分歧，直接决定了它们各自擅长什么。

Spring AI / Spring AI Alibaba：无状态 Agent

// Agent 是无状态的，Memory 由外部管理ChatMemory memory = new JdbcChatMemory(jdbcTemplate);ChatClient client = ChatClient.builder(model).defaultAdvisors(new MessageChatMemoryAdvisor(memory)).build();// 每次调用传入 conversationId，框架自动加载/保存历史client.prompt("你好").advisors(a -> a.param("conversationId", "session-123")).call();

• Agent 本身不持有任何状态
• 对话历史由 ChatMemory 按 conversationId 独立存取
• 切换模型：换个 ChatClient Bean，历史不受影响
• 多会话：天然支持，不同 conversationId 就是不同会话
• 水平扩展：无状态 = 随便加机器

AgentScope：有状态 Agent

// Agent 在构建时绑定 SessionKey，状态和 Agent 耦合HarnessAgent agent = HarnessAgent.builder().session(session).sessionKey(SimpleSessionKey.of("session-123"))// 构建时固定.build();// Agent 内部维护 AgentState（对话历史 + 工具状态 + 压缩状态）// sessionKey 和 state 都是 final 的，不可变

• 一个 Agent 实例 = 一个会话，不可复用
• AgentState 不仅有对话历史，还有工具执行上下文、Compaction 状态等
• 切换模型：需要创建新的 Agent 实例
• 多会话：每个会话一个 Agent 实例，需要 LRU/TTL 管理
• 优势：状态连贯，支持复杂的多轮工具调用和文件操作

五、适用场景推荐

场景 1：多用户 Web 聊天平台

推荐：Spring AI Alibaba > Spring AI > AgentScope

原因：无状态 Agent 天然适配 Web 服务的高并发、无状态部署模型。切换模型只需换配置，不影响现有会话。

场景 2：企业审批/客服工作流

推荐：Spring AI Alibaba

原因：Graph 引擎专为这类场景设计——意图分类 → 路由 → 处理 → 审核，每一步可控可追溯。

用户输入 → [意图分类] → 投诉？ → [情绪安抚] → [工单创建] → [通知]→ 咨询？ → [知识检索] → [回答生成]

场景 3：IDE / 桌面 AI 助手

推荐：AgentScope

原因：内置 Sandbox、文件系统、Skill 管理，Agent 有状态可以维持复杂的多轮工具调用上下文。这就是 Cursor、Copilot 类产品的底层需求。

场景 4：后台自动化 Agent

推荐：AgentScope

原因：ReAct 循环让 Agent 自主决策，不需要预定义流程。适合代码审查、自动修复、数据处理等开放式任务。

场景 5：快速接入大模型 API

推荐：Spring AI

原因：最轻量，核心就是模型抽象层。加几个依赖、写几行配置就能跑。

场景 6：多 Agent 自主协作

推荐：AgentScope

原因：Hub/Observer 模式让 Agent 之间可以异步通信、互相观察，适合模拟团队协作（PM Agent、Dev Agent、QA Agent）。

六、技术选型决策树

你的需求是什么？│├── 只是调模型 API，不需要复杂逻辑│ └── ✅ Spring AI（最轻量）│├── 需要确定性的业务流程编排│ └── ✅ Spring AI Alibaba（Graph 引擎）│├── 需要 Agent 自主规划和执行│ ├── 单用户/桌面场景？│ │ └── ✅ AgentScope（天然适配）│ └── 多用户 Web 服务？│ └── ✅ AgentScope + 生命周期管理（LRU/TTL）│或考虑 Spring AI Alibaba│├── 需要高并发多用户聊天│ └── ✅ Spring AI Alibaba（无状态，易扩展）│└── 需要深度阿里云集成└── ✅ Spring AI Alibaba（百炼平台原生支持）

七、能不能混着用？

可以，而且阿里巴巴官方也建议这样做：

• Spring AI Alibaba 做 Web 层和工作流编排：接收用户请求、管理会话、编排业务流程
• AgentScope 做 Agent 执行层：在工作流的某个节点中，启动一个 AgentScope Agent 执行开放式任务

用户请求 → Spring AI Alibaba (Graph)├── Node 1: 意图分类（确定性）├── Node 2: 知识检索（确定性）└── Node 3: AgentScope Agent（自主执行复杂任务） ├── ReAct: 读文件 ├── ReAct: 分析代码 └── ReAct: 生成修复方案

两者互补：Graph 提供可控性，AgentScope 提供自主性。

八、总结

没有最好的框架，只有最合适的场景。理解它们的设计哲学，才能做出正确的选型。