Spring全家桶：Spring AI系统性知识体系全解

Spring AI是Spring生态在生成式AI时代的核心扩展，延续了Spring一贯的"抽象与解耦"设计哲学，为Java开发者提供了一套统一、可移植、生产就绪的AI应用开发框架。它解决了AI集成的核心挑战：将企业数据与API和AI模型无缝连接，同时避免厂商锁定风险。

一、Spring AI核心原理与架构设计

1.1 核心设计哲学

• 抽象即自由：通过统一接口屏蔽底层模型和基础设施差异，实现"一次编码，多模型运行"
• Spring原生集成：深度融合Spring Boot自动配置、依赖注入、AOP等核心特性
• 生产就绪：内置可观测性、重试机制、安全控制等企业级能力
• 模块化设计：按需引入依赖，避免不必要的复杂度

1.2 分层架构体系

Spring AI采用三层抽象架构，确保各层解耦与扩展性：

1.3 核心模块与依赖关系

spring-ai-bom              # 统一版本管理
├── spring-ai-model        # 核心模型抽象接口（所有业务代码仅依赖此层）
├── spring-ai-client-chat  # ChatClient流式API与Advisor SPI机制
├── spring-ai-rag          # RAG完整实现：文档处理、检索、增强
├── spring-ai-vector-store # 向量数据库统一接口与SQL-like过滤DSL
├── spring-ai-agent-utils  # AI Agent开发工具集
├── spring-ai-retry        # 智能重试与限流机制
└── spring-ai-commons      # 通用工具类与数据结构

1.4 关键设计模式

• 策略模式：不同模型提供商实现相同的ChatModel接口，运行时可动态切换
• 模板方法模式：ChatClient内部统一执行Advisor链、调用模型、解析响应
• 装饰器模式：通过Advisor机制在不修改核心代码的情况下增强对话能力（如RAG、记忆）
• 适配器模式：将不同厂商的API响应统一转换为Spring AI标准格式

1.5 核心调用流程

一次完整的AI对话调用流程：

1. 应用层通过ChatClient发起请求
2. Advisor链依次处理请求（如注入RAG上下文、管理对话记忆）
3. ChatModel接口调用具体的模型实现
4. 模型响应经过Advisor链后处理
5. 返回最终结果给应用层

二、大模型集成：统一API与多厂商支持

2.1 支持的模型类型与提供商

Spring AI 2.0支持所有主流AI模型提供商，覆盖多种模型类型：

2.2 统一配置方式

Spring AI采用一致的配置模式，所有模型提供商都遵循相同的配置规范：

spring:
  ai:
    # OpenAI配置
    openai:
      api-key: ${
   OPENAI_API_KEY}
      base-url: https://api.openai.com/v1  # 支持反向代理
      chat:
        enabled: true
        options:
          model: gpt-5-mini
          temperature: 0.7
          max-tokens: 4096

    # Ollama本地模型配置
    ollama:
      base-url: http://localhost:11434
      chat:
        options:
          model: qwen2:7b
          temperature: 0.5

2.3 统一调用API

通过ChatClient接口实现模型无关的调用：

@Service
public class ChatService {
   
    private final ChatClient chatClient;

    // 注入Spring自动配置的ChatModel
    public ChatService(ChatClient.Builder builder) {
   
        this.chatClient = builder.build();
    }

    // 同步调用
    public String chat(String message) {
   
        return chatClient.prompt()
                .user(message)
                .call()
                .content();
    }

    // 流式调用
    public Flux<String> streamChat(String message) {
   
        return chatClient.prompt()
                .user(message)
                .stream()
                .content();
    }
}

2.4 模型切换与A/B测试

由于业务代码仅依赖抽象接口，切换模型提供商只需修改配置，无需改动业务代码：

# 从OpenAI切换到Anthropic只需修改配置
spring:
  ai:
    openai:
      enabled: false
    anthropic:
      api-key: ${
   ANTHROPIC_API_KEY}
      chat:
        options:
          model: claude-3-5-sonnet-20241022

三、Prompt工程：结构化与工程化管理

3.1 Prompt核心概念

Spring AI将Prompt抽象为包含多条消息的对象，每条消息有特定的角色：

• System：定义AI的角色、任务、约束和输出格式
• User：用户的输入内容
• Assistant：AI的历史回复
• Tool：工具调用的返回结果

3.2 PromptTemplate模板引擎

Spring AI提供了强大的模板引擎，基于StringTemplate实现，支持变量替换和模板复用：

// 内联模板
PromptTemplate template = new PromptTemplate("请介绍{topic}的基本概念和主要特性");
Prompt prompt = template.create(Map.of("topic", "Spring AI"));

// 从文件加载模板（推荐生产环境使用）
PromptTemplate codeReviewTemplate = new PromptTemplate(
    new ClassPathResource("prompts/system-code-review.st")
);

3.3 系统提示词最佳实践

一个高质量的系统提示词应包含以下要素：

• 角色定义：明确AI的身份和专业领域
• 任务描述：说明AI需要完成的具体任务
• 约束条件：规定回答的范围、风格和限制
• 输出格式：指定回答的结构和格式

@Service
public class JavaTechService {
   
    private final ChatClient chatClient;

    public JavaTechService(ChatClient.Builder builder) {
   
        this.chatClient = builder
            .defaultSystem("""
                你是一个专业的Java技术助手，拥有10年以上的开发经验。

                职责：
                - 回答Java、Spring Boot、Spring AI相关的技术问题
                - 帮助用户debug代码并提供优化建议
                - 分享行业最佳实践和设计模式

                规则：
                - 代码示例使用Java 21+语法
                - 回答简洁明了，重点突出
                - 不确定的内容要明确说明，不要编造
                - 非技术问题礼貌拒绝

                输出格式：
                - 使用Markdown格式
                - 代码用```java代码块包裹
                """)
            .build();
    }
}

3.4 结构化输出

Spring AI支持将AI输出直接映射为Java POJO，无需手动解析JSON：

// 定义输出结构
public record BookRecommendation(
    String title,
    String author,
    String summary,
    List<String> genres,
    int publicationYear
) {
   }

// 调用并自动转换
BookRecommendation recommendation = chatClient.prompt()
    .user("推荐一本关于人工智能的经典书籍")
    .call()
    .entity(BookRecommendation.class);

四、RAG实现：检索增强生成

4.1 RAG核心原理

RAG（检索增强生成）通过"先检索后生成"的机制，让AI能够访问外部知识库，解决大模型知识截止、幻觉和私有数据访问问题。

Spring AI RAG的四大核心步骤：

1. 文档处理：将原始文档转换为可检索的文本片段
2. 向量嵌入：将文本片段转换为向量表示并存储到向量数据库
3. 相似检索：根据用户查询检索最相关的文档片段
4. 生成增强：将检索结果作为上下文注入Prompt，让AI基于上下文生成回答

4.2 文档处理ETL框架

Spring AI提供了完整的文档处理能力，支持多种文档格式：

// 读取PDF文档
PdfDocumentReader reader = new PdfDocumentReader(
    new ClassPathResource("documents/spring-ai-guide.pdf")
);

// 文档分块
TextSplitter splitter = TokenTextSplitter.builder()
    .chunkSize(512)
    .chunkOverlap(50)
    .build();

// 转换为Document对象
List<Document> documents = reader.get().stream()
    .flatMap(doc -> splitter.split(doc).stream())
    .toList();

// 添加元数据
documents.forEach(doc -> doc.getMetadata().put("source", "spring-ai-guide.pdf"));

4.3 向量数据库集成

Spring AI支持所有主流向量数据库，提供统一的VectorStore接口：

// 注入Spring自动配置的VectorStore
@Autowired
private VectorStore vectorStore;

// 将文档存入向量数据库
vectorStore.add(documents);

// 相似检索
List<Document> similarDocs = vectorStore.similaritySearch(
    SearchRequest.query("Spring AI如何集成RAG")
        .topK(5)
        .similarityThreshold(0.73)
        .filterExpression(FilterExpressionBuilder.eq("source", "spring-ai-guide.pdf"))
);

4.4 高级检索策略

• 混合检索：结合向量语义检索与关键词精确匹配
• 重排序：使用专门的重排序模型对检索结果进行精排
• 动态过滤：根据业务上下文动态添加过滤条件

// 混合检索器
HybridRetriever hybridRetriever = HybridRetriever.builder()
    .vectorStore(vectorStore)
    .keywordIndex(new ElasticsearchKeywordIndex())
    .vectorWeight(0.7)
    .keywordWeight(0.3)
    .build();

// 带重排序的检索器
RerankingRetriever rerankingRetriever = RerankingRetriever.builder()
    .vectorStore(vectorStore)
    .rerankModel(rerankModel)
    .topKForRerank(20)
    .topK(5)
    .build();

4.5 QuestionAnswerAdvisor：一行代码启用RAG

Spring AI 2.0引入了QuestionAnswerAdvisor，通过Advisor机制将RAG能力无缝注入对话流程：

@Service
public class RagChatService {
   
    private final ChatClient chatClient;

    public RagChatService(ChatClient.Builder builder, VectorStore vectorStore) {
   
        this.chatClient = builder
            .defaultAdvisors(
                QuestionAnswerAdvisor.builder(vectorStore)
                    .searchRequest(SearchRequest.builder().topK(5).build())
                    .build()
            )
            .build();
    }

    public String chatWithRag(String question) {
   
        // 自动执行检索→注入上下文→生成回答的完整流程
        return chatClient.prompt()
            .user(question)
            .call()
            .content();
    }
}

五、AI Agent开发：思考与行动的智能体

5.1 Agent核心概念

AI Agent是能够自主感知环境、制定计划、执行行动并从结果中学习的智能系统。Spring AI基于ReAct（Reasoning + Acting）模式提供了完整的Agent开发支持。

5.2 工具调用（Function Calling）

工具调用是Agent与外部世界交互的核心能力。Spring AI通过@Tool注解简化工具定义：

@Component
public class WeatherTools {
   
    // 定义一个获取天气的工具
    @Tool("获取指定城市的当前天气信息")
    public String getCurrentWeather(@Parameter(description = "城市名称，如北京、上海") String city) {
   
        // 调用实际的天气API
        return String.format("%s当前天气：晴，温度25℃，湿度60%%", city);
    }
}

5.3 对话记忆管理

Spring AI提供了多层次的记忆管理能力：

• 短期记忆：存储当前对话的历史消息
• 长期记忆：持久化存储跨会话的重要信息
• 自动记忆整理：定期压缩和整理记忆，避免上下文溢出

// 配置带记忆的ChatClient
@Service
public class AgentService {
   
    private final ChatClient chatClient;

    public AgentService(ChatClient.Builder builder, WeatherTools weatherTools) {
   
        this.chatClient = builder
            .defaultTools(weatherTools)
            .defaultAdvisors(
                // 会话记忆
                MessageChatMemoryAdvisor.builder()
                    .chatMemory(new InMemoryChatMemory())
                    .build(),
                // 长期自动记忆
                AutoMemoryToolsAdvisor.builder()
                    .memoriesRootDirectory(Paths.get("agent-memories"))
                    .build()
            )
            .build();
    }
}

5.4 ReAct Agent实现

Spring AI提供了开箱即用的ReAct Agent实现，支持自动推理和工具调用：

@Bean
public ReActAgent weatherAgent(ChatModel chatModel, WeatherTools weatherTools) {
   
    return ReActAgent.builder()
        .chatModel(chatModel)
        .tools(weatherTools)
        .systemPrompt("""
            你是一个智能天气助手。
            当用户询问天气时，使用getCurrentWeather工具获取准确信息。
            如果需要多个城市的天气，可以多次调用工具。
            回答要简洁明了，包含温度、天气状况和出行建议。
            """)
        .maxIterations(5)
        .build();
}

// 使用Agent
String response = weatherAgent.call("北京今天的天气怎么样？适合出门吗？");

5.5 高级Agent能力

• 任务规划：将复杂任务分解为多个子任务
• 多Agent协作：多个Agent分工合作完成复杂任务
• 人类介入：在不确定时请求人类确认
• 可观测性：完整记录Agent的思考过程和工具调用

六、生产就绪与最佳实践

6.1 可观测性

Spring AI集成了Micrometer，提供完整的指标、日志和追踪支持：

• 模型调用次数、延迟、成功率
• 工具调用指标
• RAG检索性能指标
• 分布式追踪

6.2 安全与合规

• API密钥安全管理
• 内容审核
• 数据脱敏
• 访问控制

6.3 性能优化

• 提示词缓存
• 向量检索优化
• 批量处理
• 异步调用

6.4 错误处理与重试

• 智能重试机制
• 降级策略
• 超时控制
• 限流保护

总结

Spring AI为Java开发者提供了一套完整、统一、生产就绪的AI应用开发框架。它通过分层抽象和统一API，屏蔽了底层AI模型和基础设施的差异，让开发者能够专注于业务逻辑而非技术细节。

从简单的聊天机器人到复杂的RAG系统和AI Agent，Spring AI都提供了开箱即用的组件和最佳实践。随着Spring AI 2.0的发布，其在Agent开发、多模型支持和企业级特性方面得到了进一步增强，已经成为Java生态中AI应用开发的事实标准。

Spring AI面试高频问答卡片（背诵版）

一、核心原理与架构设计

Q1：Spring AI的核心设计哲学是什么？

标准答案：

1. 抽象即自由：通过统一接口屏蔽底层模型和基础设施差异，实现"一次编码，多模型运行"
2. Spring原生集成：深度融合Spring Boot自动配置、依赖注入、AOP等核心特性
3. 生产就绪：内置可观测性、重试机制、安全控制等企业级能力
4. 模块化设计：按需引入依赖，避免不必要的复杂度

Q2：Spring AI的三层架构体系及各层核心组件是什么？

标准答案：

Q3：Spring AI的核心模块及各自作用是什么？

标准答案：

1. spring-ai-bom：统一版本管理
2. spring-ai-model：核心模型抽象接口（业务代码仅依赖此层）
3. spring-ai-client-chat：ChatClient流式API与Advisor SPI机制
4. spring-ai-rag：RAG完整实现（文档处理、检索、增强）
5. spring-ai-vector-store：向量数据库统一接口与SQL-like过滤DSL
6. spring-ai-agent-utils：AI Agent开发工具集
7. spring-ai-retry：智能重试与限流机制
8. spring-ai-commons：通用工具类与数据结构

Q4：Spring AI中使用了哪些关键设计模式，分别解决什么问题？

标准答案：

1. 策略模式：不同模型提供商实现相同的ChatModel接口，实现运行时动态切换模型
2. 模板方法模式：ChatClient内部统一执行Advisor链、调用模型、解析响应的流程
3. 装饰器模式：通过Advisor机制在不修改核心代码的情况下增强对话能力（如RAG、记忆）
4. 适配器模式：将不同厂商的API响应统一转换为Spring AI标准格式

Q5：描述Spring AI一次完整的AI对话调用流程

标准答案：

1. 应用层通过ChatClient发起请求
2. Advisor链依次预处理请求（如注入RAG上下文、管理对话记忆）
3. ChatModel接口调用具体的模型实现
4. 模型响应经过Advisor链后处理
5. 返回最终结果给应用层

二、大模型集成：统一API与多厂商支持

Q6：Spring AI 2.0支持哪些主要的模型类型和代表提供商？

标准答案：

1. 聊天补全：OpenAI、Anthropic、Ollama、智谱AI、DeepSeek等
2. 嵌入模型：上述所有提供商
3. 图像生成：OpenAI、Stability AI
4. 音频处理：OpenAI、Google
5. 内容审核：OpenAI、Google

Q7：Spring AI统一配置和调用API的核心优势是什么？

标准答案：

1. 厂商无关性：业务代码仅依赖抽象接口，与具体模型提供商解耦
2. 一致的开发体验：所有模型遵循相同的配置规范和调用方式
3. 快速模型切换：仅需修改配置文件，无需改动业务代码
4. 简化开发：屏蔽不同厂商API的差异，降低学习和维护成本

Q8：如何在Spring AI中实现模型切换，为什么能做到零代码改动？

标准答案：

• 实现方式：只需修改application.yml配置文件，禁用原模型并启用目标模型，配置对应的API密钥和模型参数
• 零代码原因：Spring AI采用依赖注入和面向接口编程，业务代码仅依赖ChatModel等抽象接口，具体实现由Spring容器根据配置动态注入

三、Prompt工程：结构化与工程化管理

Q9：Spring AI将Prompt抽象为哪几种消息角色，各自的作用是什么？

标准答案：

1. System：定义AI的角色、任务、约束和输出格式
2. User：用户的输入内容
3. Assistant：AI的历史回复
4. Tool：工具调用的返回结果

Q10：Spring AI的PromptTemplate有什么作用，支持哪些使用方式？

标准答案：

• 作用：实现Prompt的模板化、变量替换和复用，提升Prompt工程的可维护性
• 使用方式：
  1. 内联模板：直接在代码中定义模板字符串并进行变量替换
  2. 文件模板：从ClassPath资源文件加载模板（推荐生产环境使用）

Q11：一个高质量的系统提示词应包含哪些核心要素？

标准答案：

1. 角色定义：明确AI的身份和专业领域
2. 任务描述：说明AI需要完成的具体任务
3. 约束条件：规定回答的范围、风格和限制
4. 输出格式：指定回答的结构和格式（如Markdown、JSON）

Q12：Spring AI如何实现AI输出的结构化映射？

标准答案：
Spring AI支持将AI输出直接映射为Java POJO，无需手动解析JSON。只需定义对应的Java Record或类，然后调用ChatClient的entity(Class<T> type)方法即可自动完成类型转换。

四、RAG实现：检索增强生成

Q13：什么是RAG，它解决了大模型的哪些核心问题？

标准答案：

• 定义：RAG（检索增强生成）通过"先检索后生成"的机制，让AI能够访问外部知识库
• 解决的问题：
  1. 大模型知识截止问题
  2. 大模型幻觉问题
  3. 私有数据访问问题

Q14：Spring AI中RAG的四大核心步骤是什么？

标准答案：

1. 文档处理：将原始文档转换为可检索的文本片段
2. 向量嵌入：将文本片段转换为向量表示并存储到向量数据库
3. 相似检索：根据用户查询检索最相关的文档片段
4. 生成增强：将检索结果作为上下文注入Prompt，让AI基于上下文生成回答

Q15：Spring AI的文档处理ETL流程包括哪些环节？

标准答案：

1. 文档读取：使用DocumentReader读取多种格式的文档（如PDF、TXT）
2. 文本分块：使用TextSplitter将长文档分割为合适大小的文本块（如TokenTextSplitter）
3. 元数据添加：为每个文本块添加来源、作者等元数据
4. 向量转换：使用EmbeddingModel将文本块转换为向量
5. 向量存储：将向量和元数据存入VectorStore

Q16：Spring AI 2.0的QuestionAnswerAdvisor有什么作用？

标准答案：
QuestionAnswerAdvisor通过Advisor机制将RAG能力无缝注入对话流程，实现"一行代码启用RAG"。它会自动执行检索→注入上下文→生成回答的完整流程，开发者无需手动处理检索和上下文拼接逻辑。

五、AI Agent开发：思考与行动的智能体

Q17：什么是AI Agent，Spring AI基于什么模式实现Agent？

标准答案：

• 定义：AI Agent是能够自主感知环境、制定计划、执行行动并从结果中学习的智能系统
• 实现模式：Spring AI基于ReAct（Reasoning + Acting）模式实现Agent，即先推理再行动，根据行动结果继续推理，直到完成任务

Q18：Spring AI中如何定义和使用工具（Function Calling）？

标准答案：

1. 定义工具：创建一个Spring Bean，在方法上添加@Tool注解描述工具功能，在参数上添加@Parameter注解描述参数
2. 使用工具：将工具Bean注册到ChatClient或ReActAgent中，AI会根据任务需求自动调用工具并处理返回结果

Q19：Spring AI提供了哪些层次的对话记忆管理能力？

标准答案：

1. 短期记忆：存储当前对话的历史消息，用于上下文理解
2. 长期记忆：持久化存储跨会话的重要信息
3. 自动记忆整理：定期压缩和整理记忆，避免上下文溢出

Q20：Spring AI的ReAct Agent核心配置有哪些？

标准答案：

1. chatModel：用于推理的大模型
2. tools：Agent可以调用的工具列表
3. systemPrompt：定义Agent的角色和行为规范
4. maxIterations：最大推理迭代次数，防止无限循环

六、生产就绪与最佳实践

Q21：Spring AI在可观测性方面提供了哪些支持？

标准答案：
Spring AI集成了Micrometer，提供完整的指标、日志和追踪支持：

1. 模型调用次数、延迟、成功率指标
2. 工具调用指标
3. RAG检索性能指标
4. 分布式追踪能力

Q22：Spring AI应用的常见性能优化手段有哪些？

标准答案：

1. 提示词缓存：缓存相同或相似查询的结果
2. 向量检索优化：优化向量索引、调整topK和相似度阈值
3. 批量处理：批量处理文档嵌入和向量存储
4. 异步调用：使用流式调用和异步API提升并发性能

Q23：Spring AI相比其他AI开发框架的核心优势是什么？

标准答案：

1. Spring生态原生集成：无缝融合Spring Boot、Spring Cloud等企业级技术栈
2. 统一抽象与可移植性：避免厂商锁定，支持多模型和多向量数据库
3. 生产就绪：内置企业级的可观测性、安全、重试和限流能力
4. Java开发者友好：符合Java开发习惯，降低学习和迁移成本