本轮 Spring AI 面试题库（带答案）

【面试题】1. Spring AI 的核心架构是什么样的？它和 LangChain 有什么区别？

【标准答案】Spring AI 的核心架构围绕三个概念展开：Model（对接各种大模型的统一抽象）、Prompt（提示词模板+变量注入）、ChatClient（与模型交互的高级门面）。它和 LangChain 最大的区别是编程范式不同——LangChain 是 Python 生态的链式编排，Spring AI 则深度绑定 Spring 生态，利用 Boot 自动配置、依赖注入、Properties 外部化来管理模型连接和参数，对 Java 团队来说上手成本极低，而且天然融入现有 Spring 微服务架构。简单说：LangChain 是"拼积木"，Spring AI 是"开箱即用"。

【面试题】2. Spring AI 中如何实现 RAG？请描述完整的检索增强生成流程。

【标准答案】Spring AI 实现 RAG 分四步：第一步，用 EmbeddingModel 把文档切片后生成向量；第二步，存入 VectorStore（支持 Pinecone/Chroma/Redis/PGVector/Milvus 等多种后端）；第三步，用户提问时同样用 EmbeddingModel 把问题转向量，通过 VectorStore 的 similaritySearch 检索最相关的文档片段；第四步，把检索结果作为上下文塞进 Prompt 模板，交给 ChatModel 生成回答。代码层面，Spring AI 提供了 QuestionAnswerAdvisor 可以一行代码把 RAG 能力挂到 ChatClient 上，不需要手写编排逻辑。关键点：文档切分用 TokenTextSplitter，检索时注意 similarityThreshold 和 topK 的调参。

【面试题】3. Spring AI 的 Advisor 机制是什么？和 Spring Interceptor 有什么异同？

【标准答案】Advisor 是 Spring AI 的请求/响应拦截器，可以在 ChatClient 调用模型前后插入自定义逻辑。它分两种：CallAdvisor 拦截同步调用，StreamAdvisor 拦截流式调用。和 Spring MVC 的 Interceptor 思路一样——链式执行、可中断、可修改请求和响应。区别在于 Advisor 操作的是 AdvisedRequest 和 AdvisedResponse，专门处理 Prompt 增强和模型输出后处理，比如往 Prompt 里动态注入上下文、记录对话历史、做内容安全过滤等。实际项目中，MessageChatMemoryAdvisor 和 QuestionAnswerAdvisor 就是最常用的两个内置 Advisor。

【面试题】4. Spring AI 如何实现 Function Calling（工具调用）？底层流程是怎样的？

【标准答案】Spring AI 的 Function Calling 分三层实现：第一层，用 @Bean 注册一个普通的 Java 方法（或实现 Function<I,O> 接口），Spring AI 自动生成 JSON Schema 描述其入参出参；第二层，ChatClient 配置时通过 .functions("beanName") 声明可用函数；第三层，运行时大模型判断需要调函数时返回 tool_call，Spring AI 自动执行对应 Bean、把结果回填给模型继续推理。整个过程开发者只写业务函数，调度全由框架完成。注意：模型端必须支持 Function Calling（如 GPT-4/Claude/GLM），本地模型可通过 Ollama 代理支持。实际项目建议函数粒度要细、入参要明确，方便模型准确匹配。

【面试题】5. Spring AI 如何对接多种大模型？切换模型需要改代码吗？

【标准答案】完全不用改代码。Spring AI 用 ChatModel 接口做统一抽象，具体实现有 OpenAiChatModel、AnthropicChatModel、OllamaChatModel、ZhiPuAiChatModel 等。切换模型只需要改 application.yml 里的依赖和配置：比如从 OpenAI 切到智谱，把 spring-ai-openai-spring-boot-starter 换成 spring-ai-zhipuai-spring-boot-starter，改下 API Key 和 base-url 即可，业务代码里的 ChatClient 调用完全不动。这也是 Spring AI 最大的卖点——模型可替换，你的应用不绑定任何一家大模型厂商。

【面试题】6. Spring AI 中 VectorStore 有哪些选型？生产环境怎么选？

【标准答案】Spring AI 内置支持约 10 种 VectorStore：PGVector（PostgreSQL 扩展，适合已有 PG 的团队）、Redis（适合已有 Redis 基础设施，延迟低）、Pinecone（全托管，免运维）、Chroma（轻量级，开发调试方便）、Milvus（大规模向量检索，千亿级）、Weaviate（内置多模态）、Qdrant（Rust 写的高性能引擎）。生产选型看三个维度：一是数据规模，百万级以下 PGVector/Redis 够用，上亿就 Milvus/Pinecone；二是运维成本，不想管就用 Pinecone，有 DBA 团队就 PGVector；三是一致性要求，和业务数据同库 PGVector 事务一致性最好。我的建议：中小项目 PGVector 起步，大规模再迁 Milvus。

【面试题】7. Spring AI 如何处理 Structured Output（结构化输出）？有什么坑？

【标准答案】Spring AI 用 BeanOutputConverter 把模型输出映射到 Java POJO。用法是 ChatClient.prompt().user().call().entity(MyDto.class)，框架自动在 Prompt 里注入 JSON Schema 约束，模型返回后用 ObjectMapper 反序列化。坑有三个：一是模型不一定遵守 Schema，建议用 GPT-4/Claude 等指令遵从强的模型，弱模型容易格式跑偏；二是嵌套对象和枚举需要显式标注 @JsonProperty 和 @JsonClassDescription 帮模型理解字段含义；三是流式场景不支持 entity，必须用同步调用。生产建议加上重试和降级逻辑，解析失败就再调一次。

【面试题】8. Spring AI 如何实现对话记忆（Chat Memory）？多轮对话怎么管理上下文？

【标准答案】Spring AI 通过 ChatMemory 接口管理对话历史，内置两种实现：InMemoryChatMemory（内存，适合单机调试）和 MessageChatMemoryAdvisor（Advisor 方式自动注入历史消息）。多轮对话的流程：用户每次提问，Advisor 从 ChatMemory 取出历史消息拼到 Prompt 里，模型回复后再把新一轮 Q&A 存回 ChatMemory。生产环境需要自己实现 ChatMemory 接口对接 Redis 或数据库做持久化。关键参数是 maxMessages，控制保留最近多少轮对话，防止 Token 溢出。实际项目建议：10轮以内的场景用 MessageChatMemoryAdvisor + Redis 就够了，超长对话考虑用摘要压缩策略。

【面试题】9. Spring AI 在微服务架构中怎么部署？有哪些关注点？

【标准答案】Spring AI 本身就是 Spring Boot Starter，部署和普通微服务一样打 JAR 包丢容器。但有几个关注点：一是API Key 管理，别硬编码，用 Spring Cloud Config 或 Vault 注入；二是模型调用超时和限流，大模型响应慢，Feign/RestTemplate 超时要调大，建议用 Resilience4j 加熔断和限流；三是向量库高可用，PGVector 跟 PG 主从走，Milvus 用集群模式；四是可观测性，Spring AI 集成了 Micrometer，开箱即用 Token 用量、调用延迟、模型名等指标，接 Prometheus+Grafana 做监控；五是多模型路由，不同场景调不同模型，可以用 Spring AI 的 ChatModel 多 Bean 注入 + 自定义路由策略。

【面试题】10. Spring AI 1.0 正式版有哪些重要更新？从 M 版升级要注意什么？

【标准答案】Spring AI 1.0（2024年5月正式发布）相比 M 系列里程碑版有几个核心变化：一是 ChatClient 成为统一入口，之前的 ChatModel.call() 降为底层 API，业务层全部走 ChatClient 的 Fluent API；二是 Advisor 架构取代了旧的拦截机制，更灵活可组合；三是 VectorStore 接口统一，新增了 add()、delete()、search() 标准方法；四是 Observability 内置，基于 Micrometer 自动采集指标；五是 自动配置全面重写，Properties 前缀统一为 spring.ai.*。从 M 版升级注意三点：旧 API 大量废弃需要迁移、Prompt 模板语法有变化（{variable} 取代 ${variable}）、依赖坐标从 spring-ai-openai 变成 spring-ai-openai-spring-boot-starter。建议先跑测试再升级。