Spring AI 面试题库

生成时间：2026-05-21 20:34 (Asia/Shanghai) 题目数量：10道覆盖范围：Spring AI 核心架构、RAG、Function Calling、多模型对接、结构化输出、Chat Memory、微服务部署、版本更新、生态集成、前沿趋势

【面试题】1. Spring AI 中 ChatClient 和 ChatModel 的区别是什么？实际开发中应该用哪个？

【标准答案】ChatModel 是底层模型调用接口，直接面向 AI 模型，只负责发送 Prompt 拿到 Response，是最原始的 API。ChatClient 是 Spring AI 1.0 引入的统一高级入口，类似 WebClient 之于 RestTemplate，它在 ChatModel 之上封装了 Fluent API、Advisor 链、Memory、结构化输出等能力。

实际开发中必须用 ChatClient，原因三点：

Fluent API 链式调用，代码可读性强：chatClient.prompt().user("你好").call().content()
Advisor 机制只在 ChatClient 层生效，RAG、Memory、日志切面全部挂在这条链上
结构化输出 .entity(Order.class) 一行搞定，ChatModel 得自己写 OutputConverter

只有在需要极致控制底层参数（如自定义 HTTP 客户端、特殊 request header）时才直接用 ChatModel，99% 的业务场景 ChatClient 够用。

【面试题】2. Spring AI 的 Advisor 机制是什么？如何用 Advisor 实现 RAG 和对话记忆？

【标准答案】Advisor 是 Spring AI 1.0 的核心架构设计，本质是请求/响应拦截器链，类似 Servlet Filter 或 Spring Interceptor。每个 Advisor 可以在请求发给模型前修改 Prompt，也可以在模型响应后修改结果。

接口核心：CallAroundAdvisor（同步）和 StreamAroundAdvisor（流式），关键方法是 aroundCall() 和 aroundStream()，传入 AdvisedRequest 返回 AdvisedResponse。

RAG 实现方式：用 QuestionAnswerAdvisor，它会在请求前自动调用 VectorStore 的 similaritySearch 检索相关文档，把检索结果拼接到 Prompt 上下文中，整个过程对业务代码透明。

对话记忆实现方式：用 MessageChatMemoryAdvisor，它在请求前从 ChatMemory 中读取历史消息追加到 Prompt，响应后把新的用户消息和 AI 回复存入 ChatMemory。

关键细节：Advisor 有顺序，order 值小的先执行。Memory 的 order 要比 RAG 小，因为要先恢复上下文，再做检索增强，顺序反了会导致 RAG 拿不到当前轮次的完整上下文。

【面试题】3. Spring AI 的 RAG 流程中，TokenTextSplitter 和 EmbeddingModel 分别扮演什么角色？切分策略怎么选？

【标准答案】TokenTextSplitter 负责把长文档切成小段，EmbeddingModel 负责把文本段转成向量。两者是 RAG 数据预处理流水线的两个串联环节。

TokenTextSplitter 的核心参数：

defaultChunkSize：每段 token 数，一般 500-1000
minChunkSizeChars：最小字符数，过滤太短的碎片
maxNumChunks：最大分段数，防止超大文档打爆内存

切分策略选择：

通用文档：默认按 token 切，简单粗暴，够用
代码/结构化文档：建议自己写 Splitter，按函数/类/段落切，保持语义完整
表格数据：按行切，每行带表头，否则检索结果缺上下文

EmbeddingModel 的选型：

OpenAI text-embedding-3-small：性价比之王，1536 维，适合大多数场景
本地部署用 bge-large-zh：中文效果好，Ollama 一键启动
注意：写入和查询必须用同一个模型，向量空间不同会导致相似度计算全废

一个容易踩的坑：切分时 overlap 设太小，跨段的语义被切断；设太大，存储和检索重复太多。推荐 overlap 设 chunkSize 的 10%-15%。

【面试题】4. Spring AI Function Calling 的完整调用流程是什么？@Bean 注册函数的原理是什么？

【标准答案】完整流程四步走：

注册：用 @Bean 定义一个返回 Function<I, O> 的 Bean，Spring AI 自动扫描注册
Schema 生成：Spring AI 根据函数的入参类型 I，自动生成 JSON Schema（包括字段名、类型、描述），作为 tool 定义发给模型
模型决策：模型判断需要调工具时，返回 tool_call 响应，包含函数名和参数
框架调度：Spring AI 框架自动拦截 tool_call，从注册表找到对应 Bean，用模型给的参数执行，把结果回传给模型，模型再生成最终回答

@Bean 注册原理：Spring AI 的 FunctionCallbackContext 在启动时扫描所有 Function 类型的 Bean，提取函数名（默认取 Bean 名）、入参类型、输出类型，构建注册表。也可以用 FunctionCallback.builder() 手动注册，更灵活，可以自定义 name、description、inputType。

关键配置：在 ChatClient 调用时通过 .functions("getWeather", "searchDB") 声明本次对话可用哪些工具，模型只会在声明的工具中选择调用。

踩坑点：入参类必须有无参构造器，字段要加 @JsonProperty(required=true) 和 @JsonPropertyDescription，否则生成的 Schema 不准，模型传参会出错。

【面试题】5. Spring AI 支持 Structured Output 的三种方式分别是什么？各有什么坑？

【标准答案】三种方式，从简单到复杂：

方式一：BeanOutputConverter

java

var converter = new BeanOutputConverter<>(Order.class);
String format = converter.getFormat(); // 拿到 JSON Schema 指令
// 拼到 prompt 里让模型按格式输出
// 然后 converter.fromModelOutput(result) 反序列化

坑：format 指令是追加到 Prompt 末尾的，模型可能不遵守格式，尤其是小模型。需要显式在 prompt 中强调"严格按 JSON 格式输出"。

方式二：ChatClient 的 .entity() 方法

java

Order order = chatClient.prompt().user("生成订单").call().entity(Order.class);

一行搞定，底层自动用 BeanOutputConverter + JSON 解析。坑：只支持同步调用，流式场景不能用；解析失败直接抛异常，没有降级。

方式三：OpenAI 原生 structured output（json_schema 模式）

java

ChatResponse response = chatModel.call(new Prompt("生成订单",
    ChatOptionsBuilder.builder().withResponseFormat(new ResponseFormat(ResponseFormat.Type.JSON_SCHEMA, schema)).build()));

这个最强，模型层面保证输出格式，几乎不会出错。坑：只有 OpenAI 和少数模型支持，Ollama 本地模型不支持；Schema 写错了调试困难。

通用避坑：POJO 字段用基本类型别用包装类（int 别用 Integer），日期字段加 @JsonFormat，枚举字段加 @JsonProperty 映射，否则反序列化大概率翻车。

【面试题】6. Spring AI 的 ChatMemory 接口设计是什么？生产环境怎么持久化？

【标准答案】ChatMemory 接口非常简洁：

java

public interface ChatMemory {
    void add(String conversationId, List<Message> messages);
    List<Message> get(String conversationId, int lastN);
    void clear(String conversationId);
}

核心就是三个操作：存、取、清。默认提供 InMemoryChatMemory，用 ConcurrentHashMap 存，重启全丢，只能开发测试用。

生产持久化方案：

Redis 方案：自己实现 ChatMemory，用 Redis List 存消息，LPUSH 追加、LRANGE 取最近 N 条。优点是天然支持 TTL 过期清理，适合高并发场景。
数据库方案：建 chat_memory 表，字段 conversation_id, message_type, content, timestamp，查询用 ORDER BY timestamp DESC LIMIT N。适合需要审计日志和复杂查询的场景。
混合方案：热数据放 Redis（最近 20 条），冷数据落库（完整历史），兼顾性能和合规。

关键设计点：

lastN 参数：不能无限拉历史，token 超了模型直接报错。一般取最近 10-20 条，配合模型的 context window 计算
消息裁剪：系统消息永远保留，只裁剪中间的历史对话
并发安全：同一个 conversationId 可能并发写，Redis 天然原子性，数据库要加乐观锁或用 INSERT 不 UPDATE

【面试题】7. Spring AI 多模型切换怎么实现？spring.ai.* 配置前缀的规则是什么？

【标准答案】Spring AI 用 spring.ai.<provider>.* 的配置前缀区分不同模型提供商，每个 provider 有独立的自动配置类。

配置示例：

yaml

spring:
  ai:
    openai:
      api-key: sk-xxx
      chat:
        options:
          model: gpt-4o
          temperature: 0.7
    ollama:
      base-url: http://localhost:11434
      chat:
        options:
          model: qwen2.5
    zhipu:
      api-key: xxx
      chat:
        options:
          model: glm-4

切换方式三种：

依赖切换：只引入一个 starter（如 spring-ai-openai-spring-boot-starter），Spring Boot 自动配置只生效一个 ChatModel Bean。最简单，但换模型要改依赖重启。
多 Bean + @Primary：引入多个 starter，用 @Primary 指定默认 Bean，其他用 @Qualifier 按需注入。
运行时动态路由：自己封装一个 RoutingChatModel，内部维护 Map<String, ChatModel>，根据请求参数动态选择。适合 A/B 测试或降级场景。

踩坑：多 starter 同时引入时，自动配置可能冲突。用 spring.autoconfigure.exclude 排除不需要的，或者用 @ConditionalOnProperty 精确控制。

【面试题】8. Spring AI 在微服务架构中部署，API Key 管理和限流熔断怎么做？

【标准答案】

API Key 管理：

绝对不能硬编码，用 Spring Cloud Config 或 Vault 统一管理，spring.ai.openai.api-key 用 ${VAULT_API_KEY} 引入
多租户场景：不要每个租户一个配置文件，用 Key Pool（Key 池），运行时轮询/随机选取，一个 Key 限流了自动切下一个
Key 轮转：配置中心热更新，不需要重启服务。Spring Cloud Config 配合 @RefreshScope 或 Nacos 动态推送

限流熔断：

外层限流：用 Sentinel 或 Resilience4j 在 ChatClient 调用外面包一层，QPS 阈值按模型 API 的 RPM 限制设（如 OpenAI gpt-4o 是 500 RPM）
熔断降级：连续 N 次调用失败或超时，熔断器打开，直接返回预设的兜底回答，避免雪崩
超时设置：模型调用默认超时可能很长，必须手动设。Spring AI 支持通过 spring.ai.openai.chat.options.max-tokens 控制输出长度，超时用 HTTP Client 层控制
排队机制：突发流量先入队，用 Redis + 令牌桶控制出队速率，避免瞬间打爆模型 API 的并发限制

实际部署建议：模型调用服务单独拆一个微服务，不要和业务逻辑耦合。这样限流熔断配置集中管理，升级模型 SDK 也不影响业务服务。

【面试题】9. Spring AI 1.0 正式版相比之前的里程碑版本有哪些关键变化？

【标准答案】三个核心变化：

1. ChatClient 成为统一入口 之前版本大家直接用 ChatModel，不同模型的调用方式有细微差异。1.0 之后 ChatClient 统一了所有模型的调用方式，Fluent API 一致：prompt().user().call()/stream()。官方明确表态：ChatClient 是推荐的唯一入口，ChatModel 降级为底层 SPI。

2. Advisor 架构正式确立 之前版本的拦截/增强能力散落在各处，没有统一抽象。1.0 把 Advisor 定义为标准接口，所有横切关注点（RAG、Memory、日志、审计）都通过 Advisor 链实现。开发者自定义 Advisor 只需实现 CallAroundAdvisor 接口，通过 order 控制执行顺序。

3. VectorStore 接口统一 之前不同向量库的 API 差异较大，1.0 统一了 VectorStore 接口：add()/delete()/search()/query()。切换向量库只换依赖和配置，业务代码零改动。新增了对 PGVector 和 Chroma 的官方支持。

4. spring.ai. 配置前缀标准化* 之前版本配置属性比较混乱，1.0 统一为 spring.ai.<provider>.<feature>.* 的命名规范，配合 Boot 的 metadata 自动补全，开发体验大幅提升。

5. Observability 内置 1.0 集成了 Micrometer，模型调用的 token 使用量、延迟、错误率全部自动上报，配合 Prometheus + Grafana 开箱即用。

迁移注意：0.8.x 到 1.0 有 breaking change，AiClient 被移除，统一用 ChatClient；部分包路径变了，建议看官方迁移指南。

【面试题】10. Spring AI MCP 支持是什么？它和 Function Calling 有什么区别和联系？

【标准答案】MCP 是 Model Context Protocol，Anthropic 提出的开放标准，定义了 AI 模型与外部工具/数据源的通信协议。Spring AI 从 1.0 开始支持 MCP，可以同时作为 MCP Client 和 MCP Server。

和 Function Calling 的区别：

维度	Function Calling	MCP
作用域	单个应用内	跨应用、跨服务
注册方式	@Bean 注册到本地	通过 MCP 协议远程发现
工具发现	硬编码声明	动态发现，运行时获取工具列表
通信方式	进程内方法调用	Stdio/SSE 远程通信
扩展性	加工具要改代码重启	加工具无需重启，热插拔

联系：MCP 是 Function Calling 的超集和升级。底层调度逻辑一样——模型返回 tool_call，框架执行函数回传结果。但 MCP 把工具提供方和消费方解耦了。

实际场景：

简单项目：Function Calling 够用，几行代码搞定
企业级多团队协作：团队 A 提供 MCP Server 暴露数据库查询工具，团队 B 的 AI Agent 作为 MCP Client 动态调用，不需要团队 B 改代码
多 Agent 编排：多个 Agent 通过 MCP 共享工具生态，避免重复开发

Spring AI 中使用 MCP：引入 spring-ai-mcp 依赖，配置 MCP Server 地址，ChatClient 就能自动发现和调用远程工具。未来 MCP 会成为 Agent 生态的"USB 接口"，所有工具标准化接入。

Spring AI 面试题库 ​

【面试题】1. Spring AI 中 ChatClient 和 ChatModel 的区别是什么？实际开发中应该用哪个？ ​

【面试题】2. Spring AI 的 Advisor 机制是什么？如何用 Advisor 实现 RAG 和对话记忆？ ​

【面试题】3. Spring AI 的 RAG 流程中，TokenTextSplitter 和 EmbeddingModel 分别扮演什么角色？切分策略怎么选？ ​

【面试题】4. Spring AI Function Calling 的完整调用流程是什么？@Bean 注册函数的原理是什么？ ​

【面试题】5. Spring AI 支持 Structured Output 的三种方式分别是什么？各有什么坑？ ​

【面试题】6. Spring AI 的 ChatMemory 接口设计是什么？生产环境怎么持久化？ ​

【面试题】7. Spring AI 多模型切换怎么实现？spring.ai.* 配置前缀的规则是什么？ ​

【面试题】8. Spring AI 在微服务架构中部署，API Key 管理和限流熔断怎么做？ ​

【面试题】9. Spring AI 1.0 正式版相比之前的里程碑版本有哪些关键变化？ ​

【面试题】10. Spring AI MCP 支持是什么？它和 Function Calling 有什么区别和联系？ ​

Spring AI 面试题库

【面试题】1. Spring AI 中 ChatClient 和 ChatModel 的区别是什么？实际开发中应该用哪个？

【面试题】2. Spring AI 的 Advisor 机制是什么？如何用 Advisor 实现 RAG 和对话记忆？

【面试题】3. Spring AI 的 RAG 流程中，TokenTextSplitter 和 EmbeddingModel 分别扮演什么角色？切分策略怎么选？

【面试题】4. Spring AI Function Calling 的完整调用流程是什么？@Bean 注册函数的原理是什么？

【面试题】5. Spring AI 支持 Structured Output 的三种方式分别是什么？各有什么坑？

【面试题】6. Spring AI 的 ChatMemory 接口设计是什么？生产环境怎么持久化？

【面试题】7. Spring AI 多模型切换怎么实现？spring.ai.* 配置前缀的规则是什么？

【面试题】8. Spring AI 在微服务架构中部署，API Key 管理和限流熔断怎么做？

【面试题】9. Spring AI 1.0 正式版相比之前的里程碑版本有哪些关键变化？

【面试题】10. Spring AI MCP 支持是什么？它和 Function Calling 有什么区别和联系？