工作知识库

Appearance

Spring AI 面试题库 ​

生成时间：2026-05-21 20:49

【面试题】1. Spring AI 中 ChatClient 和 ChatModel 有什么区别？实际项目中该用哪个？ ​

【标准答案】ChatModel 是底层抽象，负责直接调用大模型API，返回原始响应；而 ChatClient 是 Spring AI 1.0 推荐的高层统一入口，内置了 Advisor 链、Fluent API、自动消息管理等能力。

实际项目中首选 ChatClient，原因有三：

  • 第一，Fluent API 链式调用更优雅，代码可读性强；
  • 第二，内置 Advisor 机制，可以无缝注入 Chat Memory、RAG、日志等横切逻辑；
  • 第三，统一抽象层屏蔽了不同模型厂商的差异，切换模型只需改配置。

只有当你需要底层控制、比如自定义请求参数、直接操作原始响应时，才考虑直接用 ChatModel。

【面试题】2. 请解释 Spring AI 的 Advisor 机制是如何工作的？能举几个常用场景吗？ ​

【标准答案】Advisor 是 Spring AI 的横切关注点处理机制，类似 AOP 的概念，但专为 AI 调用设计。每个 Advisor 可以在请求发出前（预处理）和响应返回后（后处理）插入自定义逻辑。

工作流程：请求 → Advisor链（前置处理）→ ChatModel → Advisor链（后置处理）→ 响应。Advisor 通过 CallAroundAdvisor 或 StreamAroundAdvisor 接口实现，可以修改 Prompt、拦截响应、记录日志、注入上下文等。

常用场景：

  1. Chat Memory：MessageChatMemoryAdvisor 自动维护对话历史；
  2. RAG 增强：QuestionAnswerAdvisor 自动注入检索到的文档上下文；
  3. 日志审计：自定义 Advisor 记录每次调用的 Token 消耗、耗时；
  4. 敏感词过滤：请求前检测 Prompt，响应后过滤敏感内容。

【面试题】3. 在 Spring AI 中实现 RAG，VectorStore 该如何选型？PGVector、Redis、Pinecone 各有什么优劣势？ ​

【标准答案】选型核心看三点：数据规模、部署环境、成本预算。

PGVector：适合已有 PostgreSQL 的项目，零额外运维成本，生态成熟。劣势是大规模向量检索性能不如专业向量库，适合中小规模（百万级以内）。

Redis：如果项目已经用 Redis 做缓存，复用它能减少运维负担。Redis 的向量搜索基于 RedisSearch 模块，延迟低、支持实时更新，但功能相对简单，复杂查询支持有限。

Pinecone：全托管云服务，性能强、扩展性好，适合生产级大规模应用。但国内访问可能不稳定，且有数据出境合规风险，成本也较高。

我的建议：国内项目优先考虑 PGVector 或 Milvus（开源、高性能、支持私有化部署）；海外项目可以直接用 Pinecone 省运维。

【面试题】4. Spring AI 的 Function Calling 是怎么实现的？@Bean 注册函数后，模型是怎么知道函数签名的？ ​

【标准答案】Spring AI 的 Function Calling 完全屏蔽了底层复杂性，核心流程分三步：

  1. 注册阶段：开发者用 @Bean 定义一个返回类型为 Function<I, O> 的方法，Spring AI 自动扫描注册；
  2. Schema 生成：调用时，Spring AI 通过 Jackson 自动解析函数的输入类型 I，生成符合 OpenAI 规范的 JSON Schema，包含参数名、类型、描述（可配合 @JsonPropertyDescription 注解完善）；
  3. 调度执行：模型返回 tool_call 后，Spring AI 自动反序列化参数、调用对应 Bean、将结果序列化返回给模型继续推理。

关键配置：通过 spring.ai.openai.chat.options.functions 或代码动态指定可用函数列表。整个过程开发者只需写函数逻辑，框架搞定 Schema 和调度。

【面试题】5. Structured Output 结构化输出在实际落地中有哪些坑？BeanOutputConverter 怎么用才稳？ ​

【标准答案】坑主要集中在三方面：

第一，Schema 设计：POJO 字段命名要语义清晰，避免模糊的 field1、data；复杂嵌套对象容易生成失败的 Schema，建议扁平化设计；枚举类型要加 @JsonPropertyDescription 说明可选项。

第二，模型能力差异：不同模型对 Function Calling / JSON Mode 支持程度不同。OpenAI 最稳，国产模型偶尔会"幻觉"出 Schema 之外的字段或格式错乱，务必加一层后端校验。

第三，错误处理：解析失败时要有兜底策略，比如重试时让模型"输出更严格"，或降级到提示词工程方式约束格式。

BeanOutputConverter 用法：

java
BeanOutputConverter<MyPojo> converter = new BeanOutputConverter<>(MyPojo.class);
String format = converter.getFormat(); // 获取提示词约束
String response = chatClient.prompt().user(prompt + format).call().content();
MyPojo result = converter.parse(response); // 解析为对象

用 chatClient.prompt().entity(MyPojo.class) 更简洁，框架自动完成上述流程。

【面试题】6. Chat Memory 对话记忆的实现原理是什么？InMemoryChatMemory 能上生产吗？ ​

【标准答案】Chat Memory 的核心是 ChatMemory 接口和 MessageChatMemoryAdvisor，前者负责存储历史消息，后者负责在每次调用前自动注入历史。

实现原理：

  1. 每次 chatClient.prompt() 调用时，Advisor 根据 conversationId 查询历史消息；
  2. 将历史消息按 Token 限制截断（可配置窗口大小），拼接到当前 Prompt；
  3. 模型响应后，新消息自动存入 Memory。

InMemoryChatMemory 能否上生产：不能直接上！它是内存实现，重启后丢失，且无分布式共享能力。生产环境需要：

  • 用 Redis / 数据库实现持久化 ChatMemory；
  • 或者用 Spring AI 提供的 RedisChatMemory 等现成实现；
  • 注意 Token 窗口管理，历史过长会截断关键上下文。

【面试题】7. Spring AI 在微服务架构下部署，API Key 管理和模型切换怎么做才安全又灵活？ ​

【标准答案】API Key 管理遵循"配置外部化 + 动态注入"原则：

安全实践：

  1. 绝不硬编码：用 Vault、AWS Secrets Manager、阿里云 KMS 等密钥管理服务存储 API Key；
  2. 配置中心下发：通过 Nacos、Apollo 等配置中心动态下发，支持热更新；
  3. 环境隔离：不同环境用不同的 Key，开发环境可用额度受限的 Key，生产用主 Key。

模型切换策略：

  • 通过 spring.ai.openai.api-key、spring.ai.anthropic.api-key 等配置外部化；
  • 利用 spring.profiles.active 切换不同模型的配置文件；
  • 代码层面通过 ChatClient.Builder 动态指定 ChatModel Bean，实现 A/B 测试或灰度切换；
  • 高级场景可自研路由层，根据请求类型、成本、延迟智能选择模型。

【面试题】8. Spring AI 1.0 正式版相比之前的 Milestone 版本，有哪些重大更新值得面试官眼前一亮？ ​

【标准答案】Spring AI 1.0 正式版有几个里程碑式更新：

ChatClient 统一入口：之前用 ChatModel.call() 直接调用，现在统一推荐用 ChatClient，Fluent API 风格，支持链式配置、流式响应、Entity 映射，代码优雅很多。

Advisor 架构成熟：CallAroundAdvisor、StreamAroundAdvisor 提供了完整的拦截链，支持前置后置处理，RAG、Memory 都通过 Advisor 实现，扩展性极强。

VectorStore 接口统一：之前各向量库 API 差异大，现在统一为 VectorStore 接口，增删改查方法标准化，切换底层存储只需换 Bean。

配置前缀统一：从散乱的配置项统一为 spring.ai.* 前缀，如 spring.ai.openai.chat.options.model，更符合 Spring Boot 规范。

Observability 集成：原生支持 Micrometer 指标暴露，Token 消耗、调用延迟、成功率都可观测。

【面试题】9. Spring AI 如何实现多模态能力？比如处理图片输入或语音场景？ ​

【标准答案】Spring AI 的多模态能力通过 Media 类和 UserMessage 扩展实现。

图片输入示例：

java
Resource imageResource = new FileSystemResource("image.png");
UserMessage message = new UserMessage(
    "这张图片里有什么？",
    new Media(MimeTypeUtils.IMAGE_PNG, imageResource)
);
chatClient.prompt().messages(message).call();

框架自动将图片编码为 Base64 或 URL 形式，按不同模型的 API 规范发送。目前 OpenAI GPT-4V、Anthropic Claude 3 系列支持视觉输入。

语音场景：

  • 语音输入：前端通过 Whisper 等 ASR 转文字后，走普通 Chat 流程；
  • 语音输出：TTS 需调用独立 API（如 OpenAI TTS），Spring AI 暂无内置语音输出抽象，需自行封装。

注意：多模态对 Token 消耗影响大，图片会折算为大量 Token，需评估成本。

【面试题】10. Spring AI 的 Streaming 流式响应如何实现？前端 SSE 对接有什么注意事项？ ​

【标准答案】Spring AI 的 Streaming 通过 stream() 方法实现，底层返回 Flux<String> 响应式流。

后端实现：

java
Flux<String> stream = chatClient.prompt()
    .user("讲个故事")
    .stream()
    .content();

配合 Spring WebFlux 的 ServerSentEvent 封装：

java
@GetMapping(value = "/chat/stream", produces = MediaType.TEXT_EVENT_STREAM_VALUE)
public Flux<ServerSentEvent<String>> stream(@RequestParam String prompt) {
    return chatClient.prompt().user(prompt).stream().content()
        .map(chunk -> ServerSentEvent.<String>builder().data(chunk).build());
}

前端对接注意事项：

  1. SSE 连接管理：EventSource 不支持 POST，需用 fetch + ReadableStream 或第三方库；
  2. 断线重连：网络波动时需自动重连，并处理 lastEventId 恢复；
  3. 流式渲染：前端要支持增量渲染，避免每次收到 chunk 都重绘整个内容；
  4. 错误处理：超时、Token 限制、模型过载等情况要有降级提示；
  5. 停止生成：提供取消按钮，关闭 SSE 连接。

本轮题目覆盖：架构核心（ChatClient vs ChatModel）、机制原理（Advisor、Function Calling）、实战选型（VectorStore）、生产部署（API Key 管理、Streaming）、版本更新（1.0 新特性）、前沿趋势（多模态）。