Spring AI 面试题库
生成时间：2026-05-21 20:54
【面试题】1. Spring AI 中 ChatClient 和 ChatModel 有什么区别？实际项目中如何选择？
【标准答案】 ChatModel 是底层模型接口，直接对接各厂商API，提供最基础的 chat() 方法，返回结构化的 ChatResponse。ChatClient 是 Spring AI 1.0 引入的高级封装，内置了 Fluent API、Advisor 机制、自动注入系统提示词等功能。
实际项目选型：简单问答场景直接用 ChatModel 就够了，代码更轻量。但如果涉及多轮对话、需要串联 Advisor（如日志、重试、记忆管理）、或者要链式调用多个步骤，ChatClient 能大幅减少样板代码。我们项目用 ChatClient.retrofit() 风格，一行代码搞定 prompt 构建、advisor 绑定和调用，维护成本降低 60% 以上。
【面试题】2. Spring AI 的 Advisor 机制是什么？能解决哪些实际问题？
【标准答案】 Advisor 是 Spring AI 的拦截器模式，在 ChatClient 调用前后织入通用逻辑。核心接口有 aroundCall() 和 aroundStream()，可以修改 Prompt、处理响应、记录日志、实现重试等。
实际应用：我们封装了三个 Advisor——LoggingAdvisor 记录问答日志用于审计，RetryAdvisor 处理 API 限流自动重试，RateLimitAdvisor 控制用户调用频率。配置时通过 ChatClient.builder().defaultAdvisors(...) 全局生效，业务代码零感知。相比在每处调用写 try-catch，Advisor 让代码更干净，也便于统一治理。
【面试题】3. RAG 架构中 TokenTextSplitter 如何配置才能既保证语义完整又不浪费 Token？
【标准答案】 TokenTextSplitter 核心参数有三个：chunkSize（分块大小）、chunkOverlap（重叠区间）、encoderName（分词器类型）。配置原则：chunkSize 根据模型上下文窗口和检索精度平衡，一般 500-1000 token；chunkOverlap 建议 10%-20% 的 chunkSize，保证跨块语义不断裂；encoderName 必须和嵌入模型一致，比如用 OpenAI 的 text-embedding-ada-002 就要配 cl100k_base 编码器。
我们踩过的坑：一开始用默认配置，切分后知识库召回率只有 65%，后来针对技术文档调整 chunkSize=800、overlap=150，召回率提升到 89%。另外要注意中文文档建议用专门的中文分词器或降低 chunkSize，否则语义边界容易断裂。
【面试题】4. Spring AI 对接多个模型厂商时，如何实现平滑切换和统一管理？
【标准答案】 Spring AI 通过 spring.ai.* 配置前缀 + 条件注入实现多模型管理。核心方案有两种：
第一种是 Properties 多配置，application.yml 里配 spring.ai.openai.api-key 和 spring.ai.anthropic.api-key，用 @Qualifier 注入对应的 ChatModel。第二种是动态切换，通过 ChatClient.Builder 在运行时指定 ChatModel，或者封装一个 ModelRouter 根据场景路由。
我们生产环境用 ModelRouter 模式：高优先级问题走 GPT-4，普通问答走通义千问降成本，Ollama 部署本地模型处理隐私敏感数据。通过配置中心动态调整路由策略，API 调用成本降低 40%，同时保证了核心业务的高质量响应。
【面试题】5. Function Calling 中 @Bean 注册函数和 JSON Schema 自动生成的原理是什么？
【标准答案】 Spring AI 的 Function Calling 底层是函数式接口 + 反射 + JSON Schema 生成三步走。@Bean 注册函数时，框架会扫描函数的入参类型，通过 Jackson 的 JSON Schema 生成器自动推导参数结构，然后封装成 tool 定义发给模型。
模型返回 tool_call 后，Spring AI 根据函数名从 ApplicationContext 查找对应 Bean，用 Jackson 反序列化参数，反射调用方法，最后把返回值再序列化回模型。
实战建议：函数参数对象必须有无参构造器和清晰的字段命名，框架依赖这些生成 Schema。复杂对象建议加 @Schema(description="...") 注解帮助模型理解。我们有个函数因为字段命名不规范导致模型传参失败，加了注解后成功率从 72% 提升到 98%。
【面试题】6. VectorStore 选型时 PGVector、Redis、Milvus 各有什么优劣？生产环境如何决策？
【标准答案】 PGVector 优势是运维成本低，复用现有 PostgreSQL 实例，支持 ACID 事务，适合中小规模（百万级向量）且对实时性要求不高的场景。劣势是性能和扩展性一般，大规模数据检索延迟明显上升。
Redis Search 优势是极致性能，毫秒级延迟，适合缓存热点向量或高频查询场景。劣势是持久化和扩展性弱，不适合大规模知识库。
Milvus 优势是专业向量数据库，支持十亿级向量、分布式部署、多种索引类型（IVF/HNSW），适合大规模生产环境。劣势是运维复杂度高，需要独立部署集群。
我们决策逻辑：POC 阶段用 PGVector 零成本验证，日活百万以下用 Redis 缓存 + PGVector 持久化，百万以上知识库上 Milvus。关键是要预留迁移路径，Spring AI 的 VectorStore 接口统一，切换实现只需改配置和依赖。
【面试题】7. Chat Memory 在多轮对话中如何保证上下文连贯又不撑爆 Token 限制？
【标准答案】 Spring AI 的 ChatMemory 接口提供 add() 和 get() 方法，配合 MessageChatMemoryAdvisor 自动注入历史消息。但核心挑战是 Token 上限，解决方案有三层：
第一层是窗口截断，MessageChatMemoryAdvisor 配置 conversationHistorySize 只保留最近 N 条消息，我们一般配 10-15 条。第二层是摘要压缩，定期用模型总结历史对话，把摘要作为系统提示词注入，Token 占用从几千降到几百。第三层是混合策略，核心实体和决策点保留原文，中间过程只保留摘要。
我们实现了 InMemoryChatMemory 的持久化扩展，用 Redis 存储 conversationId 到消息列表的映射，支持跨会话恢复。生产环境配置 10 轮窗口 + 每 5 轮触发一次摘要，平均上下文 Token 从 3500 降到 800，响应速度提升 35%。
【面试题】8. Structured Output 用 BeanOutputConverter 时有哪些常见坑？如何避免？
【标准答案】 BeanOutputConverter 核心原理是先生成 JSON Schema，让模型按 Schema 输出，再用 Jackson 反序列化成 POJO。常见坑有三个：
第一是 Schema 生成失败。POJO 字段类型不支持（如 LocalDateTime）或缺少无参构造器，解决方案是用简单类型 + 自定义序列化器，或加 @JsonIgnore 排除。
第二是模型输出不合规。复杂嵌套结构或枚举字段，模型容易漏填或格式错误。解决方案是 Schema 里加必填标记和 description 描述，我们还在 prompt 里显式强调"必须严格按 Schema 输出 JSON，不要添加注释"。
第三是反序列化失败。模型多输出了字段（如 thinking 过程），Jackson 默认严格模式会报错。解决方案是配置 ObjectMapper.disable(FAIL_ON_UNKNOWN_PROPERTIES)。
我们封装了一个 StructuredOutputHelper 工具类，统一处理这些边界情况，结构化输出成功率从 85% 提升到 99.2%。
【面试题】9. Spring AI 微服务架构中如何管理 API Key 安全、实现限流熔断？
【标准答案】 API Key 管理必须遵循三个原则：一是不硬编码，通过 Vault 或配置中心加密存储，运行时注入；二是不暴露，前端请求先走网关鉴权，网关再带 API Key 调模型服务；三是可轮换，支持热更新不重启服务。
限流熔断我们用 Resilience4j + Micrometer 方案。Ratelimiter 配置每秒最大请求数和等待队列，Circuitbreaker 配置失败率阈值和熔断时长。ChatClient 调用时通过 Advisor 包装，限流超时返回降级提示，熔断触发后直接走本地模型兜底。
监控指标方面，Spring AI 集成了 Micrometer，配置 management.endpoints.web.exposure.include=prometheus 后，可以在 Grafana 里看 ai.model.latency、ai.model.tokens、ai.model.errors 等指标。我们设了 P99 延迟 >3s 或错误率 >5% 自动告警，每月 P0 事故降到 0。
【面试题】10. Spring AI 1.0 正式版相比之前的 Milestone 版本有哪些重大变化？迁移时要注意什么？
【标准答案】 Spring AI 1.0 正式版最大变化是 API 统一和架构成熟：
第一是 ChatClient 成为统一入口，之前 OpenAiChatClient、OllamaChatClient 分散实现，现在都通过 ChatClient.builder() 统一创建，切换模型只需注入不同 ChatModel Bean。
第二是 Advisor 架构稳定，之前是实验性功能，1.0 后接口固定，支持自定义拦截器链，迁移时要把老版本的拦截逻辑改成 Advisor 实现。
第三是 VectorStore 接口统一，之前各向量库方法签名不一致，1.0 后统一了 add()、delete()、similaritySearch() 等核心方法，迁移时要检查自定义扩展是否兼容。
第四是配置前缀统一为 spring.ai.*，之前 openai.api-key 要改成 spring.ai.openai.api-key，application.yml 要全局替换。
我们迁移花了 3 天，核心工作是配置项对齐、Advisor 重写、Bean 名称调整。建议迁移前跑一遍官方 Compatibility Report，逐项核对 Breaking Changes，能少踩很多坑。