Spring AI 面试题库

生成时间：2026-05-21 20:59

本轮 Spring AI 面试题库（带答案）

【面试题】1. Spring AI中ChatClient和ChatModel有什么区别？什么时候用哪个？

【标准答案】这是个很好的架构设计问题。简单说，ChatModel是底层抽象，ChatClient是高层封装。

ChatModel直接对接各家AI厂商的API，比如OpenAIChatModel、OllamaChatModel，它负责发请求、收响应，是最基础的调用入口。你用它就得自己拼Prompt、自己处理响应。

ChatClient是Spring AI 1.0推出的统一入口，它内部用的是ChatModel，但给你封装了Fluent API，比如chatClient.prompt().user("问题").call().content()，链式调用更优雅。

什么时候用ChatClient？

大部分业务场景，用ChatClient就够了，代码简洁、可读性好
需要Advisor机制拦截处理（比如加对话记忆、日志、安全校验）
需要用Fluent API快速实现功能

什么时候用ChatModel？

需要深度定制，比如自己实现重试逻辑、自己封装Advisor
需要直接访问底层模型能力，比如获取token使用量、原始响应头
迁移老代码，原来用的是ChatModel

实际项目里，90%的情况用ChatClient，特殊场景才下沉到ChatModel。

【面试题】2. Spring AI的Advisor机制是怎么工作的？能解决什么问题？

【标准答案】 Advisor是Spring AI 1.0的核心架构之一，类似于Spring AOP的切面，但专门针对AI调用链。

工作原理： 每个Advisor可以在调用前和调用后拦截：

aroundCall：拦截同步调用
aroundStream：拦截流式调用
getOrder：定义执行顺序

调用链是这样的：ChatClient收到请求 → 按Order顺序执行所有Advisor的前置逻辑 → 调用ChatModel → 按逆序执行Advisor的后置逻辑 → 返回结果。

能解决什么问题？

对话记忆：MessageChatMemoryAdvisor在请求前自动注入历史消息，在响应后保存新消息
RAG检索：QuestionAnswerAdvisor在请求前先查向量库，把相关知识拼到Prompt里
安全校验：请求前检查用户输入是否有敏感词、是否越权
日志监控：记录每次调用的耗时、token数、成功失败
限流熔断：在Advisor里集成Resilience4j，实现调用量控制

怎么自定义Advisor？ 实现CallAroundAdvisor接口，重写aroundCall方法，在里面写拦截逻辑。比如：

java

public class LoggingAdvisor implements CallAroundAdvisor {
    @Override
    public AdvisedResponse aroundCall(AdvisedRequest advisedRequest, CallAroundAdvisorChain chain) {
        long start = System.currentTimeMillis();
        AdvisedResponse response = chain.nextAroundCall(advisedRequest);
        long duration = System.currentTimeMillis() - start;
        log.info("AI调用耗时: {}ms", duration);
        return response;
    }
}

Advisor让AI调用的横切关注点可以复用，不用在每个业务代码里重复写。

【面试题】3. Spring AI做RAG时，VectorStore选型要考虑哪些因素？PGVector、Redis、Pinecone怎么选？

【标准答案】这是个很实际的架构决策问题，没有标准答案，要看你的场景。

选型考虑因素：

数据量级
- 几万条：Redis、PGVector都行
- 百万级以上：Pinecone、Milvus、Chroma这种专门的向量库更合适
查询频率和延迟要求
- 高频低延迟：Pinecone（托管服务，全球CDN加速）、Redis（内存级）
- 低频可接受稍慢：PGVector（磁盘存储）
部署方式
- 不想运维：Pinecone全托管，开箱即用
- 必须私有化：PGVector（复用现有PostgreSQL）、Milvus（自建）
成本
- 已有PostgreSQL：PGVector零额外成本，装个插件就行
- 大规模高并发：Pinecone按调用量计费，成本可控
- Redis：占内存，向量数据量大了成本会上去
生态和稳定性
- Pinecone：成熟稳定，Spring AI官方支持好
- PGVector：PostgreSQL生态，适合已有PG基础架构的团队
- Milvus：开源社区活跃，但自建有运维成本

我的建议：

小项目、原型验证：PGVector，复用现有数据库，省事
中型项目、要稳定：Pinecone，托管服务不用运维
大厂、私有化要求：Milvus，自己掌控数据
已有Redis基础设施：用Redis Vector，统一技术栈

关键是不要过度设计，从简单开始，量级上来再迁移。

【面试题】4. Spring AI的Function Calling是怎么实现的？@Bean注册函数后，模型怎么知道该调哪个？

【标准答案】 Function Calling是让AI模型能"动手做事"的关键机制。Spring AI的实现分三步：

第一步：注册函数 写一个普通的Java方法，用@Bean注册到Spring容器：

java

@Bean
public Function<WeatherRequest, WeatherResponse> weatherFunction() {
    return request -> {
        // 调用天气API
        return new WeatherResponse("北京晴天，25度");
    };
}

第二步：自动生成JSON Schema Spring AI会自动扫描这个Function，读取泛型参数类型（WeatherRequest），生成JSON Schema，包含：

函数名（默认是bean名）
函数描述（从方法名或@Description注解提取）
参数结构（参数名、类型、是否必填）

这个Schema会作为tools参数发给AI模型。

第三步：模型决策和调度 用户问"北京今天天气怎么样"，模型看到有weatherFunction可用，判断该调它，返回tool_call指令。Spring AI收到后：

解析tool_call，拿到函数名和参数
从Spring容器找到对应的Function bean
反序列化参数为WeatherRequest对象
调用函数，拿到返回值
把结果作为tool消息发回给模型
模型生成最终回答："北京今天晴天，气温25度"

关键点：

你不用写调度逻辑，Spring AI自动完成
函数描述很重要，模型靠它判断什么时候该调
可以注册多个函数，模型自己选
支持多轮tool_call，一个函数的结果可以触发另一个函数

这就是为什么Spring AI的Function Calling这么好用，你只需要写业务函数，其他都交给框架。

【面试题】5. Spring AI的BeanOutputConverter有什么坑？怎么避免结构化输出失败？

【标准答案】 BeanOutputConverter能把AI返回的文本自动转成Java对象，听起来很美好，但确实有坑。

常见坑：

Schema生成不准确 如果POJO字段名不清晰，生成的JSON Schema描述模糊，模型不知道该填什么，容易乱填或漏填。
解决办法：给字段加@Description注解，明确说明每个字段的含义和格式要求。
模型输出不稳定 同一个Prompt，模型有时候返回完整JSON，有时候返回带解释的文本，导致解析失败。
解决办法：在Prompt里明确要求"只返回JSON，不要任何解释"，用format方法把Schema注入Prompt。
复杂嵌套结构处理差 如果POJO里有List、Map、嵌套对象，模型容易搞错结构，尤其是数组为空时。
解决办法：简化结构，避免深层嵌套；或者用Map<String, Object>兜底，自己再转。
特殊字符和格式问题 JSON里的引号、换行符可能被模型转义或不转义，导致解析失败。
解决办法：用entity()方法替代BeanOutputConverter，它更稳定。
中文字段名支持差 有些模型对中文字段名支持不好，生成的JSON可能乱码。
解决办法：字段名用英文，@Description里写中文描述。

最佳实践：

java

// 推荐：直接用entity()
Person person = chatClient.prompt()
    .user(u -> u.text("提取信息：{text}").param("text", text))
    .call()
    .entity(Person.class);

// 如果用BeanOutputConverter，记得加描述
@Bean
public static class Person {
    @Description("姓名，2-4个中文字符")
    private String name;
    
    @Description("年龄，正整数")
    private Integer age;
}

结构化输出这块，1.0版本比早期版本稳定多了，但还是要写好Prompt和Schema，不要完全依赖自动转换。

【面试题】6. Spring AI的ChatMemory怎么持久化？生产环境怎么设计对话记忆方案？

【标准答案】 ChatMemory是对话体验的关键，但默认的InMemoryChatMemory重启就没了，生产环境必须持久化。

持久化方案：

数据库存储 最常见的方案。Spring AI提供ChatMemoryRepository接口，可以自己实现：

java

public class JdbcChatMemoryRepository implements ChatMemoryRepository {
    public void add(String conversationId, Message message) {
        jdbcTemplate.update(
            "INSERT INTO chat_memory (conv_id, role, content, created_at) VALUES (?, ?, ?, ?)",
            conversationId, message.getMessageType(), message.getContent(), new Date()
        );
    }
}

表结构设计：conversation_id、message_type、content、created_at、metadata。

Redis存储 适合高频访问场景。用Redis的List存储消息，conversation_id作为key：

java

public void add(String conversationId, Message message) {
    redisTemplate.opsForList().rightPush(
        "chat:" + conversationId, 
        message.getContent()
    );
}

设置过期时间，避免无限增长。

混合方案
- 最近10条消息放Redis，快速读取
- 历史消息存数据库，需要时再查
- 定期归档到对象存储

生产环境设计要点：

消息数量控制 不能无限存消息，token数会爆。通常保留最近20-50条，或者用滑动窗口。
去重和压缩 相似消息去重，长消息压缩摘要，节省token和存储。
用户隔离 每个用户/会话独立的conversation_id，互不干扰。
性能优化
- 分页加载历史消息
- 缓存热点会话
- 异步写入数据库
合规性
- 敏感消息加密存储
- 按法规要求定期清理
- 用户可删除自己的对话记录

Spring AI的MessageChatMemoryAdvisor会自动调用ChatMemory的add和get方法，你只需要实现持久化层，上层逻辑不用改。

【面试题】7. Spring AI怎么实现多模型切换？同一个项目里怎么同时用OpenAI和通义千问？

【标准答案】多模型切换是Spring AI的强项，配置层面和代码层面都能做。

配置方式：

application.yml里配置多个模型：

yaml

spring:
  ai:
    openai:
      api-key: ${OPENAI_API_KEY}
      base-url: https://api.openai.com
    dashscope:
      api-key: ${DASHSCOPE_API_KEY}

Spring AI会自动创建两个ChatModel的bean：openAiChatModel和dashscopeChatModel。

代码层切换：

java

@Service
public class AiService {
    @Autowired
    private ChatModel openAiChatModel;
    
    @Autowired
    private ChatModel dashscopeChatModel;
    
    public String chatWithOpenAi(String question) {
        return openAiChatModel.call(new Prompt(question)).getResult().getOutput().getContent();
    }
    
    public String chatWithDashscope(String question) {
        return dashscopeChatModel.call(new Prompt(question)).getResult().getOutput().getContent();
    }
}

动态切换：

如果要根据用户或场景动态选模型，可以用Map注入：

java

@Service
public class AiRouterService {
    private final Map<String, ChatModel> chatModels;
    
    public AiRouterService(List<ChatModel> models) {
        this.chatModels = models.stream()
            .collect(Collectors.toMap(
                m -> m.getClass().getSimpleName().replace("ChatModel", "").toLowerCase(),
                Function.identity()
            ));
    }
    
    public String chat(String model, String question) {
        ChatModel chatModel = chatModels.get(model);
        if (chatModel == null) {
            throw new IllegalArgumentException("不支持的模型: " + model);
        }
        return chatModel.call(new Prompt(question)).getResult().getOutput().getContent();
    }
}

配置前缀切换（Spring AI 1.0）：

Spring AI 1.0统一了配置前缀spring.ai.*，你可以：

yaml

spring:
  ai:
    model: openai  # 默认用openai

运行时通过环境变量切换：SPRING_AI_MODEL=dashscope

实际应用场景：

国内用户用通义千问，国外用户用OpenAI
简单问题用小模型（快、便宜），复杂问题用大模型
某模型故障时，自动切换备用模型

Spring AI的多模型支持很灵活，关键是设计好路由策略，别让模型选型变成if-else地狱。

【面试题】8. Spring AI做RAG时，TokenTextSplitter怎么配置分块策略？太大太小有什么问题？

【标准答案】分块是RAG的关键，分得好不好直接影响检索效果。

TokenTextSplitter的配置参数：

java

TokenTextSplitter splitter = new TokenTextSplitter(
    500,    // defaultChunkSize: 每块最大token数
    100,    // minChunkSizeChars: 每块最小字符数
    50,     // minChunkLengthToEmbed: 太小的块不处理
    1000,   // maxNumChunks: 最大块数，防爆炸
    true    // keepSeparator: 是否保留分隔符
);

分块太大的问题：

检索时噪声多，相关性差，相似度分数被稀释
超过模型的context window，被截断
每块信息量太大，模型抓不住重点

分块太小的问题：

语义完整性破坏，一句话拆成两块，上下文断裂
检索命中率下降，关键词可能分布在多块
向量库压力增大，块数爆炸，查询变慢

最佳实践：

根据内容类型调整
- 技术文档：500-800 tokens，通常一个概念一个段落
- 法律合同：1000-1500 tokens，条款完整性更重要
- 新闻文章：300-500 tokens，新闻段落短

设置合适的重叠 TokenTextSplitter默认没有重叠，可以自己实现滑动窗口：

java

// 伪代码：每块重叠20%
List<String> chunks = new ArrayList<>();
for (int i = 0; i < text.length(); i += chunkSize - overlap) {
    chunks.add(text.substring(i, Math.min(i + chunkSize, text.length())));
}

重叠能保证边界处的上下文不丢失，推荐10-20%。

按语义分块 更高级的做法是按段落、章节分，而不是按token硬切。可以先用LLM做摘要，再按摘要分块。
监控检索效果 生产环境要监控：
- 每块的平均token数
- 检索命中率（召回的块是否包含答案）
- 用户反馈的相关性评分

分块没有万能公式，要根据自己的数据调优。我的经验是先从默认500开始，看检索效果再调整。

【面试题】9. Spring AI项目怎么接入Micrometer做监控？关键指标有哪些？

【标准答案】 Spring AI天然集成Micrometer，开箱就能用，但得知道看什么指标。

接入步骤：

添加依赖：

xml

<dependency>
    <groupId>org.springframework.boot</groupId>
    <artifactId>spring-boot-starter-actuator</artifactId>
</dependency>
<dependency>
    <groupId>io.micrometer</groupId>
    <artifactId>micrometer-registry-prometheus</artifactId>
</dependency>

配置暴露端点：

yaml

management:
  endpoints:
    web:
      exposure:
        include: prometheus, health, metrics

访问/metrics端点，能看到Spring AI自动注册的指标。

关键指标：

调用次数
- spring.ai.chat.model.calls：ChatModel调用次数
- 按模型分类：OpenAI、通义千问各有计数
延迟和耗时
- spring.ai.chat.model.latency：P50、P95、P99耗时
- 关注P99是否超过用户可接受的等待时间（通常3-5秒）
Token使用量
- spring.ai.chat.model.tokens.prompt：输入token数
- spring.ai.chat.model.tokens.completion：输出token数
- 按用户、按模型分类统计成本
错误率
- spring.ai.chat.model.errors：调用失败次数
- 按错误类型分类：超时、限流、模型错误
向量库指标
- spring.ai.vectorstore.search.latency：向量检索耗时
- spring.ai.vectorstore.insert.count：向量插入数量

告警配置：

yaml

# Prometheus告警规则示例
groups:
  - name: spring-ai
    rules:
      - alert: HighErrorRate
        expr: rate(spring_ai_chat_model_errors[5m]) > 0.1
        for: 2m
        annotations:
          summary: "AI调用错误率过高"
      
      - alert: HighLatency
        expr: histogram_quantile(0.99, rate(spring_ai_chat_model_latency_bucket[5m])) > 5
        annotations:
          summary: "AI调用P99延迟超过5秒"

可视化面板：

推荐用Grafana，导入Spring Boot官方dashboard，加上AI相关指标的面板：

实时QPS曲线
Token消耗柱状图
错误率饼图
各模型性能对比

监控这块，Spring AI做得挺好，指标都有，关键是把告警和可视化搭起来，出了问题第一时间知道。

【面试题】10. Spring AI 1.0相比之前版本有什么重大更新？对开发者意味着什么？

【标准答案】 Spring AI 1.0是里程碑版本，架构和API都有大变化。

重大更新：

ChatClient统一入口 之前调用AI有好几种方式，ChatModel、AiClient、PromptTemplate，容易混乱。1.0统一成ChatClient，Fluent API风格，代码更清晰：
java
```
chatClient.prompt()
    .system("你是一个助手")
    .user("你好")
    .call()
    .content();
```
Advisor架构 之前对话记忆、RAG、安全校验都要自己实现拦截逻辑。1.0引入Advisor机制，像Spring AOP一样，横切关注点可插拔。写一个Advisor，到处复用。
VectorStore接口统一 之前各家向量库的API不一致，切换成本高。1.0统一了VectorStore接口，增删改查方法标准化，切换向量库只需要换个bean。
spring.ai.*配置前缀 配置项统一了，之前是spring.openai.、spring.ollama.，现在都是spring.ai.*前缀，多模型配置更清晰：
yaml
```
spring:
  ai:
    openai:
      api-key: xxx
    dashscope:
      api-key: xxx
```
Structured Output增强 BeanOutputConverter更稳定，entity()方法一行代码实现结构化输出。Schema生成更智能，复杂对象也能处理。
Observability内置 之前监控要自己埋点。1.0内置Micrometer支持，自动上报调用次数、延迟、token数。

对开发者意味着什么？

代码更简洁：ChatClient的Fluent API，代码可读性提升
扩展更容易：Advisor让横切逻辑可插拔，代码不耦合
切换成本低：VectorStore接口统一，换个向量库改个配置就行
运维更友好：监控指标内置，搭Grafana dashboard半小时搞定

迁移建议：

如果是新项目，直接用1.0，别回头看旧版本。

如果是老项目要升级，注意：

ChatModel还能用，但推荐迁移到ChatClient
PromptTemplate被ChatClient的prompt()方法替代
检查配置文件，改成spring.ai.*前缀
自定义的拦截逻辑，改成Advisor实现

Spring AI 1.0是成熟的标志，API稳定了，架构清晰了，可以放心在生产环境大规模使用。

本轮题目统计：

技术基础：题1、题4、题5
架构设计：题2、题6、题7
场景实操：题3、题8
性能优化：题9
版本更新：题10

覆盖考点： ChatClient、ChatModel、Advisor、RAG、VectorStore、Function Calling、BeanOutputConverter、ChatMemory、多模型切换、TokenTextSplitter、Micrometer监控、Spring AI 1.0新特性

Spring AI 面试题库 ​

本轮 Spring AI 面试题库（带答案） ​

【面试题】1. Spring AI中ChatClient和ChatModel有什么区别？什么时候用哪个？ ​

【面试题】2. Spring AI的Advisor机制是怎么工作的？能解决什么问题？ ​

【面试题】3. Spring AI做RAG时，VectorStore选型要考虑哪些因素？PGVector、Redis、Pinecone怎么选？ ​

【面试题】4. Spring AI的Function Calling是怎么实现的？@Bean注册函数后，模型怎么知道该调哪个？ ​

【面试题】5. Spring AI的BeanOutputConverter有什么坑？怎么避免结构化输出失败？ ​

【面试题】6. Spring AI的ChatMemory怎么持久化？生产环境怎么设计对话记忆方案？ ​

【面试题】7. Spring AI怎么实现多模型切换？同一个项目里怎么同时用OpenAI和通义千问？ ​

【面试题】8. Spring AI做RAG时，TokenTextSplitter怎么配置分块策略？太大太小有什么问题？ ​

【面试题】9. Spring AI项目怎么接入Micrometer做监控？关键指标有哪些？ ​

【面试题】10. Spring AI 1.0相比之前版本有什么重大更新？对开发者意味着什么？ ​

Spring AI 面试题库

本轮 Spring AI 面试题库（带答案）

【面试题】1. Spring AI中ChatClient和ChatModel有什么区别？什么时候用哪个？

【面试题】2. Spring AI的Advisor机制是怎么工作的？能解决什么问题？

【面试题】3. Spring AI做RAG时，VectorStore选型要考虑哪些因素？PGVector、Redis、Pinecone怎么选？

【面试题】4. Spring AI的Function Calling是怎么实现的？@Bean注册函数后，模型怎么知道该调哪个？

【面试题】5. Spring AI的BeanOutputConverter有什么坑？怎么避免结构化输出失败？

【面试题】6. Spring AI的ChatMemory怎么持久化？生产环境怎么设计对话记忆方案？

【面试题】7. Spring AI怎么实现多模型切换？同一个项目里怎么同时用OpenAI和通义千问？

【面试题】8. Spring AI做RAG时，TokenTextSplitter怎么配置分块策略？太大太小有什么问题？

【面试题】9. Spring AI项目怎么接入Micrometer做监控？关键指标有哪些？

【面试题】10. Spring AI 1.0相比之前版本有什么重大更新？对开发者意味着什么？