Spring AI 面试题库

生成时间：2026-05-21 21:05 (Asia/Shanghai) 题目数量：10道覆盖范围：消息类型、参数调优、RAG检索优化、Advisor实战、向量库API、多模态输出、错误处理、监控集成、Prompt模板、Agent编排

【面试题】1. Spring AI 中 UserMessage、SystemMessage、AssistantMessage 三种消息类型有什么区别？实际项目中怎么组合使用？

【标准答案】三种消息类型对应对话中的不同角色：

SystemMessage：系统指令，告诉模型"你是谁、该怎么回答"，比如"你是专业的Java架构师，回答要简洁准确"。特点是：始终放在 Prompt 最前面，不会被模型回复覆盖，对整轮对话生效。

UserMessage：用户输入，就是用户的实际问题或请求。每轮对话至少一个 UserMessage，多模态场景还可以携带图片、文件。

AssistantMessage：模型的历史回复，用于多轮对话时告诉模型"之前你说过什么"。由 ChatMemory 自动维护，一般不需要手动构建。

组合使用套路：

java

chatClient.prompt()
    .system("你是架构师，回答要简洁")
    .user("Spring AI怎么实现RAG？")
    .call();

多轮对话时，MessageChatMemoryAdvisor 会自动把历史 UserMessage 和 AssistantMessage 拼进来，SystemMessage 只在首轮设置，后续轮次继承。

关键点：SystemMessage 的权重最高，模型会优先遵循。写 SystemMessage 时要具体，别写"你是个AI助手"这种废话，要写清楚角色定位、回答风格、禁止事项。

【面试题】2. Spring AI 调用大模型时，temperature、maxTokens、topP 这些参数怎么调？什么场景用什么值？

【标准答案】这三个参数直接影响模型输出质量和成本，调参核心是"确定性 vs 创造性"的权衡。

temperature（温度）：控制输出的随机性。范围 0-2，默认 1。

0-0.3：高确定性，适合代码生成、数据分析、结构化输出，答案稳定一致
0.5-0.7：平衡模式，适合一般问答、对话，有一定创造性但不离谱
0.8-1.2：高创造性，适合创意写作、故事生成，答案多变
1.5+：几乎随机，生产环境不建议用

maxTokens（最大输出长度）：控制模型回复的最大 token 数，不是输入。

简单问答：100-300 tokens够了
代码生成：500-1000 tokens
文章写作：2000+ tokens
注意：设太大浪费成本，设太小答案截断。建议根据任务预估，留 20% 余量

topP（核采样）：控制采样范围，范围 0-1，默认 1。

和 temperature 功能类似，但机制不同：topP 只从概率最高的前 P% 的 token 中采样
0.1：极端确定，只从最可能的词选
0.9：较开放，从90%的候选词选
建议：temperature 和 topP 调一个就行，别同时调。一般用 temperature 更直观

生产配置示例：

yaml

spring:
  ai:
    openai:
      chat:
        options:
          model: gpt-4o
          temperature: 0.2  # 代码场景用低温度
          max-tokens: 500

【面试题】3. Spring AI 的 QuestionAnswerAdvisor 具体怎么用？检索到的文档如何自动拼到 Prompt 里？

【标准答案】QuestionAnswerAdvisor 是 Spring AI 内置的 RAG Advisor，一行代码就能把向量检索能力挂到 ChatClient 上。

基本用法：

java

@Bean
QuestionAnswerAdvisor qaAdvisor(VectorStore vectorStore) {
    return new QuestionAnswerAdvisor(vectorStore);
}

chatClient.prompt()
    .user("什么是微服务架构？")
    .advisors(qaAdvisor)
    .call();

工作流程：

用户提问发送到 ChatClient
QuestionAnswerAdvisor 拦截请求，把用户问题用 EmbeddingModel 转成向量
调用 VectorStore.similaritySearch() 检索最相关的文档片段
自动把检索结果拼到 Prompt 的上下文区域，格式类似"参考以下内容回答：[文档1][文档2]..."
模型基于增强后的 Prompt 生成回答

关键参数：

topK：检索返回多少条文档，默认 4，建议 3-5 条，太多会撑爆 Token
similarityThreshold：相似度阈值，默认 0.75，低于这个分数的文档不返回
userTextAdvise：自定义提示词模板，可以改"参考以下内容回答"的措辞

踩坑：如果检索不到文档（相似度都低于阈值），Advisor 不会报错，只是不拼上下文，模型纯靠自己的知识回答。建议在 Advisor 后面加一个日志 Advisor，监控检索命中率。

【面试题】4. Spring AI 的 VectorStore 接口有哪些核心方法？add、delete、search 分别怎么用？

【标准答案】VectorStore 接口是 Spring AI 1.0 统一的向量存储抽象，四个核心方法覆盖增删改查：

add（添加向量）：

java

List<Document> docs = List.of(
    new Document("Spring AI是Java生态的AI框架", Map.of("source", "官网")),
    new Document("RAG通过向量检索增强模型回答", Map.of("source", "文档"))
);
vectorStore.add(docs);

入参是 Document 列表，每个 Document 包含 content（文本）、metadata（元数据）、embedding（向量，可自动生成）
Spring AI 会自动调用 EmbeddingModel 生成向量，不需要手动算

delete（删除向量）：

java

vectorStore.delete(List.of("doc-id-1", "doc-id-2"));

按 Document ID 删除，ID 在 add 时自动生成或手动指定
批量删除时，部分失败不影响其他，返回失败的 ID 列表

search（相似度检索）：

java

List<Document> results = vectorStore.similaritySearch(
    SearchRequest.query("什么是RAG")
        .withTopK(5)
        .withSimilarityThreshold(0.7)
);

query 是查询文本，框架自动转向量
topK 返回最相似的 K 条
similarityThreshold 过滤低分结果

query（带过滤条件检索）：

java

SearchRequest request = SearchRequest.query("微服务")
    .withTopK(3)
    .withFilterExpression("source == '官网' && year >= 2024");

支持元数据过滤表达式，类似 SQL WHERE
不同 VectorStore 实现的过滤语法略有差异，PGVector 用 SQL 表达式，Redis 用 RediSearch 语法

实际项目建议：批量 add 时控制每批 100 条以内，避免单次请求太大；delete 后最好验证一下确实删掉了；search 时 topK 别设太大，否则 Token 爆炸。

【面试题】5. Spring AI 的 EmbeddingModel 如何选型？OpenAI vs 本地模型各有什么优劣势？

【标准答案】EmbeddingModel 选型核心看三点：成本、延迟、语言覆盖。

OpenAI text-embedding-3-small：

优势：成本低（每百万 token 仅 $0.02）、延迟低（100-200ms）、多语言支持好、1536 维适中
劣势：国内访问不稳定、数据出境合规问题
适合：海外项目、追求性价比、多语言场景

OpenAI text-embedding-3-large：

优势：维度更高（3072）、语义捕捉更精准
劣势：成本翻倍、存储空间翻倍
适合：对检索精度要求极高的场景

本地模型（Ollama + bge-large-zh）：

优势：完全本地化、零 API 成本、中文效果好、无数据出境问题
劣势：需要 GPU 支撑、部署运维成本、延迟比云端高
适合：国内合规项目、敏感数据场景、有 GPU 资源的团队

智谱 embedding-3：

优势：国产合规、中文效果好、价格便宜
劣势：英文效果一般、API 稳定性略逊于 OpenAI
适合：纯中文场景、国产化替代需求

选型建议：

快速验证阶段：直接用 OpenAI text-embedding-3-small，最省事
生产落地阶段：看合规要求，国内项目用智谱或本地部署，海外用 OpenAI
混合方案：写入用本地模型（成本可控），查询用云端模型（延迟低），但注意必须同一模型才能保证向量空间一致

【面试题】6. Spring AI 如何实现错误处理和重试机制？模型调用失败时怎么优雅降级？

【标准答案】Spring AI 本身没有内置重试，但可以和 Spring Retry 或 Resilience4j 无缝集成。

方案一：Spring Retry：

java

@Retryable(
    value = {ApiException.class, TimeoutException.class},
    maxAttempts = 3,
    backoff = @Backoff(delay = 1000, multiplier = 2)
)
public String callModel(String prompt) {
    return chatClient.prompt().user(prompt).call().content();
}

对 API 调用超时、限流等瞬时错误自动重试
exponential backoff 退避策略，避免瞬间打爆
最多重试 3 次，失败后抛异常

方案二：Resilience4j 熔断降级：

java

CircuitBreaker breaker = CircuitBreaker.ofDefaults("modelCall");
String result = breaker.executeSupplier(() -> 
    chatClient.prompt().user(prompt).call().content()
);

连续失败 N 次后熔断器打开，后续请求直接降级
半开状态下试探性调用，成功则恢复
适合处理模型服务故障、API 额度耗尽等持续性错误

降级策略：

java

@Recover
public String fallback(String prompt, Exception e) {
    // 降级方案1：切备用模型
    return fallbackChatClient.prompt().user(prompt).call().content();
    // 降级方案2：返回预设答案
    return "模型暂时不可用，请稍后重试";
    // 降级方案3：调用本地知识库
    return localKB.search(prompt);
}

常见错误类型处理：

Token 超限：截断历史或简化 Prompt 后重试
Rate Limit：等待退避后重试，或切备用 API Key
模型过载：降级到轻量模型或排队等待
内容违规：返回预设合规提示，不重试

生产建议：ChatClient 调用必须包一层重试/熔断，裸调用一个异常就让整个服务挂掉，代价太大。

【面试题】7. Spring AI 与 Micrometer 监控如何集成？能观测哪些核心指标？

【标准答案】Spring AI 1.0 内置 Micrometer 支持，开箱即用，只需引入依赖和配置暴露端点。

依赖配置：

xml

<dependency>
    <groupId>org.springframework.ai</groupId>
    <artifactId>spring-ai-core</artifactId>
</dependency>
<dependency>
    <groupId>io.micrometer</groupId>
    <artifactId>micrometer-registry-prometheus</artifactId>
</dependency>

核心指标：

ai.chat.token.usage：Token 消耗量，分 input_tokens 和 output_tokens，直接挂钩成本
ai.chat.latency：调用延迟，P50/P95/P99 分位数，监控响应速度
ai.chat.calls：调用次数，分成功/失败统计，计算成功率
ai.chat.errors：错误次数，按错误类型分类（超时、限流、违规等）
ai.vector.store.operations：向量库操作次数，监控 add/search QPS

指标标签：

model：调用的模型名（gpt-4o、claude-3-5-sonnet）
provider：模型提供商（openai、anthropic、ollama）
operation：操作类型（chat、embedding、vector-search）

Grafana 监控面板建议：

Token 成本看板：按 model 分组统计，计算每日成本
响应延迟看板：P95 延迟趋势，设置阈值告警
错误率看板：失败率超过 5% 触发告警
向量库看板：检索命中率、延迟分布

自定义埋点：

java

chatClient.prompt()
    .user(prompt)
    .advisors(new MetricsAdvisor(meterRegistry))
    .call();

在 Advisor 中埋点，记录检索命中率、Advisor 执行耗时等业务指标。

【面试题】8. Spring AI 的 Prompt 模板如何构建？变量注入和模板语法有哪些规范？

【标准答案】Spring AI 提供 PromptTemplate 类处理模板化提示词，支持变量注入和条件逻辑。

基本用法：

java

PromptTemplate template = new PromptTemplate("""
    你是{role}，请用{style}风格回答以下问题：
    
    问题：{question}
    
    要求：
    - 回答长度不超过{maxLength}字
    - 必须包含示例代码
    """);

Prompt prompt = template.create(Map.of(
    "role", "Java架构师",
    "style", "简洁专业",
    "question", "Spring AI怎么实现RAG？",
    "maxLength", "500"
));

chatClient.prompt(prompt).call();

模板语法规范：

变量占位符：{variableName}，双大括号，和 Spring AI 1.0 统一
条件语法：{#if condition}内容{#endif}，支持简单逻辑
循环语法：{#for item in items}{item}{#endfor}，批量注入
默认值：{variable:defaultValue}，变量不存在时用默认值

资源文件加载：

java

PromptTemplate template = new PromptTemplate(
    new ClassPathResource("prompts/qa-template.st")  // StringTemplate 格式
);

模板文件放在 resources/prompts/ 目录
支持外部化，不同环境用不同模板

多模板组合：

java

Prompt systemPrompt = new PromptTemplate("系统指令模板").create(vars);
Prompt userPrompt = new PromptTemplate("用户问题模板").create(vars);
chatClient.prompt()
    .messages(systemPrompt, userPrompt)
    .call();

踩坑点：

变量名别用中文，部分模板引擎解析有问题
模板文件用 UTF-8 编码，中文模板要检查编码
变量注入用 Map.of() 时 key 必须是字符串

【面试题】9. Spring AI 如何实现多模态输出？比如让模型生成图片或语音？

【标准答案】Spring AI 目前对多模态输出的支持还有限，主要依赖各模型厂商的独立 API，需要自行封装。

图片生成（DALL-E）：

java

@Bean
ImageModel imageModel(OpenAiImageModel openAiImageModel) {
    return openAiImageModel;
}

ImageResponse response = imageModel.call(
    new ImagePrompt("画一只可爱的虾", 
        ImageOptionsBuilder.builder()
            .withModel("dall-e-3")
            .withWidth(1024)
            .withHeight(1024)
            .build()
    )
);
String imageUrl = response.getResult().getOutput().getUrl();

OpenAI DALL-E 3 是主流选择
返回图片 URL 或 Base64 数据
也可以用 Stable Diffusion 等开源模型（需 Ollama 代理）

语音输出（TTS）：

java

// Spring AI 暂无内置 TTS 抽象，需直接调 OpenAI API
HttpResponse response = HttpClient.newHttpClient().send(
    HttpRequest.newBuilder()
        .uri(URI.create("https://api.openai.com/v1/audio/speech"))
        .header("Authorization", "Bearer " + apiKey)
        .POST(HttpRequest.BodyPublishers.ofString("""
            {"model":"tts-1","input":"你好","voice":"nova"}
            """))
        .build(),
    HttpResponse.BodyHandlers.ofByteArray()
);
byte[] audioData = response.body();

OpenAI TTS-1 是性价比首选，延迟低
智谱、阿里云也有国产 TTS API
本地部署可用 Edge-TTS、Coqui TTS

多模态流水线示例：

java

// 先让 ChatModel 生成图片描述
String description = chatClient.prompt()
    .user("为'可爱的虾'生成一个图片描述")
    .call().content();

// 再调 DALL-E 生成图片
String imageUrl = imageModel.call(new ImagePrompt(description))
    .getResult().getOutput().getUrl();

// 最后调 TTS 生成语音解释
byte[] audio = ttsService.generate("这张图片展示了...");

未来 Spring AI 会统一多模态输入输出接口，目前需要组合使用。

【面试题】10. 面试情景题：如果面试官问"你在项目中用过 Spring AI 吗？遇到过什么坑？"，怎么回答才能让面试官印象深刻？

【标准答案】这道题是开放型，面试官想听真实项目经验，不是背诵知识点。建议用"项目背景 + 具体问题 + 解决方案 + 最终效果"四段式回答。

参考回答模板：

"我们项目是一个智能客服系统，用 Spring AI 做知识库问答。我负责 RAG 部分的设计和落地。

遇到的坑主要有三个：

第一个是 Token 管理问题。上线后发现长对话经常报 Token 超限错误。排查发现是 ChatMemory 没设 maxMessages，历史消息无限累积。解决方案是在 MessageChatMemoryAdvisor 里配置 maxHistorySize=10，只保留最近 10 轮对话，同时把 SystemMessage 精简到 100 token 以内。效果是 Token 消耗降低了 60%，对话稳定性大幅提升。

第二个是向量检索命中率低。用户问专业问题时，检索出来的文档经常不相关。原因是 TokenTextSplitter 的 chunkSize 设太大（2000），导致检索粒度粗糙。我们把 chunkSize 改成 500、overlap 设 100，同时在元数据里加上文档来源和分类，用 filterExpression 做精准过滤。命中率从 30% 提升到 75%。

第三个是多模型切换的配置混乱。项目同时用 OpenAI 和智谱，配置文件散乱，切换时要改代码。我们做了统一封装，用 RoutingChatModel 根据用户等级路由：VIP 用户走 GPT-4，普通用户走智谱 GLM-4。配置中心化后，切模型只需改一行配置，灰度发布也方便了。

这套方案上线后，客服系统问答准确率从 65% 提升到 85%，每月节省 Token 成本约 2 万，面试官可以看我们的 Grafana 监控面板验证数据。"

回答技巧：

有数据、有对比、有结论，别只说"解决了问题"
提到的坑要具体，别泛泛说"调参困难"
效果用数字量化，面试官会追问细节
准备一个图表或监控截图，视觉冲击力强

本轮题目覆盖：消息类型组合、参数调优实战、QuestionAnswerAdvisor用法、VectorStore API详解、EmbeddingModel选型、错误处理与重试、Micrometer监控集成、Prompt模板构建、多模态输出、面试情景问答。均为新题，不与之前轮次重复。

Spring AI 面试题库 ​

【面试题】1. Spring AI 中 UserMessage、SystemMessage、AssistantMessage 三种消息类型有什么区别？实际项目中怎么组合使用？ ​

【面试题】2. Spring AI 调用大模型时，temperature、maxTokens、topP 这些参数怎么调？什么场景用什么值？ ​

【面试题】3. Spring AI 的 QuestionAnswerAdvisor 具体怎么用？检索到的文档如何自动拼到 Prompt 里？ ​

【面试题】4. Spring AI 的 VectorStore 接口有哪些核心方法？add、delete、search 分别怎么用？ ​

【面试题】5. Spring AI 的 EmbeddingModel 如何选型？OpenAI vs 本地模型各有什么优劣势？ ​

【面试题】6. Spring AI 如何实现错误处理和重试机制？模型调用失败时怎么优雅降级？ ​

【面试题】7. Spring AI 与 Micrometer 监控如何集成？能观测哪些核心指标？ ​

【面试题】8. Spring AI 的 Prompt 模板如何构建？变量注入和模板语法有哪些规范？ ​

【面试题】9. Spring AI 如何实现多模态输出？比如让模型生成图片或语音？ ​

【面试题】10. 面试情景题：如果面试官问"你在项目中用过 Spring AI 吗？遇到过什么坑？"，怎么回答才能让面试官印象深刻？ ​

Spring AI 面试题库

【面试题】1. Spring AI 中 UserMessage、SystemMessage、AssistantMessage 三种消息类型有什么区别？实际项目中怎么组合使用？

【面试题】2. Spring AI 调用大模型时，temperature、maxTokens、topP 这些参数怎么调？什么场景用什么值？

【面试题】3. Spring AI 的 QuestionAnswerAdvisor 具体怎么用？检索到的文档如何自动拼到 Prompt 里？

【面试题】4. Spring AI 的 VectorStore 接口有哪些核心方法？add、delete、search 分别怎么用？

【面试题】5. Spring AI 的 EmbeddingModel 如何选型？OpenAI vs 本地模型各有什么优劣势？

【面试题】6. Spring AI 如何实现错误处理和重试机制？模型调用失败时怎么优雅降级？

【面试题】7. Spring AI 与 Micrometer 监控如何集成？能观测哪些核心指标？

【面试题】8. Spring AI 的 Prompt 模板如何构建？变量注入和模板语法有哪些规范？

【面试题】9. Spring AI 如何实现多模态输出？比如让模型生成图片或语音？

【面试题】10. 面试情景题：如果面试官问"你在项目中用过 Spring AI 吗？遇到过什么坑？"，怎么回答才能让面试官印象深刻？