工作知识库

本轮 Spring AI 面试题库（带答案）

【面试题】1. Spring AI 的 Prompt 模板引擎如何使用？变量注入有哪些语法规则？

【标准答案】Spring AI 的 Prompt 模板基于 StringTemplate 引擎，支持两种变量语法：

｛｛变量名｝｝：标准占位符，自动从 Map 或对象属性注入
{变量名}：简化语法，适合快速原型

核心用法分三步：

java

// 1. 创建模板
PromptTemplate template = new PromptTemplate("你好{{name}}，今天是{{date}}");

// 2. 准备数据
Map<String, Object> params = Map.of("name", "张三", "date", "周一");

// 3. 渲染生成 Prompt
Prompt prompt = template.render(params);

实际项目中的最佳实践：

模板内容建议放在外部文件（如 prompts/xxx.st），便于运维调整
复杂模板支持条件判断、循环等语法，避免在代码里拼接
变量名要有业务含义，团队统一规范

面试加分点：提到 Prompt 模板和传统模板引擎（如 Thymeleaf）的区别——Prompt 模板专注于 LLM 场景，支持 Token 计数优化，避免无意义的格式字符浪费 Token。

【面试题】2. Spring AI 的 EmbeddingModel 如何选择？OpenAI 和本地模型各有什么优劣势？

【标准答案】EmbeddingModel 选型核心看三个维度：质量、成本、延迟。

OpenAI text-embedding-3 系列优势：

质量稳定，在 MTEB 榜单上排名靠前
支持维度缩减（从 1536 压缩到 256/512），节省向量库存储
文档丰富，社区成熟

本地模型（如 Ollama + nomic-embed-text）优势：

零成本调用，不依赖外网
数据不出域，适合敏感场景
延迟可控，适合实时性要求高的场景

劣势对比：

OpenAI：调用有成本（虽然 Embedding 比 Chat 便宜），国内网络不稳定需要代理
本地模型：质量参差不齐，需要自己测评，部分模型中文效果一般

实际项目中的建议：

POC 阶段：直接用 OpenAI，快速验证
生产环境：敏感数据走本地，非敏感数据可以 OpenAI
成本敏感场景：先小规模测试本地模型质量，达标就切

Spring AI 切换只需要改配置：

yaml

spring:
  ai:
    openai:
      embedding:
        model: text-embedding-3-small
# 或
    ollama:
      embedding:
        model: nomic-embed-text

【面试题】3. Spring AI 的 VectorStore.similaritySearch() 支持哪些过滤条件？如何结合元数据做精准检索？

【标准答案】similaritySearch 方法除了向量相似度，还支持元数据过滤，这是实际项目中非常关键的能力。

核心用法：

java

List<Document> results = vectorStore.similaritySearch(
    SearchRequest.query("用户问题")
        .withTopK(5)
        .withSimilarityThreshold(0.7)
        .withFilterExpression("category == 'tech' && year >= 2024")
);

过滤表达式支持的语法：

比较操作：==, !=, >, <, >=, <=
逻辑操作：&&, ||, !
集合操作：in ['a', 'b'], not in ['c']
字符串：contains 'keyword', startsWith 'prefix'

典型应用场景：

权限控制：department == 'sales' && level <= 3
时效性：publishDate >= '2024-01-01'
多租户：tenantId == 'xxx'

面试加分点：强调元数据设计的重要性——索引文档时要规划好元数据字段，检索时才能精准过滤，避免海量向量库全表扫描影响性能。

【面试题】4. Spring AI 的流式响应（Streaming）如何实现？SSE 接口对接有哪些注意事项？

【标准答案】Spring AI 的 Streaming 响应基于 Flux 响应式流，底层对接各模型厂商的 SSE 协议。

核心代码：

java

@GetMapping(value = "/chat/stream", produces = MediaType.TEXT_EVENT_STREAM_VALUE)
public Flux<String> chatStream(@RequestParam String question) {
    return chatClient.prompt()
        .user(question)
        .stream()
        .content();
}

前端对接 SSE 的关键点：

使用 EventSource 或 fetch + ReadableStream
正确处理 data: 前缀和 \n\n 分隔符
处理 [DONE] 结束标记
网络断线要有重连机制

生产环境的坑：

Nginx 默认会缓冲 SSE 响应，需要配置 proxy_buffering off
流式响应的超时时间要设置长一些，避免中途断开
Token 计数在流式场景下要累加，不能只算最后一个 chunk

面试加分点：提到 Spring AI 的 stream() 和同步 call() 可以共享同一个 ChatClient 实例，切换成本低。还可以提一下 Flux 的背压（backpressure）机制，在高并发场景下避免客户端消费不过来。

【面试题】5. Spring AI 如何实现对话上下文的 Token 限制？避免历史消息撑爆上下文窗口？

【标准答案】这是 ChatMemory 的核心痛点——历史消息越多，Token 消耗越大，成本越高，还可能超出模型上下文窗口限制。

Spring AI 的解决方案有两种：

方案一：MessageChatMemoryAdvisor 的滑动窗口

java

ChatClient client = ChatClient.builder(chatModel)
    .defaultAdvisors(new MessageChatMemoryAdvisor(chatMemory, 10)) // 只保留最近10条
    .build();

优点：简单，框架自动裁剪
缺点：粗暴截断，可能丢失重要上下

方案二：自定义摘要策略

将历史对话定期摘要压缩
摘要结果作为 System Message 注入
保留关键实体和决策信息

实际项目的推荐做法：

根据模型窗口设置合理上限（GPT-4 可以上浮到 20-30 条）
重要信息（如用户明确的指令）提取后单独存储
使用 TokenTextSplitter 计算 Token 数，动态调整保留条数
摘要策略作为备选，长期对话场景必上

面试加分点：提到 countTokens() 方法可以精确计算 Token 数，不同模型的 Tokenizer 不同，Spring AI 会自动选择对应模型的计数器。

【面试题】6. Spring AI 如何处理模型调用的失败重试和降级？

【标准答案】生产环境模型调用不稳定是常态，Spring AI 需要配合 Spring Retry 或自定义重试逻辑。

方案一：Spring Retry 注解

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();
}

方案二：多模型降级

java

@Recover
public String fallback(Exception e, String prompt) {
    // 主模型失败，切换到备用模型
    return fallbackChatClient.prompt().user(prompt).call().content();
}

实际项目的最佳实践：

超时设置：spring.ai.openai.chat.options.timeout=30s
降级策略：OpenAI 主 -> 通义/智谱备 -> 本地 Ollama 兜底
熔断：配合 Resilience4j，连续失败超过阈值后直接返回兜底答案
监控告警：失败率超过 5% 触发告警

面试加分点：提到函数调用（Function Calling）失败的重试策略——需要幂等设计，避免重复执行产生副作用。还可以提一下流式响应的重试更复杂，需要记录已返回的 Token 位置。

【面试题】7. Spring AI 如何实现文档的增量更新？VectorStore 的 add/delete 操作有什么注意事项？

【标准答案】RAG 系统中文档会持续更新，增量同步是核心能力。

增量更新的标准流程：

java

// 1. 生成文档唯一 ID（业务语义）
String docId = "doc_" + documentHash; // 基于 URL 或 内容 hash

// 2. 先删除旧版本
vectorStore.delete(List.of(docId));

// 3. 添加新版本
Document newDoc = new Document(docId, content, metadata);
vectorStore.add(List.of(newDoc));

注意事项：

ID 设计：要用业务语义 ID，不要用随机 UUID，否则无法精准删除
删除再添加：VectorStore 一般不支持原地更新，先删后加是最稳的做法
批量操作：大量文档更新时分批处理，避免一次操作超时
元数据同步：更新内容时同步更新元数据（如 updateTime、version）

分布式场景的坑：

多实例并发更新同一文档要用分布式锁
向量库主从同步有延迟，更新后立即查询可能查不到旧数据

面试加分点：提到文档变更检测——可以用文件的 lastModified 或内容 hash 判断是否需要更新，避免全量同步浪费资源。

【面试题】8. Spring AI 如何与 Spring Security 集成？用户身份如何传递到 AI 调用链？

【标准答案】Spring AI 作为 AI 中间件，需要和业务系统的安全体系打通。

核心集成点：

API Key 管理

java

@Configuration
public class AiSecurityConfig {
    @Bean
    public ChatClient securedChatClient(ChatModel chatModel) {
        return ChatClient.builder(chatModel)
            .defaultAdvisors(new ApiKeyAuditAdvisor()) // 记录 API Key 使用
            .build();
    }
}

用户身份传递

通过 Advisor 在 Prompt 中注入用户信息

java

public class UserContextAdvisor implements RequestResponseAdvisor {
    @Override
    public AdvisedRequest adviseRequest(AdvisedRequest request, Map<String, Object> context) {
        String userId = SecurityContextHolder.getContext().getAuthentication().getName();
        String enhancedPrompt = request.userText() + "\n\n[当前用户: " + userId + "]";
        return AdvisedRequest.from(request).withUserText(enhancedPrompt).build();
    }
}

权限校验

Function Calling 的函数执行前校验权限
向量库检索时按用户 ID 过滤

生产环境的最佳实践：

API Key 不要硬编码，用 Spring Cloud Config 或 Vault 管理
敏感操作（如调用外部 API）记录审计日志
多租户场景下，租户隔离要在 Advisor 层面强制注入

面试加分点：提到 Function Calling 的安全风险——LLM 可能被诱导调用恶意函数，需要在函数层做权限校验，不能只依赖 Prompt 约束。

【面试题】9. Spring AI 的 QuestionAnswerAdvisor 和传统 RAG 实现有什么区别？什么场景用哪个？

【标准答案】这是 Spring AI 1.0 引入的高级封装，简化了 RAG 的样板代码。

传统 RAG 实现步骤：

java

// 1. 切分文档
List<Document> chunks = textSplitter.split(document);

// 2. 生成 Embedding
List<float[]> embeddings = embeddingModel.embed(chunks);

// 3. 存入向量库
vectorStore.add(chunks);

// 4. 检索
List<Document> retrieved = vectorStore.similaritySearch(query);

// 5. 拼接 Prompt
String prompt = "根据以下文档回答问题：\n" + 
    retrieved.stream().map(Document::getContent).collect(Collectors.joining("\n")) +
    "\n\n问题：" + query;

// 6. 调用模型
String answer = chatClient.prompt().user(prompt).call().content();

QuestionAnswerAdvisor 简化后：

java

ChatClient client = ChatClient.builder(chatModel)
    .defaultAdvisors(new QuestionAnswerAdvisor(vectorStore))
    .build();

String answer = client.prompt()
    .user(question)
    .call()
    .content();

适用场景：

QuestionAnswerAdvisor：标准 RAG 场景，快速落地，代码简洁
传统实现：需要自定义检索逻辑、复杂过滤、多向量库融合等场景

面试加分点：提到 QuestionAnswerAdvisor 内部也是调用 similaritySearch，可以传入自定义参数覆盖默认行为。还可以提一下它的 Prompt 模板可以自定义，适应不同业务场景。

【面试题】10. Spring AI 项目如何做单元测试和集成测试？Mock 大模型调用有哪些策略？

【标准答案】AI 项目测试的核心挑战：大模型输出不确定、调用有成本。

方案一：Mock ChatModel

java

@MockBean
private ChatModel chatModel;

@Test
void testChatFlow() {
    // Mock 固定返回
    when(chatModel.call(any(Prompt.class)))
        .thenReturn(new ChatResponse("这是测试响应"));
    
    String result = chatService.chat("测试问题");
    assertThat(result).contains("测试");
}

方案二：使用本地模型测试

java

@SpringBootTest
@TestPropertySource(properties = {
    "spring.ai.ollama.base-url=http://localhost:11434",
    "spring.ai.ollama.chat.model=llama3"
})
class IntegrationTest {
    // 使用 Ollama 本地模型做集成测试
}

方案三：快照测试（Snapshot Testing）

记录真实模型输出作为 golden master
后续改动对比快照，检测意外变化
适合检测 Prompt 调整的影响

测试分层的最佳实践：

单元测试：Mock 所有外部依赖，测业务逻辑
集成测试：用本地模型或 Mock，测流程串联
E2E 测试：用真实模型，测关键路径，频率控制在每日/每周

面试加分点：提到 Spring AI 的 TestChatModel 工具类，可以快速构造测试用的 ChatModel 实例。还可以提一下 Function Calling 的测试策略——单独测试函数逻辑，Mock LLM 调用，避免真实调用模型。

【面试题】1. Spring AI 的 Prompt 模板引擎如何使用？变量注入有哪些语法规则？ ​

【面试题】2. Spring AI 的 EmbeddingModel 如何选择？OpenAI 和本地模型各有什么优劣势？ ​

【面试题】3. Spring AI 的 VectorStore.similaritySearch() 支持哪些过滤条件？如何结合元数据做精准检索？ ​

【面试题】4. Spring AI 的流式响应（Streaming）如何实现？SSE 接口对接有哪些注意事项？ ​

【面试题】5. Spring AI 如何实现对话上下文的 Token 限制？避免历史消息撑爆上下文窗口？ ​

【面试题】6. Spring AI 如何处理模型调用的失败重试和降级？ ​

【面试题】7. Spring AI 如何实现文档的增量更新？VectorStore 的 add/delete 操作有什么注意事项？ ​

【面试题】8. Spring AI 如何与 Spring Security 集成？用户身份如何传递到 AI 调用链？ ​

【面试题】9. Spring AI 的 QuestionAnswerAdvisor 和传统 RAG 实现有什么区别？什么场景用哪个？ ​

【面试题】10. Spring AI 项目如何做单元测试和集成测试？Mock 大模型调用有哪些策略？ ​

【面试题】1. Spring AI 的 Prompt 模板引擎如何使用？变量注入有哪些语法规则？

【面试题】2. Spring AI 的 EmbeddingModel 如何选择？OpenAI 和本地模型各有什么优劣势？

【面试题】3. Spring AI 的 VectorStore.similaritySearch() 支持哪些过滤条件？如何结合元数据做精准检索？

【面试题】4. Spring AI 的流式响应（Streaming）如何实现？SSE 接口对接有哪些注意事项？

【面试题】5. Spring AI 如何实现对话上下文的 Token 限制？避免历史消息撑爆上下文窗口？

【面试题】6. Spring AI 如何处理模型调用的失败重试和降级？

【面试题】7. Spring AI 如何实现文档的增量更新？VectorStore 的 add/delete 操作有什么注意事项？

【面试题】8. Spring AI 如何与 Spring Security 集成？用户身份如何传递到 AI 调用链？

【面试题】9. Spring AI 的 QuestionAnswerAdvisor 和传统 RAG 实现有什么区别？什么场景用哪个？

【面试题】10. Spring AI 项目如何做单元测试和集成测试？Mock 大模型调用有哪些策略？