本轮 Spring AI 面试题库（带答案）

【面试题】1. Spring AI 的 Prompt 抽象层如何支持多轮对话的消息编排？Prompt 类和 Message 列表有什么区别？

【标准答案】Spring AI 有两种构建输入的方式：一是用 Prompt 类，它内部持有一个 Message 列表，可以一次性塞入 SystemMessage、UserMessage、AssistantMessage 组合；二是直接用 ChatClient 的 Fluent API 逐条链式拼接消息。区别在于：Prompt 是"一次性组装"模式，适合模板化场景，比如用 PromptTemplate 渲染变量后生成完整 Prompt；而 Message 列表是"灵活拼接"模式，适合需要动态增删消息的多轮对话场景。实际项目中，简单问答用 ChatClient.prompt().user().call()，复杂多轮用 Prompt + Message 列表手动编排，配合 ChatMemory 做上下文管理。面试时强调：Prompt 是静态组装，Message 列表是动态编排，两者本质都是给 ChatModel 提供 Messages 输入。

【面试题】2. Spring AI 中 VectorStore 的元数据（Metadata）过滤有什么实际用途？怎么在 similaritySearch 中加过滤条件？

【标准答案】元数据过滤是 RAG 精准检索的关键能力。每个 Document 存入 VectorStore 时可以带 metadata（比如文档来源、创建时间、分类标签、部门等），检索时用 Filter.ExpressionBuilder 构建过滤表达式，只返回符合条件的文档。比如：检索公司知识库时加 category == "财务" 过滤，只搜财务相关文档；或者加 date >= "2024-01-01" 只搜最新资料。代码上用 similaritySearch(SearchRequest.builder().query("问题").topK(5).filterExpression(builder.eq("category", "财务")).build())。面试重点：不加元数据过滤的 RAG 就是"大海捞针"，加了就是"精准钓鱼"。生产环境必须用元数据过滤，否则召回一堆无关文档，既浪费 Token 又降低回答质量。

【面试题】3. Spring AI 的 @Bean 注册 Function 时，函数名和描述信息是怎么传递给大模型的？函数签名有什么要求？

【标准答案】Spring AI 通过 @Bean 注册的函数，框架会自动做三件事：① 解析函数名（Bean 名字就是 tool name）；② 从函数签名提取参数类型和名称，自动生成 JSON Schema；③ 把工具描述（通过 @Description 注解或 Bean 定义时的 description 字段）一起打包发给模型。函数签名要求：参数必须是普通 Java 对象（POJO），字段类型用基本类型 + String + List + 嵌套对象，避免用 Map、Object 等模糊类型（Schema 生成会出问题）。返回值可以是任意类型，框架会序列化为 JSON。面试时说清楚：函数名=Bean 名，参数=JSON Schema 的 properties，@Description=tool description，三者缺一不可。复杂参数建议单独定义 Request DTO 类，别用 Map。

【面试题】4. Spring AI 中如何用 Advisor 实现请求/响应的拦截和增强？能举个例子吗？

【标准答案】Advisor 是 Spring AI 1.0 引入的核心拦截机制，类似 Spring MVC 的 Interceptor，但作用于 AI 调用链。实现方式：定义一个类实现 CallAroundAdvisor（同步）或 StreamAroundAdvisor（流式），在 aroundCall 方法中可以：① 在调用前修改 Prompt（比如注入系统指令、加安全检查）；② 在调用后修改响应（比如日志记录、敏感词过滤）；③ 决定是否继续调用链（advisorChain.nextAroundCall）。实际例子：比如做个日志 Advisor，在 aroundCall 前后打印请求和响应；做个安全 Advisor，检查用户输入是否包含敏感内容，有就拦截不调用模型；做个缓存 Advisor，相同问题直接返回缓存结果。注册方式：ChatClient.builder().defaultAdvisors(myAdvisor)。面试强调：Advisor 是 Spring AI 的"中间件"，所有横切关注点（日志、缓存、安全、限流）都应该用 Advisor 实现，别在业务代码里硬编码。

【面试题】5. Spring AI 对接 Ollama 本地模型时，有哪些关键配置和注意事项？

【标准答案】对接 Ollama 核心配置：① 添加 spring-ai-ollama-spring-boot-starter 依赖；② 配置 spring.ai.ollama.base-url=http://localhost:11434；③ 配置 spring.ai.ollama.chat.model=llama3（或其他已拉取的模型名）；④ 可选配置 spring.ai.ollama.chat.options.temperature、top-p 等参数。注意事项：① Ollama 必须先 ollama pull llama3 拉取模型，否则调用报错；② Ollama 默认不支持 Function Calling（只有部分模型如 llama3.1 支持），项目如果强依赖工具调用要注意兼容性；③ 本地模型性能取决于硬件，Mac M系列芯片效果不错，但 Windows 无 GPU 环境下推理速度可能很慢；④ Embedding 模型需要单独配置 spring.ai.ollama.embedding.model=nomic-embed-text。面试亮点：说"我项目开发环境用 Ollama 跑本地模型省 API 费用，生产切 OpenAI/国产模型"，体现成本意识。

【面试题】6. Spring AI 的 Structured Output 中，entity() 方法映射 POJO 有什么限制？嵌套对象和枚举怎么处理？

【标准答案】entity() 方法底层调用 BeanOutputConverter，自动根据 POJO 类生成 JSON Schema，然后要求模型按 Schema 输出 JSON，最后反序列化为 Java 对象。限制和注意点：① 嵌套对象可以用，但层级不要太深（3层以上模型容易出错），每个嵌套类也要有清晰的字段描述；② 枚举类型支持，框架会生成 enum 的可选值列表放入 Schema，但模型有时会输出不在枚举里的值，建议加 @JsonProperty + 默认值兜底；③ 集合类型 List<XXX> 支持，但 List 内的对象类型必须明确，不能用 List<Object>；④ 日期类型建议用 String 接收再手动转换，直接用 LocalDate 模型经常格式不对；⑤ 字段加 @JsonProperty 和 @JsonPropertyDescription 注解，帮模型理解每个字段的含义，输出更准确。面试核心：entity() 看着简单，但 POJO 设计直接决定成功率——字段描述要清楚、类型要明确、枚举要兜底。

【面试题】7. Spring AI 1.0 中 ChatClient 的 Fluent API 有哪些常用链式方法？和旧版 Prompt 方式对比有什么优势？

【标准答案】ChatClient Fluent API 核心链式方法：① .prompt() — 创建 Prompt 构建器；② .user("问题") — 设置用户消息；③ .system("系统指令") — 设置系统消息；④ .advisors(advisor) — 注册 Advisor；⑤ .functions("tool1", "tool2") — 绑定工具函数；⑥ .call() — 同步调用；⑦ .stream() — 流式调用；⑧ .entity(MyDTO.class) — 直接返回结构化对象；⑨ .content() — 获取纯文本响应。和旧版 Prompt 方式对比的优势：① 代码更简洁，一行链式调用搞定，不用手动 new Prompt + 组装 Message；② Advisor 和 Function 绑定更自然，不用在 Prompt 里处理；③ entity() 直接映射 POJO，不用手动反序列化；④ 支持默认配置（defaultSystem、defaultAdvisors），避免重复设置。面试要点：Fluent API 是声明式编程，Prompt 是命令式编程，前者更符合 Spring 风格，生产优先用 ChatClient。

【面试题】8. Spring AI 做 RAG 时，文档加载器（DocumentReader）有哪些？PDF/Word/HTML 各用什么加载？

【标准答案】Spring AI 提供多种 DocumentReader：① PagePdfDocumentReader — 加载 PDF，基于 Apache PDFBox，支持按页切分；② JsonReader — 加载 JSON 数据，支持指定提取字段；③ TextReader — 加载纯文本文件；④ MarkdownDocumentReader — 加载 Markdown，保留标题结构作为元数据；⑤ HtmlDocumentReader — 加载 HTML，自动去除标签提取正文；⑥ DocxDocumentReader — 加载 Word 文档；⑦ TikaDocumentReader — 通用加载器，基于 Apache Tika，支持几乎所有格式（PDF/Word/Excel/PPT/HTML 等）。选型建议：单一格式用专用 Reader（如只处理 PDF 就用 PagePdfDocumentReader，控制更精细）；多格式混合场景用 TikaDocumentReader 一把梭。所有 Reader 加载后都返回 List<Document>，接着用 TokenTextSplitter 切分，再写入 VectorStore。面试加分：提到 Tika 是万金油但解析质量不如专用 Reader，精度要求高的场景优先专用 Reader。

【面试题】9. Spring AI 的 ChatMemory 在多用户并发场景下怎么隔离？每个用户的对话历史怎么管理？

【标准答案】ChatMemory 的核心概念是 conversationId——每个对话用唯一的 conversationId 标识，底层 InMemoryChatMemory 就是一个 Map<conversationId, List<Message>> 的结构。多用户隔离的方式：① 每个用户用独立的 conversationId（比如 user:{userId}:session:{sessionId}），这样不同用户的对话历史天然隔离；② MessageChatMemoryAdvisor 在调用时传入 conversationId，框架自动从 ChatMemory 取对应对话的上下文消息；③ 如果用 InMemoryChatMemory，要注意内存泄漏——用户量大时需要定期清理过期会话（设置 TTL 或定时任务清理）。生产环境方案：用 Redis 或数据库实现 ChatMemory 接口，conversationId 作为 key，对话历史序列化存入，天然支持 TTL 过期和持久化。面试关键：ChatMemory 隔离靠 conversationId，不是靠线程或请求，设计 conversationId 的命名规范是生产化的第一步。

【面试题】10. Spring AI 的 MCP（Model Context Protocol）支持是什么？和 Agent 编排有什么关系？

【标准答案】MCP 是 Anthropic 提出的标准化协议，让 AI 应用能以统一方式连接外部工具和数据源。Spring AI 对 MCP 的支持体现在：① 可以作为 MCP Client 连接任何 MCP Server，把 MCP Server 暴露的 tools 和 resources 自动映射为 Spring AI 的 Function；② 也可以作为 MCP Server 把自己的 Function 暴露给其他 MCP Client 调用。和 Agent 编排的关系：MCP 解决的是"工具发现和调用"的标准化问题——在多 Agent 系统中，每个 Agent 可能需要不同的工具集，MCP 让工具注册和发现变成协议级能力，不需要硬编码。比如 Agent A 擅长搜索，Agent B 擅长数据库查询，它们通过 MCP 协议互相发现对方的能力并协作。面试说清楚：MCP 是工具层的"USB 协议"，Function Calling 是具体的"USB 设备驱动"，前者管发现和连接，后者管执行。Spring AI 的 MCP 支持让 Agent 编排从硬编码走向即插即用。