工作知识库

Appearance

Spring AI 面试题库 ​

生成时间：2026-05-21 21:51

【面试题】1. Spring AI 中 ChatClient 和 ChatModel 的区别是什么？实际项目中用哪个？ ​

【标准答案】ChatModel 是底层模型抽象接口，直接接收 Prompt 返回 ChatResponse，偏向"裸调用"。ChatClient 是 Spring AI 1.0 推出的统一高级入口，基于 Fluent API 链式调用，内置了 Advisor 拦截机制、对话记忆、结构化输出等能力。实际项目优先用 ChatClient，因为它把通用横切逻辑（记忆、RAG、日志）都通过 Advisor 统一编排了，代码更简洁、可维护性更高。只有在需要极细粒度控制模型参数或自定义响应解析时，才直接用 ChatModel。

【面试题】2. Spring AI 的 Advisor 机制怎么理解？和 Spring MVC 的拦截器有什么异同？ ​

【标准答案】Advisor 是 Spring AI 中的请求/响应拦截器，可以在调用模型前后插入逻辑，比如加系统提示、记录日志、增强检索。它分 CallAdvisor（同步）和 StreamAdvisor（流式）两种。和 Spring MVC 拦截器思路一致——都是链式处理、前后增强——但作用域不同：Advisor 作用在 ChatClient 调用链上，处理的是 Prompt 和 ChatResponse；MVC 拦截器作用在 HTTP 请求链上。实际开发中，对话记忆（MessageChatMemoryAdvisor）、RAG 增强（QuestionAnswerAdvisor）都是通过 Advisor 实现的，不需要入侵业务代码。

【面试题】3. RAG 流程中 TokenTextSplitter 的 chunkSize 和 overlap 怎么调？调错了会有什么问题？ ​

【标准答案】chunkSize 控制每段文本的 token 上限，overlap 控制相邻段的重叠量。经验值：chunkSize 500-1000、overlap 50-100 比较常用。chunkSize 太大→检索精度下降，一段包含太多无关信息，embedding 被稀释；chunkSize 太小→语义不完整，检索到的片段缺少上下文。overlap 太小→跨段信息丢失；overlap 太大→存储冗余、检索重复。实际做法：先用默认值跑 baseline，再根据召回率和回答质量微调。生产环境建议做 A/B 对比，不能拍脑袋。

【面试题】4. Spring AI 对接多个大模型（OpenAI + 智谱 + Ollama）时，如何实现动态切换？ ​

【标准答案】两种主流方案：第一种，利用 spring.ai.* 配置前缀，每种模型配独立的 ChatModel Bean，通过 @Qualifier 注入选择；第二种，自定义路由 ChatModel，内部维护模型映射表，根据请求参数（如用户选择、任务类型、成本预算）动态分发到目标 ChatModel。生产推荐第二种，结合配置中心（Nacos/Apollo）实现运行时热切换。关键点：不同模型的参数名和响应格式可能有差异，建议在路由层做统一适配，业务层只依赖 ChatClient 通用 API，不绑定具体实现。

【面试题】5. Function Calling 中 @Bean 注册的函数，Spring AI 是怎么让大模型"知道"并调用的？ ​

【标准答案】核心流程三步：第一，用 @Bean 注册一个 java.util.Function 类型的 Bean，Spring AI 自动扫描；第二，调用时通过 ChatClient 的 .functions("beanName") 声明可用函数，Spring AI 自动根据函数签名+参数类型生成 JSON Schema，作为 tool 定义拼入请求发给模型；第三，模型返回 tool_call 时，Spring AI 自动反序列化参数、执行对应函数、将结果回填到对话上下文再次调用模型。整个过程开发者只需写函数+注册 Bean，Schema 生成和调度编排由框架完成。注意：函数参数类型要简单清晰，复杂嵌套对象可能导致 Schema 生成不准确。

【面试题】6. Structured Output 用 BeanOutputConverter 时有哪些常见坑？怎么避免？ ​

【标准答案】常见坑有三个：一是 POJO 字段名和模型输出不匹配，模型可能用中文 key 或不同命名风格，解决方式是加 @JsonProperty 显式映射；二是模型输出不是纯 JSON，可能带 markdown 代码块包裹，BeanOutputConverter 内部有 strip 逻辑但偶尔翻车，建议自己加一层 clean；三是 Schema 约束太松，模型自由发挥导致字段缺失或类型错误，解决方式是用 @NotNull、枚举类型、description 提示来收紧约束。生产建议：entity() 映射失败时加 fallback 逻辑，不要让整个流程直接异常。

【面试题】7. ChatMemory 的 InMemoryChatMemory 能上生产吗？生产环境怎么持久化？ ​

【标准答案】InMemoryChatMemory 只适合开发和测试，重启即丢失，多实例部署无法共享，绝对不能直接上生产。持久化方案三种：一是基于数据库（MySQL/PostgreSQL）自建实现 ChatMemory 接口，按 conversationId 存取消息列表；二是用 Redis 存储，利用 TTL 自动过期旧对话，性能好、天然支持分布式；三是结合 Spring Data 抽象，用 JPA 或 Redis Template 实现统一接口。关键设计点：消息要按角色分存储、支持按时间/条数截断避免 token 溢出、高并发下注意读写一致性。推荐 Redis + 定期落库的混合方案。

【面试题】8. VectorStore 选型怎么决策？PGVector、Redis、Milvus 各适合什么场景？ ​

【标准答案】选型看三个维度：数据规模、查询性能、运维成本。PGVector 适合已有 PG 基础设施的中等规模场景（百万级向量），零额外运维，但性能上限有限；Redis 适合高并发低延迟场景，利用现有 Redis 集群，但向量检索精度和高级过滤不如专业向量库；Milvus 适合大规模（亿级）生产场景，支持 GPU 加速、多种索引类型、水平扩展，但运维复杂度高。Pinecone 是全托管方案，适合不想运维的团队，但数据出境合规要考虑。我的建议：起步用 PGVector，量级起来后迁移 Milvus，Redis 做缓存层加速热查询。

【面试题】9. Spring AI 在微服务架构下，API Key 和限流熔断怎么做？ ​

【标准答案】API Key 管理：不要硬编码在配置文件里，用 Vault 或配置中心加密存储，通过 spring.ai.openai.api-key 等属性外部化注入，多 Key 时做轮询池避免单 Key 限频。限流：模型侧用 Resilience4j 或 Sentinel 做限流熔断，设置 QPS 上限和超时时间；向量库侧也要限流，高并发 similaritySearch 可能打爆数据库。熔断：模型调用超时或异常率超阈值时自动降级，可切换到备用模型或返回缓存结果。监控：通过 Micrometer + Prometheus 采集 ChatClient 调用延迟、token 消耗、错误率等指标，Grafana 告警。核心原则：大模型调用是昂贵且不稳定的 IO 操作，必须当分布式服务来治理。

【面试题】10. Spring AI 的 MCP 支持是什么？和 Function Calling 有什么关系？ ​

【标准答案】MCP（Model Context Protocol）是 Anthropic 提出的开放协议，定义了模型与外部工具/数据源之间的标准化通信规范。Spring AI 从 1.0 开始支持 MCP，允许通过 MCP Server 注册工具，ChatClient 自动发现和调用，无需手动 @Bean 注册。和 Function Calling 的关系：Function Calling 是模型厂商的能力（让模型输出 tool_call），MCP 是工具注册和调度的协议层。简单说，Function Calling 解决"模型怎么表达要调工具"，MCP 解决"工具怎么被发现和执行"。Spring AI 同时支持两种：传统 @Bean 方式走 Function Calling 内部调度，MCP 方式走协议标准对接。未来趋势是 MCP 统一工具生态，一次注册多模型复用。