Spring AI 面试题库
生成时间：2026-05-21 22:04
本轮 Spring AI 面试题库（带答案）
【面试题】1. Spring AI 的 ChatClient 和直接用 ChatModel 有什么区别？为什么要推出 ChatClient？
【标准答案】 ChatModel 是底层抽象，只负责发送 Prompt 拿到 Response，是"裸调用"。ChatClient 是 Spring AI 1.0 推出的高层统一入口，它做了三件事： 第一，Fluent API 链式调用，代码更清晰，比如 chatClient.prompt().user("xxx").call().content()。 第二，内置 Advisor 机制，可以把对话记忆、RAG 检索、日志追踪等能力以拦截器方式插进去，不用每次手动拼。 第三，统一了同步和流式响应的调用方式，call() 是同步，stream() 是流式。
面试可以说："我们项目用 ChatClient 作为统一入口，对话记忆、RAG 增强都是通过 Advisor 配进去的，代码解耦，维护方便。"
【面试题】2. RAG 流程中 TokenTextSplitter 有什么作用？切分粒度怎么选？
【标准答案】 TokenTextSplitter 的作用是把长文档切成固定大小的文本块，因为大模型单次调用有 token 限制，向量检索也需要粒度合适的片段。
切分粒度选择原则：
- 太大（比如 2000 token）：检索不精准，可能带进很多无关内容
- 太小（比如 100 token）：语义被截断，"这个项目由三个模块组成"可能被切成三段，检索时只见树木不见森林
实战建议：一般用 300-500 token，配合 50-100 token 的重叠区（overlap），确保跨块的语义不会完全丢失。我们项目用的是 400 token + 80 overlap。
另外要提一点：切分时最好按段落、章节边界切，而不是硬切，这样语义更完整。
【面试题】3. Spring AI 的 Advisor 机制是什么？能解决哪些问题？
【标准答案】 Advisor 是 Spring AI 1.0 引入的拦截器架构，类似 Spring MVC 的 HandlerInterceptor 或 AOP，但它作用在 ChatClient 调用链路上。
核心解决的问题： 第一，对话记忆：MessageChatMemoryAdvisor 在请求前自动注入历史消息，响应后自动保存新消息。 第二，RAG 增强：QuestionAnswerAdvisor 在请求前先做向量检索，把相关文档拼到 Prompt 里。 第三，日志追踪、权限校验：可以自定义 Advisor 做统一的 traceId 注入、敏感词过滤等。
好处是这些能力可以组合、可插拔，不用每次调用都手动写一遍。
面试可以说："我们封装了一个 TraceAdvisor，每次调用自动注入 traceId 到 system prompt，方便排查问题。"
【面试题】4. Function Calling 中 @Bean 注册的函数是怎么被调度的？
【标准答案】 Spring AI 的 Function Calling 流程分四步：
第一步，注册：用 @Bean 声明一个 Function<P, R> 类型的函数，Spring AI 自动扫描并生成 JSON Schema。
第二步，调用：用户问题进来，大模型判断需要调用函数，返回 tool_call 类型的响应，里面包含函数名和参数。
第三步，执行：Spring AI 拦截这个响应，根据函数名从 Bean 容器找到对应的函数，用参数执行，拿到结果。
第四步，回填：把函数执行结果作为 tool_response 发回大模型，大模型再基于结果生成最终答案。
关键点：整个过程是自动的，开发者只需要写函数实现，调度逻辑 Spring AI 框架完成。
【面试题】5. Spring AI 支持哪些向量数据库？它们各自适合什么场景？
【标准答案】 主流支持的向量库：
PGVector：适合已有 PostgreSQL 的项目，零额外运维成本，但性能一般，适合中小规模数据。
Redis：适合对延迟敏感的场景，已有 Redis 基础设施时复用成本低，但持久化需要配置。
Pinecone：全托管服务，免运维，适合快速验证和创业项目，但国内访问可能有问题。
Milvus：开源高性能，适合大规模向量检索，亿级数据也没问题，但运维成本高。
Chroma：轻量级嵌入式，适合本地开发测试，单机部署快速。
我们项目用的是 PGVector，因为本身就有 PostgreSQL 集群，向量数据量不大（百万级），复用现有基础设施最省事。
【面试题】6. Structured Output 用 BeanOutputConverter 时遇到过什么坑？
【标准答案】 几个典型坑：
第一，字段命名：大模型输出的 JSON key 默认是驼峰，但如果有 @JsonProperty 注解，要确保注解值和实际输出一致，否则映射失败。
第二，必填字段：如果 POJO 字段没有默认值且 LLM 没返回，反序列化会报错。建议用 Optional 或给默认值。
第三，嵌套对象：复杂嵌套结构 LLM 可能生成不规范，建议用 @Schema 注解明确描述每个字段的含义和类型。
第四，枚举值：LLM 生成的枚举值要和 Java 枚举完全匹配（包括大小写），最好在 prompt 里明确枚举范围。
我们踩过枚举的坑，后来在 system prompt 里加了一句："status 字段只能是 ACTIVE、INACTIVE、DELETED 三种值"，问题就解决了。
【面试题】7. Chat Memory 怎么做持久化？InMemoryChatMemory 有什么问题？
【标准答案】 InMemoryChatMemory 是内存实现，重启就丢失，只适合无状态场景或测试。
持久化方案： 第一，数据库：把 Message 列表序列化成 JSON 存到 MySQL/PostgreSQL，按会话 ID 查询。 第二，Redis：用 List 结构存历史消息，设置 TTL 自动过期。 第三，专业存储：有些向量库支持存原始文本，可以和向量数据放一起。
我们项目用的是 Redis，每个会话一个 key，存最近 20 条消息，设置 24 小时过期。读取时反序列化，通过 MessageChatMemoryAdvisor 注入。
关键点：不要存太多历史，token 会爆，一般保留最近 10-20 条或按 token 数截断。
【面试题】8. Spring AI 多模型切换怎么配置？生产环境怎么管理 API Key？
【标准答案】 配置切换：Spring AI 用 spring.ai.* 前缀，比如：
spring.ai.openai.api-key=xxxspring.ai.anthropic.api-key=xxxspring.ai.ollama.base-url=http://localhost:11434
代码里注入 ChatModel，Spring Boot 自动装配对应实现。多模型场景可以注入多个，用 @Qualifier 区分。
API Key 管理： 第一，外部化配置：坚决不写在代码里，用环境变量或配置中心（Nacos、Vault）。 第二，加密存储：配置中心里的 Key 要加密，应用启动时解密。 第三，轮换机制：定期更换 Key，有泄漏风险时能快速切换。 第四，按环境隔离：开发、测试、生产用不同 Key。
我们用 Vault 管理 API Key，Spring Boot 配合 spring-cloud-vault 启动时拉取，Key 在代码里零暴露。
【面试题】9. Spring AI 的 Observability 怎么做？监控哪些指标？
【标准答案】 Spring AI 集成了 Micrometer，可以直接对接 Prometheus、Grafana 等监控体系。
核心指标： 第一，调用次数：按模型、按接口统计调用频率。 第二，延迟：P50、P95、P99 响应时间，排查性能瓶颈。 第三，Token 消耗：输入输出 token 数，控制成本。 第四，错误率：失败请求比例，区分超时、限流、模型错误。 第五，向量检索延迟：RAG 场景的检索耗时。
我们项目配置了 Prometheus + Grafana，关键告警：
- 单次调用超过 30 秒
- 5 分钟错误率超过 5%
- Token 成本异常飙升
另外，每次调用会在日志里打 traceId，配合 ELK 做全链路追踪。
【面试题】10. Spring AI 1.0 相比之前的 Milestone 版本有什么重大更新？
【标准答案】 几个关键更新：
第一，ChatClient 统一入口：之前 ChatModel、StreamingChatModel、ImageModel 等都是独立入口，1.0 统一到 ChatClient 的 Fluent API，同步流式一把梭。
第二，Advisor 架构：之前对话记忆、RAG 增强都是手动拼，1.0 引入 Advisor 机制，拦截器模式，可组合可插拔。
第三，VectorStore 接口统一：之前各向量库实现不统一，1.0 抽象了标准接口，切换向量库改配置就行。
第四，配置前缀统一：全部用 spring.ai.*，之前有些用 spring.ai.openai.*，有些用其他前缀，现在规范了。
第五，Spring AI MCP 支持：支持 Model Context Protocol 协议，可以接更多外部工具和上下文。
面试可以说："我们项目从 Milestone 升级到 1.0，最大的收益是 ChatClient 统一入口和 Advisor 架构，代码简化了很多。"
题目统计
- 本次生成：10 道面试题
- 覆盖模块：核心架构、RAG、Function Calling、向量数据库、结构化输出、对话记忆、多模型管理、监控、版本更新
- 适用版本：Spring AI 1.0 正式版