工作知识库

Appearance

Spring AI 面试题库 ​

生成时间：2026-05-21 22:19

本轮 Spring AI 面试题库（带答案） ​

【面试题】1. Spring AI中ChatClient和ChatModel有什么区别？实际开发中应该用哪个？ ​

【标准答案】ChatModel是底层模型接口，直接对接大模型API，适合简单调用场景。ChatClient是Spring AI 1.0推出的统一入口，提供了Fluent API和Advisor机制，支持链式调用、拦截器、对话记忆等高级特性。实际开发中优先使用ChatClient，因为它封装更完善，代码更优雅，扩展性更强。只有在需要直接控制模型参数或做深度定制时才考虑直接用ChatModel。

【面试题】2. 在RAG场景中，TokenTextSplitter的chunkSize和overlap参数如何设置？过大或过小会有什么问题？ ​

【标准答案】chunkSize建议800-1200 tokens，overlap建议10%-20%，即100-200 tokens。chunkSize过大：检索精度下降，相似文档多，噪音大，回答不够精准。chunkSize过小：语义被切断，丢失上下文，检索召回率低。overlap的作用是保证相邻chunk有重叠，避免关键信息在边界被截断。实际项目中需要根据文档类型调优，技术文档可以稍大，对话记录要小一些。

【面试题】3. Spring AI中如何实现Function Calling？@Bean注册的函数如何被模型识别和调用？ ​

【标准答案】两步实现：第一步，定义方法并加@Bean注解，返回类型为Function<Prompt, Response>或直接用方法名；第二步，在调用ChatClient时通过.functions()或.toolNames()注册函数名。Spring AI会自动生成JSON Schema描述函数签名和参数，随请求发给模型。模型判断需要调用工具时返回tool_call，Spring AI拦截后执行对应方法，拿到结果再回传模型。整个过程对开发者透明，只需关注业务逻辑。

【面试题】4. 对比PGVector、Redis、Pinecone、Chroma、Milvus这几个VectorStore的选型场景？ ​

【标准答案】PGVector：适合已有PostgreSQL基础设施，数据量中等，部署简单，但性能不如专业向量库。Redis：适合需要低延迟、已有Redis集群，但向量能力有限，不适合大规模检索。Pinecone：全托管，开箱即用，适合快速原型和小团队，但成本高、数据不在本地。Chroma：轻量级嵌入式，适合单机开发测试，生产环境不推荐。Milvus：高性能分布式，适合大规模向量检索，生产级稳定，但部署运维成本高。选型原则：数据量<10万用PGVector或Redis，>100万用Milvus，快速验证用Pinecone，开发测试用Chroma。

【面试题】5. BeanOutputConverter在Structured Output中如何使用？有什么常见坑？ ​

【标准答案】使用步骤：定义POJO类 -> 创建BeanOutputConverter -> 调用converter.getFormat()获取Schema描述 -> 放入Prompt的systemMessage -> 调用模型 -> 用converter.convert()解析结果为POJO。常见坑：第一，POJO字段名要和模型输出JSON字段一致，注意驼峰下划线；第二，复杂嵌套对象可能解析失败，建议扁平化；第三，模型输出格式不稳定时会抛异常，需要加重试或兜底逻辑；第四，Schema描述要精确，不然模型可能漏字段。

【面试题】6. ChatMemory接口和InMemoryChatMemory的区别？生产环境如何做持久化？ ​

【标准答案】ChatMemory是接口，定义了add、get、clear等操作。InMemoryChatMemory是内存实现，默认存储在JVM堆中，重启丢失，只适合开发测试。生产环境持久化方案：第一，继承ChatMemory接口，用Redis存储对话历史，key设计为sessionId:userId；第二，用数据库（MySQL/PostgreSQL）存储Message表，字段包括sessionId、role、content、timestamp；第三，注意对话历史截断策略，避免token超限，可以只保留最近N轮或按token数裁剪。MessageChatMemoryAdvisor负责注入历史消息到Prompt。

【面试题】7. Spring AI的Advisor机制是什么？可以用来做哪些事？ ​

【标准答案】Advisor是拦截器模式，可以在调用前、调用后插入自定义逻辑。常见用途：第一，日志审计，记录所有请求和响应；第二，敏感词过滤，拦截输入输出；第三，对话记忆注入，MessageChatMemoryAdvisor就是Advisor实现；第四，指标监控，统计调用次数、延迟、token消耗；第五，限流熔断，在beforeAdvisor中检查阈值。实现方式：继承RequestResponseAdvisor接口，重写adviseRequest和adviseResponse方法，然后注册为Bean，ChatClient会自动应用。注意Advisor有执行顺序，可以用@Order控制。

【面试题】8. Spring AI 1.0相比之前版本有哪些重大更新？为什么推荐升级？ ​

【标准答案】核心更新：第一，ChatClient统一入口，替代之前分散的ChatModel调用方式，API更优雅；第二，Advisor架构标准化，拦截器机制完善，扩展性更强；第三，VectorStore接口统一，不同向量库实现更一致；第四，配置前缀统一为spring.ai.，之前是spring.ai.openai.等分散配置；第五，Chat Memory标准化，Advisor方式注入历史消息；第六，Observability集成，内置Micrometer指标。升级理由：代码更简洁，维护成本低，生态兼容性好，新特性都在1.0基础上演进。

【面试题】9. 微服务架构下，API Key如何安全管理？不能硬编码在配置文件中怎么办？ ​

【标准答案】绝对不能硬编码。方案：第一，环境变量注入，spring.ai.openai.api-key=${OPENAI_API_KEY}，容器或K8s中从Secret读取；第二，配置中心（Nacos、Apollo），API Key加密存储，应用启动时拉取；第三，Vault专门管理密钥，应用通过SDK动态获取；第四，API网关统一代理，下游服务不直接接触Key。生产推荐组合：K8s Secret + Vault，网关层做二次校验。另外要定期轮换Key，配置最小权限，监控异常调用。

【面试题】10. 如何在Spring AI中实现多模型路由？不同场景用不同模型怎么设计？ ​

【标准答案】多模型路由方案：第一，配置多个ChatModel Bean，每个对应一个模型实现（OpenAI、Anthropic、Ollama）；第二，定义RoutingService，根据场景类型（如"chat"、"code"、"embedding"）返回对应ChatClient；第三，在Controller层根据请求参数或Header判断路由；第四，使用Spring Profile，不同环境激活不同模型Bean。代码示例：@Bean("openaiChat")和@Bean("anthropicChat")，然后用@Qualifier注入。进阶方案：结合配置中心动态切换，或用AOP做自适应路由（根据请求负载、模型延迟、成本阈值自动选择）。