Spring AI 面试题库
生成时间：2026-05-21 23:07 (Asia/Shanghai) 题目数量：10 道
【面试题】1. Spring AI 中 ChatClient 和直接用 ChatModel 有什么区别？为什么推荐用 ChatClient？
【标准答案】ChatModel 是底层抽象接口，直接调用只能传 Prompt 拿 ChatResponse，功能单一。ChatClient 是 Spring AI 1.0 引入的统一入口，基于 Fluent API 链式调用，核心优势有三点：第一，它内置了 Advisor 机制，可以在不修改业务代码的前提下插入对话记忆、RAG 检索、日志拦截等横切逻辑；第二，它支持结构化输出，一行 .entity(MyPojo.class) 就能把模型响应直接映射成 Java 对象，省去手动解析 JSON；第三，它统一了同步和 Streaming 两种调用模式，API 风格一致。面试中回答重点就是：ChatModel 是"裸调用"，ChatClient 是"带装备的增强版入口"，生产环境一律用 ChatClient。
【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 的请求/响应拦截机制，类似 Filter 链。核心接口是 CallAroundAdvisor（同步）和 StreamAroundAdvisor（流式），可以在请求发给模型之前拦截修改 Prompt，也可以在模型返回后拦截修改 Response。和 Spring MVC 拦截器的相似点：都是链式执行、都支持前置/后置处理、都能控制是否继续传递。不同点：Advisor 操作的是 Prompt 和 ChatResponse 这个 AI 领域对象，不是 HttpServletRequest；另外 Advisor 天然配合 ChatClient 使用，不需要额外注册，通过 .defaultAdvisors() 或 .advisors() 就能挂载。典型场景：MessageChatMemoryAdvisor 在请求前注入历史消息，QuestionAnswerAdvisor 在请求前注入检索到的上下文。
【面试题】3. Spring AI 实现 RAG 的完整流程是怎样的？每个环节用什么组件？
【标准答案】RAG 分两大阶段——离线索引和在线检索。离线阶段：先用 TokenTextSplitter 把长文档按 token 切分成小段，再用 EmbeddingModel 把每段转成向量，最后存入 VectorStore（PGVector/Redis/Milvus 等任选）。在线阶段：用户提问时，先通过 VectorStore 的 similaritySearch 检索出最相关的文档片段，把这些片段拼接到 Prompt 的上下文里，再交给 ChatModel 生成答案。Spring AI 提供了 QuestionAnswerAdvisor 封装了在线检索+拼接的全流程，使用时只需 .advisors(new QuestionAnswerAdvisor(vectorStore)) 一行搞定。面试官追问细节时，重点说清楚：切分粒度影响检索精度、Embedding 模型要和向量库配套、similaritySearch 的 topK 参数控制召回量。
【面试题】4. Spring AI 的 Function Calling 怎么用？底层调度流程是什么？
【标准答案】使用方式分三步：第一步，写一个普通 Java 函数，用 @Bean 注册到 Spring 容器，Spring AI 自动根据函数签名和参数类型生成 JSON Schema；第二步，在 spring.ai.openai.chat.options.functions 配置中声明函数名，或者在 ChatClient 调用时通过 .functions("getWeather") 动态指定；第三步，模型判断需要调用工具时返回 tool_call，Spring AI 框架自动拦截、执行对应函数、把结果拼回 Prompt 再次调用模型，整个循环对业务代码透明。底层流程：用户 Prompt → ChatModel → 模型返回 tool_call → 框架匹配 Bean 函数并执行 → 函数结果作为 tool message 回传 → 模型生成最终回答。关键点：函数注册方式是 @Bean，不是注解标注；JSON Schema 自动生成不需要手写；多轮 tool_call 框架自动循环直到模型不再请求工具。
【面试题】5. Spring AI 切换不同模型（比如从 OpenAI 切到智谱）需要改什么？配置怎么管理？
【标准答案】Spring AI 的多模型切换核心就是换依赖和改配置前缀。第一步，换 Maven 依赖：从 spring-ai-openai-spring-boot-starter 换成 spring-ai-zhipuai-spring-boot-starter；第二步，改配置：spring.ai.openai.* 前缀换成 spring.ai.zhipuai.*，包括 api-key、base-url、chat.options.model 等；第三步，代码层面零改动，因为 ChatClient 和 ChatModel 都是接口抽象，注入的是同一个类型。如果需要同时对接多个模型，可以手动创建多个 ChatModel 的 Bean，用 @Qualifier 区分注入。Spring AI 1.0 统一了 spring.ai.* 配置前缀规范，各厂商实现都遵循相同的自动配置模式，切换成本极低。面试加分点：提到可以在运行时通过 ChatClient 动态切换 options，实现 A/B 测试或灰度路由。
【面试题】6. Spring AI 的 Structured Output 结构化输出怎么实现？有哪些常见坑？
【标准答案】核心方式两种：第一种，BeanOutputConverter，传入目标类的 JSON Schema，模型按 Schema 输出，再用 converter 的 .parse() 反序列化；第二种，ChatClient 的 .entity(MyPojo.class) 方法，一行搞定，底层自动生成 Schema、自动解析。常见坑有三个：第一，模型不一定严格遵守 Schema，尤其复杂嵌套对象容易漏字段，需要加上 @JsonProperty(required=true) 约束并在 Prompt 里强调格式；第二，LLM 的输出本质是文本，entity() 底层还是 JSON 解析，格式不合法会抛异常，生产环境必须 try-catch 或加重试；第三，枚举类型的字段容易出问题，模型可能输出不在枚举内的值，建议加 @JsonCreator 做容错。面试官问最佳实践就说：简单 POJO 用 .entity()，复杂场景用 BeanOutputConverter + 手动校验。
【面试题】7. Spring AI 的对话记忆怎么实现？生产环境怎么持久化？
【标准答案】Spring AI 的对话记忆核心是 ChatMemory 接口 + MessageChatMemoryAdvisor。内置实现 InMemoryChatMemory 直接用 Map 存储，适合单机开发和测试。使用方式：创建 advisor 时指定 conversationId 和最大保留条数，挂到 ChatClient 的 .defaultAdvisors() 上，框架自动在每次请求前注入历史消息、请求后保存新消息。生产环境持久化方案：自定义实现 ChatMemory 接口，add() 方法写数据库（MySQL/Redis/MongoDB），get() 方法按 conversationId 查询，clear() 方法删除记录。推荐用 Redis 存储，因为对话记忆是高频读写、有过期时间的场景，Redis 的 TTL 机制天然适合。面试加分：提到 MessageChatMemoryAdvisor 的 topK 参数控制窗口大小，防止上下文超 token 限制；多实例部署时必须用集中式存储而非 InMemory。
【面试题】8. Spring AI 项目上线时 API Key 怎么安全管理？超时和限流怎么配？
【标准答案】API Key 管理三原则：第一，绝不硬编码，spring.ai.openai.api-key 用环境变量或 Vault 注入，配置文件里用 ${OPENAI_API_KEY} 占位；第二，不同环境（dev/staging/prod）用不同的 Key，通过 Spring Profile 隔离；第三，Key 轮换要无感，结合配置中心（Nacos/Apollo）热更新。超时配置：spring.ai.openai.chat.options 下可以设 temperature、max-tokens 等参数，连接超时和读超时通过 spring.ai.openai.connection.timeout 和 spring.ai.openai.read.timeout 控制。限流熔断：Spring AI 本身不带限流，生产环境要配 Resilience4j 或 Sentinel，在 ChatModel 调用外层加 @CircuitBreaker 和 @RateLimiter，降级策略返回预设话术或走备用模型。面试总结一句话：Key 外置+环境隔离，超时兜底，限流熔断用 Spring 生态成熟组件。
【面试题】9. Spring AI 1.0 正式版相比之前里程碑版本有哪些关键变化？
【标准答案】四大核心变化：第一，ChatClient 成为统一入口，之前各个 ChatModel 实现的调用方式不统一，1.0 后统一用 ChatClient 的 Fluent API，.prompt().user().call() 一套搞定；第二，Advisor 架构正式确立，之前叫 Interceptor/Advisor 名词混用，1.0 统一为 Advisor 体系，分 CallAroundAdvisor 和 StreamAroundAdvisor，语义清晰；第三，VectorStore 接口统一，之前各向量库的 add/delete/search 方法签名不一致，1.0 统一了 VectorStore 接口规范，切换向量库只需换实现 Bean；第四，spring.ai.* 配置前缀标准化，所有厂商实现的配置项都遵循 spring.ai.<provider>.* 的命名规范，不再各写各的。面试要点：1.0 不是小版本迭代，是 API 稳定性承诺，从 SNAPSHOT 到 GA 意味着核心接口不再频繁 breaking change，可以放心上生产。
【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 是 Model Context Protocol，Anthropic 提出的开放标准，定义了 AI 模型与外部工具/数据源的标准化通信协议。Spring AI 从 1.0 开始支持 MCP，核心价值是：让 AI 应用可以通过统一协议对接任意工具服务器，不需要为每个工具单独写 Function Calling 的 @Bean。具体来说，Function Calling 是 Spring AI 的本地工具调用机制，工具函数必须在同一个 JVM 里注册；而 MCP 是远程工具发现协议，工具可以部署在独立进程甚至远程服务器上，通过 MCP 协议动态发现和调用。关系：MCP 是 Function Calling 的超集和标准化扩展，Spring AI 的 MCP 客户端会自动把远程 MCP 工具转换成本地的 Function Calling 注册，上层 ChatClient 代码无需改动。面试回答重点：Function Calling 解决"本地工具调用"，MCP 解决"跨进程/跨服务工具发现与调用"，两者互补而非替代，MCP 是 AI Agent 编排的基础设施。