Spring AI 面试题库
生成时间：2026-05-21 23:17
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？什么时候用哪个？
【标准答案】ChatModel 是底层抽象，你传 Prompt，它返回 ChatResponse，够用但代码比较"裸"。ChatClient 是 Spring AI 1.0 推荐的统一入口，封装了 Fluent API、Advisor 机制、对话记忆、结构化输出等功能，一行链式调用就能完成复杂流程。
简单说：写 Demo 或简单调用用 ChatModel，生产环境复杂场景用 ChatClient。ChatClient 的优势在于可插拔的 Advisor 链，比如加个 QuestionAnswerAdvisor 就能做 RAG，加个 ChatMemoryAdvisor 就能记住上下文，不用自己拼 Prompt。
【面试题】2. RAG 里的 EmbeddingModel 和 VectorStore 是什么关系？文档入库的完整流程是什么？
【标准答案】EmbeddingModel 负责"向量化"，把文本转成数值向量；VectorStore 负责"存和检索"，把向量存起来、支持相似度查询。两者配合才能做 RAG。
入库流程四步走：第一，用 DocumentReader 读原始文档；第二，用 TokenTextSplitter 分块，控制每块大小和重叠；第三，调用 EmbeddingModel.embed() 把每块转成向量；第四，调用 VectorStore.add() 把 Document（含原文、向量、元数据）存进去。检索时用 similaritySearch(queryEmbedding, k) 取 Top-K，然后拼到 Prompt 里送给大模型。
【面试题】3. Spring AI 的 Function Calling 怎么用？@Bean 注册函数的原理是什么？
【标准答案】用很简单：写一个普通方法，加 @Bean 注解，返回类型是函数式接口（如 Function<String, String>），Spring AI 会自动扫描注册。调用时，大模型判断需要调用工具，返回 tool_call，Spring AI 自动执行你的函数，把结果返回给模型，模型再生成最终答案。
原理：Spring AI 会根据方法签名自动生成 JSON Schema，告诉模型这个工具叫什么、参数是什么类型。模型决定调用后，框架通过函数名找到 Bean，反射执行。整个过程你不用手写调度逻辑，Spring AI 帮你把 round-trip 全干了。
【面试题】4. QuestionAnswerAdvisor 是什么？它是怎么实现 RAG 的？
【标准答案】QuestionAnswerAdvisor 是 Spring AI 内置的 RAG Advisor，挂到 ChatClient 上就能自动做检索增强。它的核心逻辑：用户提问时，它先调用 VectorStore.similaritySearch() 检索相关文档，然后把文档拼到 Prompt 的系统提示里，相当于给模型"开卷考试"。
使用方式：ChatClient.builder(chatModel).defaultAdvisors(new QuestionAnswerAdvisor(vectorStore)).build()。还能配参数：topK 控制检索数量、similarityThreshold 控制相似度阈值、userTextAdvise 自定义提示模板。不用自己写检索逻辑，一行配置搞定。
【面试题】5. BeanOutputConverter 怎么用？结构化输出有什么坑？
【标准答案】BeanOutputConverter 用来把大模型输出转成 Java POJO。用法：定义一个类加 @Description 注解描述字段，然后 new BeanOutputConverter<>(MyPojo.class).convert(response)，或者用 ChatClient 的 .entity(MyPojo.class) 直接映射。
坑主要有三个：一是大模型可能返回非法 JSON，要加重试或兜底；二是 Schema 不支持复杂嵌套结构，嵌套太深会解析失败；三是模型可能"加戏"，多输出解释文字导致 JSON 不纯。解决方案：在 Prompt 里明确说"只返回 JSON，不要任何额外文字"，或者用 entity() 时设置 strict 模式。
【面试题】6. ChatMemory 的 InMemoryChatMemory 能在生产用吗？持久化方案有哪些？
【标准答案】InMemoryChatMemory 只能存内存，服务重启就丢，单机调试够用，生产环境不行。生产方案有两种：一是自己实现 ChatMemory 接口，底层接 Redis 或数据库，存消息历史；二是用 Spring AI 生态提供的持久化实现（如 Redis ChatMemory）。
关键点：ChatMemory 只存原始消息，不存对话状态。真正让模型"记住"的是 MessageChatMemoryAdvisor，它从 ChatMemory 读历史消息拼到 Prompt 里。配置：.defaultAdvisors(new MessageChatMemoryAdvisor(chatMemory, conversationId, 10))，第三个参数是保留多少轮历史。
【面试题】7. Spring AI 怎么做多模型切换？比如 OpenAI 和国产模型并存？
【标准答案】Spring AI 通过 spring.ai.* 配置前缀区分模型提供商。比如 spring.ai.openai.api-key、spring.ai.zhipu.api-key，各模型独立配置。代码层面，每个模型有对应的 ChatModel 实现类（OpenAiChatModel、ZhipuChatModel），通过 @Autowired 注入或 ChatClient.builder() 指定。
动态切换：可以用 Map<String, ChatModel> 注入所有实现，根据请求参数或路由规则选模型；或者用 Spring AI 的多模型路由特性，配置权重或规则自动切换。注意不同模型的 Prompt 格式和参数差异，必要时做适配。
【面试题】8. 生产环境 API Key 怎么管理？硬编码在代码里有什么风险？
【标准答案】绝对不能硬编码。风险：代码泄露直接暴露 Key，Git 历史会留下痕迹，多人协作无法隔离权限。生产方案：用配置中心（如 Spring Cloud Config、Nacos、Vault）或环境变量注入，Spring AI 支持 spring.ai.openai.api-key=${OPENAI_API_KEY}，从环境变量读。
更安全：用密钥管理服务（AWS Secrets Manager、阿里云 KMS），应用启动时动态拉取，内存中缓存，不落盘。再加 API 网关统一鉴权，内网服务不直接访问外部 API，都走网关转发。
【面试题】9. Spring AI 1.0 相比 0.8 版本有什么重大变化？
【标准答案】最大变化是 ChatClient 统一入口，之前各模型有独立的调用方式，现在全走 ChatClient，API 一致。Advisor 架构升级，所有增强逻辑（RAG、Memory、工具调用）都变成可插拔的 Advisor，不用自己拼 Prompt。VectorStore 接口统一，各向量库实现同一套 API，换库只改配置。
配置前缀从 spring.ai.model 改成 spring.ai.openai.model，更清晰。整体趋势：更贴近 Spring 生态风格，自动配置更强，扩展点更灵活。
【面试题】10. Spring AI 怎么做流式输出（Streaming）？有什么注意事项？
【标准答案】用 ChatClient 的 .stream() 方法替代 .call()，返回 Flux<String> 或 StreamingChatResponse，响应式流式返回 token。前端用 SSE（Server-Sent Events）或 WebSocket 接收，体验更流畅。
注意事项：一是流式返回时无法一次性校验完整输出，结构化输出要小心；二是错误处理更复杂，流中途断了要处理重连；三是要配超时和背压，防止客户端消费太慢导致内存溢出。可以用 .doOnError() 和 .timeout() 加兜底逻辑。
共 10 题，覆盖：核心架构、RAG、Function Calling、结构化输出、Chat Memory、多模型切换、生产安全、版本更新、流式输出等核心考点。