工作知识库

Appearance

Spring AI 面试题库（2026-05-21 23:28） ​

【面试题】1. Spring AI中ChatClient和ChatModel的核心区别是什么？实际项目如何选择？ ​

【标准答案】 ChatModel是底层模型接口，直接对接各个AI供应商（OpenAI、Anthropic等），提供基础的chat能力。ChatClient是Spring AI 1.0推出的统一入口，在ChatModel之上封装了Fluent API、Advisor机制、对话记忆等高级特性。

实际选择很简单：

  • 直接用ChatClient：绝大多数业务场景，需要对话记忆、工具调用、Prompt模板等高级功能时
  • 直接用ChatModel：只需要裸模型调用、性能敏感、或者需要更底层控制的场景

简单说：ChatClient是Spring AI推荐的"标准姿势"，ChatModel是给高级玩家的"底座"。

【面试题】2. Spring AI的Advisor机制是什么？在RAG场景中如何应用？ ​

【标准答案】 Advisor是Spring AI 1.0引入的拦截器机制，允许在请求发送到模型前后插入自定义逻辑，类似于Spring MVC的Interceptor或AOP。

在RAG场景中的典型应用：

  • QuestionAnswerAdvisor：自动执行向量检索，将相关文档注入Prompt
  • 自定义检索Advisor：在请求前做Query改写、关键词提取
  • 后处理Advisor：对模型输出做合规过滤、格式校验

核心优势是把横切关注点（检索、记忆、日志）从业务代码中剥离，实现可插拔的架构设计。面试时强调：Advisor让RAG从"硬编码流程"变成"可配置管道"，符合Spring的设计哲学。

【面试题】3. Spring AI的TokenTextSplitter有哪些参数？生产环境如何调优？ ​

【标准答案】 核心参数：

  • chunkSize：单个文本块的最大token数（默认800）
  • chunkOverlap：相邻块的token重叠数（默认100）
  • keepSeparator：是否保留分隔符（如段落、标题）

生产调优策略：

  1. 根据模型上下文窗口调整：GPT-4可用更大chunk（1500-2000），小模型用800-1000
  2. 重叠率10-15%为宜：太小丢失上下文，太大增加存储和检索成本
  3. 保留语义分隔符：按段落、章节切分比硬切效果好
  4. 监控召回率：向量检索命中率低时，适当增大overlap或降低chunkSize

面试加分点：提到可以自定义Splitter，比如按Markdown标题层级切分，或者结合语义相似度做动态切分。

【面试题】4. Spring AI的Function Calling中，JSON Schema是如何自动生成的？有哪些坑？ ​

【标准答案】 Spring AI通过反射读取@Bean注册的函数，提取参数类型和泛型信息，然后自动生成符合OpenAI规范的JSON Schema。

主要坑点：

  1. 复杂嵌套类型支持有限：List<Map<String, Object>>这种复杂结构可能生成失败，建议定义明确的POJO
  2. Optional类型处理：Spring AI默认将Optional视为可选参数，但某些模型（如智谱）对optional支持不一致
  3. 枚举类型：需要用@Schema注解显式声明allowedValues
  4. 默认值丢失：Java的默认参数无法映射到Schema，需用@Schema(defaultValue="xxx")补充
  5. 递归引用：自引用类型会导致死循环，需用@Schema(ref)手动处理

面试时强调：简单参数用基本类型+String，复杂入参定义DTO，遇到问题先看生成的Schema是否符合预期。

【面试题】5. Spring AI的VectorStore接口支持哪些实现？PGVector和Redis的选型依据是什么？ ​

【标准答案】 官方支持：PGVector、Redis、Pinecone、Chroma、Milvus、Weaviate、Qdrant、Oracle AI等。

PGVector vs Redis选型：

  • PGVector优势：

    • 已有PostgreSQL基础设施直接复用，运维成本低
    • 支持事务，向量数据和业务数据可在同一事务中操作
    • 生态成熟，pgvector扩展持续迭代
    • 适合中小规模（百万级向量）、混合查询场景（SQL+向量）

  • Redis优势：

    • 内存存储，检索性能更高（毫秒级）
    • 天然支持缓存语义，适合实时性要求高的场景
    • 分布式架构易扩展
    • 适合高频查询、对延迟敏感的场景

面试总结：已有PG用PGVector，追求性能用Redis/Milvus，云上直接用Pinecone。

【面试题】6. Spring AI的ChatMemory持久化方案有哪些？生产环境推荐怎么做？ ​

【标准答案】 内置实现：InMemoryChatMemory（内存存储，重启丢失）

生产推荐方案：

  1. Redis持久化：利用Redis的Hash结构存储对话历史，支持TTL自动过期，适合分布式部署
  2. 关系型数据库：设计conversation_id、message_order、role、content字段，支持复杂查询和审计
  3. 分布式缓存：如Caffeine本地缓存 + Redis二级缓存，平衡性能和可靠性

核心要点：

  • 分区存储：按conversation_id分组，避免单个会话过大
  • 滑动窗口策略：只保留最近N轮对话，避免token超限
  • 异步持久化：先写内存再异步落库，避免阻塞主流程
  • 过期策略：设置会话TTL，自动清理僵尸对话

面试加分：提到可以结合MessageChatMemoryAdvisor实现自动注入历史，无需业务代码感知。

【面试题】7. Spring AI项目中如何管理多模型切换？配置如何外部化？ ​

【标准答案】 多模型管理策略：

  1. 配置切换：通过spring.ai.openai.api-key、spring.ai.anthropic.api-key等前缀区分，配合spring.profiles.active激活不同配置
  2. 动态路由：在代码中注入多个ChatModel Bean，根据业务条件选择：
    java
    @Bean
ChatClient openaiClient(OpenAiChatModel model) { ... }
@Bean
ChatClient anthropicClient(AnthropicChatModel model) { ... }
  3. 配置外部化：API Key、Base URL、Model Name全部放到application-{env}.yml或配置中心（Nacos/Apollo）

生产实践：

  • 敏感信息加密：API Key用Jasypt加密，避免明文提交Git
  • 动态切换：结合配置中心实现灰度发布、AB测试
  • 故障转移：主模型不可用时自动fallback到备选模型

面试强调：Spring AI的spring.ai.*配置前缀是1.0统一规范，各供应商遵循相同模式，易于切换和扩展。

【面试题】8. Spring AI的Structured Output（BeanOutputConverter）如何保证输出符合POJO定义？有哪些常见失败场景？ ​

【标准答案】 BeanOutputConverter通过将POJO的JSON Schema注入到Prompt中，约束模型输出格式，然后解析JSON映射到对象。

保证机制：

  1. Schema注入：自动生成符合POJO定义的JSON Schema，作为Prompt的一部分
  2. 格式约束：Prompt中明确要求"输出必须严格符合以下JSON格式"
  3. 解析校验：解析失败时抛出异常，触发重试或降级

常见失败场景：

  1. 模型不遵循指令：小模型、中文场景容易输出额外解释文本
  2. 字段类型不匹配：期望Integer模型返回了带引号的字符串
  3. 必填字段缺失：模型跳过了某些字段，导致解析失败
  4. 嵌套对象问题：复杂嵌套结构的Schema描述可能不准确
  5. 枚举值越界：模型输出了Schema中未定义的枚举值

应对策略：

  • 使用entity()方法替代手动Converter
  • 在Prompt中增加Few-shot示例
  • 对关键场景增加重试机制
  • 选择指令遵循能力强的模型（如GPT-4）

【面试题】9. Spring AI项目在生产环境中如何做Observability（可观测性）？ ​

【标准答案】 核心监控维度：

  1. 指标监控（Metrics）：集成Micrometer，监控调用次数、延迟分布、Token消耗、错误率等
  2. 链路追踪（Tracing）：集成Micrometer Tracing + Zipkin/Jaeger，追踪一次对话的完整链路（检索→Prompt组装→模型调用→后处理）
  3. 日志审计：记录每次对话的输入输出、Token消耗、耗时、模型版本
  4. 告警机制：调用失败率、延迟P99、Token成本超阈值时触发告警

关键实践：

  • 自定义Metrics：用@Timed、@Counted注解，或手动埋点监控业务指标
  • 成本监控：累计Token消耗、按用户/场景分组统计，防止成本失控
  • 向量库监控：检索延迟、召回数量、索引大小等专用指标
  • 健康检查：暴露/actuator/health，包含各AI模型的连通性检查

面试强调：Spring AI天然集成Spring Boot Actuator和Micrometer，开箱即用，无需额外接入成本。

【面试题】10. Spring AI 1.0正式版相比之前的Milestone版本有哪些核心变化？升级时需要注意什么？ ​

【标准答案】 核心变化：

  1. ChatClient统一入口：替代之前的PromptTemplate手动组装方式，Fluent API更简洁
  2. Advisor架构：新增拦截器机制，对话记忆、RAG检索等变成可插拔的Advisor
  3. VectorStore接口统一：各向量库实现遵循统一接口，切换成本低
  4. 配置前缀规范化：统一为spring.ai.{provider}.*格式，如spring.ai.openai.api-key
  5. 包名重构：从experimental包迁移到稳定包，部分API命名调整

升级注意点：

  1. API变化：ChatClient用法不同于旧的PromptTemplate，需重写调用逻辑
  2. 依赖更新：spring-ai-core、spring-ai-openai等版本号更新，排除旧依赖
  3. 配置迁移：spring.ai.*前缀替换旧的配置格式，需检查application.yml
  4. 向量库驱动更新：各VectorStore实现依赖版本变化，注意兼容性
  5. 测试覆盖：Advisor机制改变了调用链路，需补充单元测试

面试总结：1.0版本标志着Spring AI从实验性质走向生产就绪，API稳定性大幅提升，是企业级AI应用的首选框架。. **配置迁移