Spring AI 面试题库
生成时间：2026-05-22 00:17 | 第N轮
【面试题】1. Spring AI 中 ChatClient 和 ChatModel 的区别是什么？日常开发该用哪个？
【标准答案】ChatModel 是底层模型抽象接口，直接对接大模型 API，你传 Prompt 它返回 ChatResponse，属于"裸调用"。ChatClient 是 Spring AI 1.0 推出的统一入口，基于 Fluent API 风格，内置了 Advisor 链、对话记忆、结构化输出等能力，是高层编排工具。日常开发必须用 ChatClient，它把 ChatModel 包了一层，所有增强能力都在这一层叠加。只有在需要极细粒度控制原始请求/响应时才直接用 ChatModel。一句话：ChatModel 是引擎，ChatClient 是方向盘，你开车用方向盘。
【面试题】2. Spring AI 的 Advisor 机制怎么理解？能解决什么问题？举个实际场景。
【标准答案】Advisor 本质是拦截器链，在请求发给模型前和响应返回后各有一个切面——CallAroundAdvisor 请求前拦截、StreamAroundAdvisor 流式拦截。它能解决的问题：日志审计、Prompt 增强、对话记忆注入、RAG 检索注入等，全部用 Advisor 叠加，不用改业务代码。实际场景：你有一个客服 Bot，需要同时加对话记忆和 RAG 知识库检索，用 MessageChatMemoryAdvisor + QuestionAnswerAdvisor 两个 Advisor 串起来，ChatClient.builder() 里 .defaultAdvisors() 一加就完事，零侵入。
【面试题】3. Spring AI 做 RAG 时，TokenTextSplitter 切分文档有哪些坑？怎么避免语义断裂？
【标准答案】最大的坑是按 token 数硬切，不考虑语义边界，一句话或一个代码块被拦腰截断，检索到的片段上下文不全，模型回答质量直接崩。避免方法：第一，切分时开启 setCopyOverlapping 做重叠切分，重叠 50-100 token，保证上下文衔接；第二，切分前先按自然段落/标题/章节做预拆分，再用 TokenTextSplitter 对超长段落二次切；第三，文档元数据（来源、章节标题）必须保留，检索返回时带上 metadata 帮模型理解片段出处。生产环境千万别裸用 TokenTextSplitter，至少配合重叠策略。
【面试题】4. Spring AI 的 VectorStore 接口统一了哪些实现？选型时怎么决策？
【标准答案】Spring AI 通过 VectorStore 接口统一了 PGVector、Redis（RedisStack）、Pinecone、Chroma、Milvus、Weaviate 等实现，业务代码只依赖接口，切换实现只改配置。选型决策：PGVector——已有 PostgreSQL 基础设施、数据量中等、要事务一致性，首选它，零额外运维；Milvus——十亿级向量、高并发检索、有专业运维团队，选它；Pinecone——不想运维、要全托管、海外业务，选它；Chroma——开发测试、原型验证，轻量快速；Redis——已有 Redis 且向量规模不大、需要低延迟，可用。核心原则：别过度设计，先 PGVector 跑起来，性能不够再升级。
【面试题】5. Spring AI Function Calling 的 tool_call 调度流程是怎样的？@Bean 注册函数后底层发生了什么？
【标准答案】流程分四步：第一步，你在代码里写一个返回类型明确的函数，加 @Bean 注册到 Spring 容器，Spring AI 自动扫描生成 JSON Schema（函数名、参数类型、描述）；第二步，ChatClient 把函数描述塞进 Prompt 的 tools 字段发给大模型；第三步，模型判断需要调工具，返回 tool_call 请求（函数名+参数 JSON）；第四步，Spring AI 拦截 tool_call，自动反序列化参数、调用对应 Bean 方法、拿到返回值，把结果拼回对话再发给模型，模型给出最终回答。关键点：整个过程是框架自动编排的，你只写函数定义和注册，调度逻辑零代码。注意函数签名要清晰，参数用基本类型或简单 POJO，别搞复杂嵌套，否则 Schema 生成容易出问题。
【面试题】6. Spring AI Structured Output 用 BeanOutputConverter 和直接用 entity() 有什么区别？各自适合什么场景？
【标准答案】BeanOutputConverter 是早期方案，你需要手动创建转换器、拼 Prompt 指令、解析输出，流程是：converter.getFormat() 拼到 Prompt 里 → 模型输出 JSON 字符串 → converter.parse() 反序列化。entity() 是 ChatClient Fluent API 的封装，一行 .entity(MyPojo.class) 搞定，内部自动处理格式指令注入和解析。日常开发用 entity()，简洁不出错。BeanOutputConverter 适合需要自定义格式指令、对输出 Schema 做精细控制、或者不用 ChatClient 的场景。坑提醒：entity() 底层依赖 JSON Schema 约束模型输出，模型能力弱时可能不严格遵守格式，务必加 @JsonProperty 和 @JsonPropertyDescription 注解给模型更多提示。
【面试题】7. Spring AI 对话记忆的 MessageChatMemoryAdvisor 是怎么工作的？生产环境怎么持久化？
【标准答案】MessageChatMemoryAdvisor 工作原理：请求发出前，Advisor 从 ChatMemory 实现中取出历史消息，注入到 Prompt 的 messages 列表里；响应返回后，把当前轮的 UserMessage 和 AssistantMessage 写回 ChatMemory。它维护的是一个滑动窗口，通过 chatMemoryRetrieveSize 控制取最近 N 轮。生产环境持久化方案：InMemoryChatMemory 只能用于开发测试，生产必须换。推荐方案一：基于 Redis 实现 ChatMemory 接口，key 用 conversationId，value 存消息列表 JSON，设 TTL 自动过期；方案二：基于数据库（如 PostgreSQL）存，表结构 conversation_id + role + content + timestamp，查询时按时间排序取最近 N 条。注意点：消息过长要截断或摘要，否则 token 爆炸。
【面试题】8. Spring AI 多模型切换怎么做？spring.ai.* 配置前缀的优先级和坑有哪些？
【标准答案】多模型切换核心是 spring.ai.* 配置前缀体系。比如 spring.ai.openai.api-key、spring.ai.ollama.base-url、spring.ai.zhipu.api-key，每个模型独立配置。切换方式：一是通过 Properties 外部化，不同环境 application.yml 配不同模型；二是运行时通过代码注入多个 ChatModel Bean，用 @Qualifier 按名切换；三是用 Spring AI 的 ChatClient 动态指定模型。优先级坑：当同时配了多个模型 starter，Spring Boot 自动配置会注册多个 ChatModel Bean，此时必须用 @Primary 或 @Qualifier 消歧义，否则启动报错。另一个坑是：模型降级场景下，别在配置层面切，用代码层 try-catch 切换备用模型更可控。
【面试题】9. Spring AI 微服务部署时，API Key 管理和限流熔断怎么做？
【标准答案】API Key 管理三原则：一不入代码，用 Vault 或 K8s Secret 管理，Spring 通过 spring.ai.* 配置注入；二要隔离，不同服务用不同 Key，避免一个 Key 泄露全线崩溃；三要轮换，定期更换，配合 Vault 动态 Secret 实现无感轮换。限流熔断：Spring AI 本身不带限流，但深度集成 Spring Cloud 生态——用 Resilience4j 做熔断降级，当模型 API 响应超时或报错率超阈值自动降级到备用模型；用 Bucket4j 或 Sentinel 做限流，按用户/租户维度控制 QPS，防止恶意调用打爆配额。超时配置：spring.ai.openai.chat.options.temperature 设置模型参数，超时用 spring.ai.*.connect-timeout 和 read-timeout 控制。生产环境必须配超时+熔断+降级三件套，裸奔必出事。
【面试题】10. Spring AI 1.0 正式版相比之前 Milestone 版本，架构上有哪些根本性变化？为什么要升级？
【标准答案】三大根本性变化：第一，ChatClient 成为统一入口，之前你直接用 ChatModel 裸调，所有增强自己写，现在 ChatClient 一把梭，Fluent API 链式调用，开发体验质变；第二，Advisor 架构确立，之前没有统一的拦截器机制，对话记忆、RAG、日志各写各的，现在全部标准化为 Advisor 链，可插拔可排序，符合 Spring 的设计哲学；第三，VectorStore 接口统一+配置前缀标准化，spring.ai.* 配置体系成型，多模型多向量库的切换从"改代码"变成"改配置"。为什么要升级？Milestone 版本 API 不稳定、很多类已废弃、文档和社区都跟着 1.0 走，不升级等于技术债越积越多。升级注意事项：包名和类名有 breaking change，特别是 ChatClient 用法完全重构，必须按迁移指南改。