本轮 Spring AI 面试题库（带答案）

【面试题】1. Spring AI 1.0 中 ChatClient 与传统的 ChatModel 有什么区别？为什么要引入 ChatClient？

【标准答案】ChatClient 是 Spring AI 1.0 推荐的统一入口，而 ChatModel 是底层模型抽象。区别主要体现在三点：第一，ChatClient 提供了 Fluent API 链式调用，代码更简洁优雅，比如 chatClient.prompt().user("问题").call().content()；第二，ChatClient 内置了 Advisor 机制，可以插拔式地添加对话记忆、RAG 检索等能力，而 ChatModel 需要手动管理；第三，ChatClient 统一了同步和流式响应的调用方式，支持 call() 同步和 stream() 流式两种模式。简单说，ChatModel 是"原材料"，ChatClient 是"厨具"，实际开发优先用 ChatClient。

【面试题】2. 请解释 Spring AI 中 Advisor 机制的作用和工作原理

【标准答案】Advisor 是 Spring AI 1.0 引入的拦截器机制，类似于 Spring AOP 的概念，但专门针对 AI 调用链路设计。工作原理是：当调用 ChatClient 时，请求会依次经过注册的 Advisor 链，每个 Advisor 可以在请求发送前（前置处理）和响应返回后（后置处理）进行拦截增强。典型应用场景包括：ChatMemoryAdvisor 自动注入历史对话上下文、QuestionAnswerAdvisor 实现 RAG 检索增强、自定义 Advisor 实现日志审计或敏感词过滤。Advisor 通过 advisors() 方法注册，支持顺序控制，执行顺序类似洋葱模型，请求从外到内，响应从内到外。

【面试题】3. Spring AI 实现 RAG 的核心组件有哪些？请描述一次完整的 RAG 调用流程

【标准答案】核心组件包括：EmbeddingModel（将文本转为向量）、VectorStore（向量存储，支持 PGVector/Redis/Pinecone/Chroma/Milvus 等）、TokenTextSplitter（文档切片）、QuestionAnswerAdvisor（RAG 拦截器）。完整流程是：第一步，文档预处理，用 TokenTextSplitter 将大文档切片成合适大小的片段；第二步，向量化存储，通过 EmbeddingModel 将每个切片转为向量并存入 VectorStore；第三步，用户提问时，QuestionAnswerAdvisor 拦截请求，将问题也转为向量，调用 VectorStore 的 similaritySearch 方法检索相似文档；第四步，将检索结果作为上下文拼接到 Prompt 中，发送给 ChatModel 生成答案。整个流程对业务层透明，只需配置 Advisor 即可。

【面试题】4. Spring AI 的 Function Calling 是如何实现的？@Bean 注册函数的底层原理是什么？

【标准答案】Spring AI 的 Function Calling 基于 JSON Schema 自动发现和调用机制实现。底层原理：第一步，通过 @Bean 注解注册一个 Function Bean，Spring AI 会自动扫描其方法签名；第二步，Spring AI 利用类型推断自动生成 JSON Schema，包括函数名、参数类型、参数描述等；第三步，当调用 ChatModel 时，Spring AI 将函数描述作为 tools 参数传给大模型；第四步，大模型根据用户问题决定是否需要调用函数，如果需要则返回 tool_call 响应；第五步，Spring AI 自动解析 tool_call，执行对应的 Function Bean，获取结果后再次调用大模型；第六步，大模型基于函数返回结果生成最终回复。整个过程开发者只需定义 @Bean 函数，框架自动完成调度。

【面试题】5. Spring AI 如何实现多模型切换？spring.ai.* 配置前缀的作用是什么？

【标准答案】Spring AI 通过统一的 ChatModel 接口抽象实现多模型切换，底层每个模型供应商提供独立的实现类（如 OpenAiChatModel、AnthropicChatModel、OllamaChatModel 等）。配置层面使用 spring.ai.* 前缀区分不同模型，比如 spring.ai.openai.api-key、spring.ai.anthropic.api-key、spring.ai.ollama.base-url。切换方式有三种：第一，通过 spring.ai.chat.model 配置默认模型；第二，通过 Profile 激活不同配置，如 spring.profiles.active=openai 或 anthropic；第三，通过依赖注入时指定具体实现，如 @Qualifier("openAiChatModel")。实际生产中建议配合配置中心动态切换，实现灰度发布或故障转移。

【面试题】6. Spring AI 的 Structured Output 如何将大模型输出映射为 POJO？有哪些常见坑？

【标准答案】Spring AI 通过 BeanOutputConverter 实现结构化输出，核心方法是 entity() 将 JSON 响应自动映射为 POJO。原理是：框架根据 POJO 类定义自动生成 JSON Schema，作为约束条件附加到 Prompt 中，大模型按 Schema 输出 JSON，Spring AI 再通过 Jackson 反序列化为对象。常见坑有：第一，POJO 必须有无参构造函数和标准 getter/setter，否则反序列化失败；第二，复杂嵌套对象可能超出模型上下文限制，需要简化结构；第三，枚举类型需要在 Schema 中明确列出所有可选值；第四，不同模型对 JSON Schema 的支持程度不同，OpenAI 较好，某些开源模型可能不稳定；第五，entity() 方法默认使用整个响应内容，如果模型输出了多余文本会导致解析失败，建议在 Prompt 中明确要求"只输出 JSON"。

【面试题】7. Spring AI 的 Chat Memory 如何实现对话记忆持久化？InMemoryChatMemory 有什么局限？

【标准答案】Chat Memory 通过 ChatMemory 接口和 MessageChatMemoryAdvisor 实现。InMemoryChatMemory 是内存实现，将对话历史保存在 JVM 内存中，局限是：应用重启后记忆丢失、无法在多实例间共享、内存占用随对话增长。生产级持久化方案：第一，自定义 ChatMemory 实现，底层用 Redis 存储对话历史，以 conversationId 为 key；第二，用数据库存储，设计 conversation 和 message 两张表，通过 JPA 或 MyBatis 操作；第三，结合 VectorStore 将对话摘要向量化，实现语义检索历史对话。MessageChatMemoryAdvisor 负责在每次对话时自动注入历史消息，通过 conversationId 关联会话，支持配置注入的消息条数限制，避免超出上下文窗口。

【面试题】8. Spring AI 在微服务架构下如何管理 API Key 和实现多模型路由？

【标准答案】API Key 管理方案：第一，通过 Spring Cloud Config 或 Vault 集中管理，避免明文配置在代码库；第二，使用 Kubernetes Secret 注入环境变量；第三，配合 Spring Cloud Config 实现动态刷新，支持密钥轮换；第四，在网关层统一加解密，服务内部只处理密文。多模型路由方案：第一，基于 Spring Cloud Gateway 实现路由层，根据请求头或路径参数转发到不同模型服务；第二，通过自定义 ChatModel 实现动态代理，内部维护模型池，支持负载均衡和故障转移；第三，结合 Resilience4j 实现熔断降级，当主模型不可用时自动切换到备用模型；第四，通过 Micrometer 监控各模型的响应时间和成功率，动态调整路由权重。实际落地建议在配置中心维护模型路由表，支持灰度发布和 A/B 测试。

【面试题】9. Spring AI 1.0 正式版相比之前版本有哪些重大更新？ChatClient 统一入口的意义是什么？

【标准答案】Spring AI 1.0 正式版重大更新包括：第一，ChatClient 作为统一入口，取代了之前分散的 ChatModel 直接调用方式，提供一致的 Fluent API；第二，Advisor 架构标准化，所有增强能力都通过 Advisor 插件实现，替代了之前各模型不同的扩展方式；第三，VectorStore 接口统一，各向量数据库实现遵循相同的 API 规范，切换成本大幅降低；第四，spring.ai.* 配置前缀标准化，之前各模型配置方式不一致的问题得到解决；第五，Observability 支持完善，内置 Micrometer 指标和分布式追踪集成；第六，Streaming 响应支持增强，通过 Flux 实现真正的流式输出。ChatClient 统一入口的意义在于：开发者只需学习一套 API，就能无缝切换底层模型，同时享受 Advisor 带来的能力扩展，降低了学习成本和迁移成本，是 Spring AI 走向成熟的重要标志。

【面试题】10. Spring AI 如何与 Micrometer 集成实现 Observability？可以监控哪些核心指标？

【标准答案】Spring AI 与 Micrometer 集成是开箱即用的，只需在 pom.xml 中引入 spring-boot-starter-actuator 和对应的监控后端依赖（如 Prometheus）。核心监控指标包括：第一，调用指标，如 spring.ai.chat.model.calls（调用次数）、spring.ai.chat.model.latency（响应延迟）、spring.ai.chat.model.errors（错误率）；第二，Token 使用指标，如 spring.ai.chat.model.tokens.prompt（输入 token 数）、spring.ai.chat.model.tokens.completion（输出 token 数）、spring.ai.chat.model.tokens.total（总 token 消耗）；第三，向量检索指标，如 spring.ai.vectorstore.queries（查询次数）、spring.ai.vectorstore.similarity.latency（相似度检索延迟）；第四，Function Calling 指标，如 spring.ai.function.calls（函数调用次数）、spring.ai.function.execution.time（函数执行耗时）。实际落地建议配合 Grafana 仪表盘展示，设置告警规则（如错误率超阈值、延迟过高），实现主动监控和快速定位问题。