Spring AI 面试题库
生成时间：2026-05-22 22:50 题目数量：10道 覆盖范围：Spring AI核心架构、RAG、Function Calling、多模型、Structured Output、Chat Memory、微服务部署、1.0更新、生态集成、前沿趋势
【面试题】1. Spring AI中ChatClient和ChatModel的区别是什么？实际开发中该用哪个？
【标准答案】ChatModel是底层抽象接口，直接跟大模型通信，输入Prompt返回ChatResponse，属于"裸调用"。ChatClient是Spring AI 1.0引入的统一高层API，内部封装了ChatModel，同时集成了Advisor链、Fluent API、结构化输出、对话记忆等能力。实际开发中90%场景用ChatClient，它提供的链式调用更简洁：chatClient.prompt().user("xxx").advisors(...).call()。只有在需要极细粒度控制模型参数或做底层扩展时才直接用ChatModel。面试关键点：ChatClient = ChatModel + Advisor + Fluent API + 生态集成，是Spring AI推荐的主入口。
【面试题】2. RAG流程中TokenTextSplitter的chunkSize和overlap怎么调？过大过小各有什么问题？
【标准答案】chunkSize控制每次切分的文本长度，overlap控制相邻块的重叠字符数。chunkSize过大：检索时噪声多，不相关的段落混入上下文，token浪费且答案精度下降；chunkSize过小：语义被截断，同一个完整知识点被拆到不同块里，检索可能漏掉关键信息。overlap的作用是保证边界处的语义连续性，通常设为chunkSize的10%-20%。经验值：中文文档chunkSize 500-1000、overlap 50-100效果较好；代码类文档可以小一点chunkSize 300-500。实际调优要结合向量库的similaritySearch召回率做评估，没有银弹，靠实验定。
【面试题】3. Spring AI的Function Calling中，@Bean注册的函数是怎么被模型发现和调用的？整个调度流程讲一下。
【标准答案】分三步走：第一步，开发者用@Bean注册一个返回类型为Function的Bean，Spring AI自动扫描并将其函数名、参数结构生成JSON Schema描述；第二步，用户请求时通过ChatClient的.functions("funcName")声明可用函数，Spring AI把函数描述塞入请求的tools字段发给模型；第三步，模型判断需要调用工具时返回tool_call响应（含函数名+参数），Spring AI拦截该响应，本地执行对应Bean的apply方法，将结果再拼回上下文重新调用模型，最终拿到自然语言答案。关键点：函数执行在本地而非模型侧，模型只负责决策"调哪个、传什么参"，Spring AI框架负责调度和结果回填。
【面试题】4. Spring AI对接多个大模型时，如何实现运行时动态切换？配置上怎么管理？
【标准答案】Spring AI通过spring.ai.*配置前缀隔离不同模型的参数，比如spring.ai.openai.api-key、spring.ai.ollama.base-url各自独立。运行时切换有两种方案：一是多ChatModel Bean注入，用@Qualifier按名获取不同的ChatModel实现，手动选择调用；二是利用Spring AI的ChatClient.Builder动态构建，不同场景注入不同ChatModel。生产环境推荐方案一配合策略模式，在Service层根据业务路由选择模型——比如简单问答走Ollama本地模型降成本，复杂推理走OpenAI保质量。面试加分点：提到配置外部化用Nacos/Apollo管理，结合Properties实现动态刷新。
【面试题】5. Structured Output用BeanOutputConverter把模型输出映射到POJO时，常见的坑有哪些？怎么规避？
【标准答案】三大坑：第一，模型输出不严格遵循Schema，尤其是嵌套对象和枚举值经常出错——规避方式是在Prompt里显式要求"只输出JSON，不要任何其他内容"，并用converter.getFormat()注入格式指令；第二，LLM生成非法JSON（缺括号、多余逗号），BeanOutputConverter内部有修复逻辑但不保证100%成功——生产环境建议加try-catch做降级；第三，Schema约束不足导致模型"自由发挥"字段——规避方式是用Jackson注解(@JsonProperty、@JsonIgnore)和Bean Validation(@NotNull、@Size)双重约束Schema生成。entity()方法是最简写法，底层也是走BeanOutputConverter，但错误处理更弱，复杂场景建议手动用converter。
【面试题】6. ChatMemory的InMemoryChatMemory能上生产吗？持久化方案有哪些选择？
【标准答案】InMemoryChatMemory绝对不能直接上生产——应用重启对话全丢，多实例部署时各实例内存不共享，用户换一台机器就失忆。持久化方案三条路：一是数据库存储，自己实现ChatMemoryRepository接口，把消息序列化后存MySQL/PostgreSQL，按conversationId查询恢复，最通用；二是Redis存储，利用Redis的List结构存消息历史，设置TTL自动过期，适合高并发场景；三是用Spring AI社区已有的JdbcChatMemory等扩展实现直接接入。面试核心：ChatMemory接口只定义了add和get，具体存储实现完全可插拔，MessageChatMemoryAdvisor负责在调用前注入历史消息到Prompt上下文中。
【面试题】7. Spring AI 1.0正式版相比0.x系列，最大的架构变化是什么？对开发者有什么实际影响？
【标准答案】最核心的三个变化：第一，ChatClient成为统一入口，0.x时代要用不同方式调不同模型，1.0后全部走ChatClient的Fluent API，学习成本大幅降低；第二，Advisor架构替代了旧的拦截器模式，Advisor可以链式编排，每个Advisor处理一次请求/响应，实现横切关注点（日志、记忆、RAG、重试等）的优雅解耦；第三，VectorStore接口统一，0.x时代各向量库API不统一，1.0统一了add/delete/similaritySearch方法，切换向量库只需换依赖和配置，业务代码零改动。对开发者的实际影响：代码更简洁、可测试性更强、模型和向量库替换成本趋近于零。
【面试题】8. 在微服务架构下用Spring AI，API Key怎么安全管理？直接写在application.yml里有什么风险？
【标准答案】直接写application.yml里三大风险：代码仓库泄露（推到Git就完蛋）、多环境无法隔离（开发/测试/生产用同一个Key）、轮换困难（改Key要重新部署）。安全管理方案：首选Spring Cloud Vault或HashiCorp Vault，应用启动时从Vault动态拉取Key，内存中使用不落盘；次选配置中心（Nacos/Apollo）加密存储，配合Spring的Environment Post Processor解密注入；最低要求也要用环境变量注入：spring.ai.openai.api-key=${OPENAI_API_KEY}，K8s环境下用Secret挂载。面试加分：提到Key轮换机制，Vault支持动态Secret自动续期，比静态Key安全一个量级。
【面试题】9. Spring AI的Advisor机制和Spring MVC的Interceptor有什么本质区别？能举一个自定义Advisor的实际场景吗？
【标准答案】本质区别：Interceptor拦截的是HTTP请求/响应，工作在Web层；Advisor拦截的是大模型调用链，工作在AI层。Advisor有请求和响应两个回调点（advice on request / advice on response），可以修改发往模型的Prompt，也可以修改模型返回的结果，而且Advisor之间可以链式组合形成pipeline。实际场景举例：内容安全审查Advisor——在请求端扫描用户输入是否含敏感词，命中则拦截不调用模型；在响应端扫描模型输出是否违规，命中则替换为兜底回复。另一个场景：Token用量统计Advisor，响应端提取usage信息上报Micrometer，实现调用成本实时监控。
【面试题】10. Spring AI MCP是什么？它和Function Calling有什么关系和区别？
【标准答案】MCP是Model Context Protocol的缩数，是Anthropic提出的开放协议，定义了AI模型与外部工具/资源的标准化交互方式。Spring AI MCP是对该协议的实现，让Spring AI应用既能作为MCP Client调用外部工具，也能作为MCP Server暴露自己的能力。和Function Calling的关系：Function Calling是模型侧的能力（模型决定调什么工具），MCP是传输协议侧的规范（定义工具怎么注册、发现、调用）。可以理解为MCP是Function Calling的"传输层升级"——Function Calling走的是Spring AI内部调度，MCP走的是标准化协议通道，支持跨进程、跨服务调用工具。区别：Function Calling适合单体应用内嵌工具，MCP适合分布式场景下工具的动态发现与编排。Spring AI 1.0+同时支持两者，开发者按架构复杂度选择。