Spring AI 面试题库

生成时间: 2026-05-22 22:56 题目数量: 10道

本轮 Spring AI 面试题库（带答案）

【面试题】1. ChatClient 和 ChatModel 有什么区别？实际项目怎么选？

【标准答案】这两个是不同层级的抽象。ChatModel 是底层接口，直接跟模型厂商对接，你给它 Prompt，它返回 ChatResponse，是最原始的调用方式。ChatClient 是高层门面，在 ChatModel 之上封装了 Fluent API、Advisor 机制、对话记忆这些高级能力。

实际项目我首选 ChatClient，因为它的链式调用特别舒服，比如：

java

chatClient.prompt()
    .user("分析这段代码")
    .advisors(new QuestionAnswerAdvisor(vectorStore))
    .call()
    .content();

一行搞定 RAG 增强。除非你要做深度定制，比如自己实现调度逻辑，才考虑直接用 ChatModel。Spring AI 1.0 之后，官方也明确推荐用 ChatClient 作为统一入口。

【面试题】2. Advisor 机制是什么？能解决什么问题？

【标准答案】 Advisor 是 Spring AI 的拦截器架构，类似 Spring MVC 的 HandlerInterceptor。它在请求前后的切面中注入逻辑，比如：

请求前：把历史对话塞进 Prompt、从向量库检索相关文档
响应后：记录日志、转换输出格式

典型场景：

ChatMemoryAdvisor：自动管理对话历史，不用每次手动拼接 Message 列表
QuestionAnswerAdvisor：RAG 场景下，根据用户问题自动检索向量库，把相关文档作为上下文注入

核心接口是 CallAroundAdvisor 和 StreamAroundAdvisor，前者处理同步调用，后者处理流式响应。实现 aroundCall 方法，拿到 AdvisedRequest 做增强，再调用 nextAroundCall 传递给下一个 Advisor。

【面试题】3. VectorStore 这么多实现（PGVector、Redis、Pinecone、Chroma、Milvus），生产环境怎么选？

【标准答案】选型看三个维度：数据规模、部署模式、团队能力。

PGVector：

优势：团队熟悉 PostgreSQL，运维成本低，事务支持好
劣势：大规模向量检索性能一般，适合中小规模（百万级以内）
场景：已有 PG 基础设施，向量只是辅助功能

Milvus：

优势：专为向量设计，十亿级检索性能强，支持多种索引（IVF、HNSW）
劣势：独立集群，运维复杂
场景：大规模向量检索，专门的向量数据库场景

Redis Stack：

优势：团队熟悉，支持向量+缓存一体化，延迟低
劣势：内存成本高，适合热数据
场景：对延迟敏感，数据量不大

Pinecone：

优势：全托管，零运维，快速上手
劣势：成本高，数据出海外有合规风险
场景：海外项目，快速验证

我的经验：中小项目直接 PGVector，省运维；大规模项目 Milvus；海外快速上 Pinecone。

【面试题】4. Function Calling 的 tool_call 调度流程是怎样的？底层原理是什么？

【标准答案】整个流程分三步：

第一步：模型决策 用户问题 + 可用工具列表发送给模型，模型判断是否需要调工具。如果需要，返回 tool_call 类型的响应，包含函数名和参数。

第二步：函数执行 Spring AI 自动解析 tool_call，从 Spring 容器找到对应 Bean，传入参数执行。这里关键是 JSON Schema 自动生成——框架扫描 @Bean 注册的函数，根据方法签名生成 Schema，模型根据 Schema 填参数。

第三步：结果回填 执行结果封装成 tool 类型的 Message，连同原始对话一起再发给模型，模型给出最终回答。

底层原理：Spring AI 通过 FunctionCallback 接口封装函数，FunctionCallbackWrapper 负责参数解析和结果转换。配置时用 @Bean 注册，框架自动扫描并注入到 ChatClient。

【面试题】5. BeanOutputConverter 怎么用？有什么坑？

【标准答案】 BeanOutputConverter 用于把模型输出转换成 Java 对象，核心方法：

java

BeanOutputConverter<Order> converter = new BeanOutputConverter<>(Order.class);
Order order = converter.convert(response.getContent());

使用要点：

POJO 必须有无参构造和 setter/getter
字段名要和 JSON key 一致，或用 @JsonProperty 映射
嵌套对象也能自动映射，但类型要匹配

常见坑：

Schema 不准确：框架生成的 JSON Schema 有时不够精确，复杂对象可能映射失败。建议手动指定 Schema：
java
```
BeanOutputConverter<Order> converter = 
    new BeanOutputConverter<>(Order.class, customSchema);
```
模型幻觉字段：模型可能返回多余字段，ObjectMapper 默认不报错，但业务逻辑可能异常。建议配置 DeserializationFeature.FAIL_ON_UNKNOWN_PROPERTIES
空值处理：模型可能返回 null，业务代码要防御

【面试题】6. ChatMemory 对话记忆怎么持久化？InMemoryChatMemory 有什么局限？

【标准答案】 Spring AI 的 ChatMemory 接口定义了对话历史管理规范：

java

public interface ChatMemory {
    void add(String conversationId, List<Message> messages);
    List<Message> get(String conversationId, int lastN);
    void clear(String conversationId);
}

InMemoryChatMemory 局限：

数据只存内存，应用重启就丢失
单机，无法横向扩展
适合单轮会话或临时缓存

持久化方案：实现自定义 ChatMemory，底层用数据库存储：

java

public class JdbcChatMemory implements ChatMemory {
    private JdbcTemplate jdbc;
    
    @Override
    public void add(String conversationId, List<Message> messages) {
        messages.forEach(msg -> {
            jdbc.update(
                "INSERT INTO chat_memory (conv_id, role, content, created_at) VALUES (?,?,?,?)",
                conversationId, msg.getMessageType().name(), msg.getContent(), Instant.now()
            );
        });
    }
    
    @Override
    public List<Message> get(String conversationId, int lastN) {
        return jdbc.query(
            "SELECT role, content FROM chat_memory WHERE conv_id = ? ORDER BY created_at DESC LIMIT ?",
            (rs, i) -> new ChatMessage(rs.getString("role"), rs.getString("content")),
            conversationId, lastN
        );
    }
}

生产环境建议：Redis（热数据）+ MySQL（冷数据），配合 TTL 自动清理。

【面试题】7. 多模型对接怎么实现切换？spring.ai.* 配置怎么配？

【标准答案】 Spring AI 通过 spring.ai.* 配置前缀实现多模型切换。

配置示例（OpenAI）：

yaml

spring:
  ai:
    openai:
      api-key: ${OPENAI_API_KEY}
      base-url: https://api.openai.com
      chat:
        options:
          model: gpt-4
          temperature: 0.7

切换到 Ollama：

yaml

spring:
  ai:
    ollama:
      base-url: http://localhost:11434
      chat:
        options:
          model: llama3

多模型并存：如果项目里要同时支持多个模型，可以定义多个 ChatModel Bean：

java

@Bean
public ChatModel openAiChat(OpenAiChatProperties props) {
    return new OpenAiChatModel(props);
}

@Bean
public ChatModel ollamaChat(OllamaChatProperties props) {
    return new OllamaChatModel(props);
}

业务代码里按需注入：

java

@Autowired @Qualifier("openAiChat")
private ChatModel openAi;

@Autowired @Qualifier("ollamaChat")
private ChatModel ollama;

动态切换：用路由策略，根据请求参数或用户配置选择模型：

java

public ChatModel resolveModel(String modelType) {
    return switch (modelType) {
        case "openai" -> openAi;
        case "ollama" -> ollama;
        default -> openAi;
    };
}

【面试题】8. 流式响应（Streaming）怎么实现？有什么注意事项？

【标准答案】 Spring AI 的流式响应用 Flux<String> 返回：

java

@GetMapping(value = "/chat/stream", produces = MediaType.TEXT_EVENT_STREAM_VALUE)
public Flux<String> streamChat(@RequestParam String question) {
    return chatClient.prompt()
        .user(question)
        .stream()
        .content();
}

核心注意点：

背压处理： WebFlux 的 Flux 自带背压机制，客户端消费慢时自动降低生产速度。但要注意：如果上游模型响应很快，下游消费慢，可能导致内存积压。建议用 limitRate() 控制速率：
java
```
.stream().content().limitRate(10)
```

超时控制：流式响应超时比较特殊，不能简单用 timeout()，建议用 takeUntilOther()：

java

Flux<String> timeoutSignal = Flux.interval(Duration.ofSeconds(30));
stream.content().takeUntilOther(timeoutSignal);

错误恢复：流式中断要优雅降级：

java

.onErrorResume(e -> {
    log.error("Stream error", e);
    return Flux.just("抱歉，生成中断");
})

前端对接： SSE 格式，前端用 EventSource 接收：

javascript

const source = new EventSource('/chat/stream?question=xxx');
source.onmessage = e => console.log(e.data);

【面试题】9. Spring AI 1.0 相比之前的版本有哪些重大变化？

【标准答案】 Spring AI 1.0 是正式版，相比 M 系列（Milestones）有几个核心变化：

1. ChatClient 统一入口：之前版本 ChatModel 和 StreamingChatModel 分离，1.0 之后统一用 ChatClient 的 call() 和 stream() 方法，API 更一致。

2. Advisor 架构稳定：之前 Advisor 是实验特性，1.0 正式稳定。CallAroundAdvisor 和 StreamAroundAdvisor 接口固化，官方提供 ChatMemoryAdvisor、QuestionAnswerAdvisor 等实现。

3. VectorStore 接口统一：之前不同向量库接口有差异，1.0 统一为：

java

public interface VectorStore {
    void add(List<Document> documents);
    List<Document> similaritySearch(String query);
    List<Document> similaritySearch(SearchRequest request);
}

新增 SearchRequest 支持分页、过滤、阈值等参数。

4. 配置前缀标准化： spring.ai.* 正式成为配置规范，所有模型配置统一前缀：

spring.ai.openai.*
spring.ai.ollama.*
spring.ai.anthropic.*

5. 结构化输出增强： BeanOutputConverter 支持更复杂的 POJO，新增 entity() 方法直接映射：

java

Order order = chatClient.prompt()
    .user("解析订单：" + text)
    .call()
    .entity(Order.class);

【面试题】10. 设计一个智能客服系统，要支持多轮对话、知识库检索、订单查询，用 Spring AI 怎么架构？

【标准答案】我会分四层设计：

第一层：接入层

WebFlux 暴露两个端点：/chat（同步）、/chat/stream（流式）
前端用 SSE 接收流式响应
请求参数：userId、sessionId、question

第二层：对话编排层（核心）

java

@Service
public class CustomerServiceOrchestrator {
    
    private final ChatClient chatClient;
    private final VectorStore vectorStore;
    
    public String chat(String userId, String sessionId, String question) {
        return chatClient.prompt()
            .user(question)
            // 对话记忆
            .advisors(new MessageChatMemoryAdvisor(chatMemory, sessionId, 10))
            // RAG 增强
            .advisors(new QuestionAnswerAdvisor(vectorStore))
            // 工具调用
            .functions("queryOrder", "queryLogistics")
            .call()
            .content();
    }
}

第三层：工具层

queryOrder：查询订单状态（Bean 注册，参数：订单号）
queryLogistics：查询物流信息（Bean 注册，参数：运单号）
knowledgeSearch：知识库检索（Advisor 自动处理）

第四层：数据层

ChatMemory：Redis 存储，按 sessionId 分 key，TTL 24h
VectorStore：Milvus 存知识库文档，PGVector 存临时数据
业务库：MySQL 存订单、物流数据

核心流程：

用户问题进来
ChatMemoryAdvisor 自动注入历史对话
QuestionAnswerAdvisor 检索知识库，把相关文档注入 Prompt
模型判断是否需要调工具（查订单/物流）
Function Calling 执行查询，结果回填
模型生成最终回复
历史记录存入 Redis

性能优化：

流式响应，减少首字延迟
向量库索引优化（HNSW）
对话历史压缩（只保留关键信息）
工具调用结果缓存（热点订单）

题目统计: 共10道面试题，覆盖技术基础(2题)、架构设计(3题)、场景实操(3题)、版本更新(1题)、综合应用(1题)

Spring AI 面试题库 ​

本轮 Spring AI 面试题库（带答案） ​

【面试题】1. ChatClient 和 ChatModel 有什么区别？实际项目怎么选？ ​

【面试题】2. Advisor 机制是什么？能解决什么问题？ ​

【面试题】3. VectorStore 这么多实现（PGVector、Redis、Pinecone、Chroma、Milvus），生产环境怎么选？ ​

【面试题】4. Function Calling 的 tool_call 调度流程是怎样的？底层原理是什么？ ​

【面试题】5. BeanOutputConverter 怎么用？有什么坑？ ​

【面试题】6. ChatMemory 对话记忆怎么持久化？InMemoryChatMemory 有什么局限？ ​

【面试题】7. 多模型对接怎么实现切换？spring.ai.* 配置怎么配？ ​

【面试题】8. 流式响应（Streaming）怎么实现？有什么注意事项？ ​

【面试题】9. Spring AI 1.0 相比之前的版本有哪些重大变化？ ​

【面试题】10. 设计一个智能客服系统，要支持多轮对话、知识库检索、订单查询，用 Spring AI 怎么架构？ ​

Spring AI 面试题库

本轮 Spring AI 面试题库（带答案）

【面试题】1. ChatClient 和 ChatModel 有什么区别？实际项目怎么选？

【面试题】2. Advisor 机制是什么？能解决什么问题？

【面试题】3. VectorStore 这么多实现（PGVector、Redis、Pinecone、Chroma、Milvus），生产环境怎么选？

【面试题】4. Function Calling 的 tool_call 调度流程是怎样的？底层原理是什么？

【面试题】5. BeanOutputConverter 怎么用？有什么坑？

【面试题】6. ChatMemory 对话记忆怎么持久化？InMemoryChatMemory 有什么局限？

【面试题】7. 多模型对接怎么实现切换？spring.ai.* 配置怎么配？

【面试题】8. 流式响应（Streaming）怎么实现？有什么注意事项？

【面试题】9. Spring AI 1.0 相比之前的版本有哪些重大变化？

【面试题】10. 设计一个智能客服系统，要支持多轮对话、知识库检索、订单查询，用 Spring AI 怎么架构？