工作知识库

Appearance

Spring AI 面试题库（2026-05-23 15:50） ​

【面试题】1. Spring AI中ChatClient和ChatModel有什么区别？实际开发中该如何选择？ ​

【标准答案】ChatModel是底层抽象，直接处理Prompt返回ChatResponse，需要手动管理对话历史和上下文。ChatClient是高层门面，内置了Fluent API、Advisor链式处理、对话记忆自动管理。

选型原则：

  • 简单单轮问答、纯模型调用 → 用ChatModel，更轻量
  • 对话系统、RAG、Function Calling、需要记忆 → 用ChatClient，开箱即用
  • 新项目优先ChatClient，Spring AI 1.0已将其作为统一入口

实际代码：chatClient.prompt().user("你好").call().content() 一行搞定，比ChatModel省去很多样板代码。

【面试题】2. RAG中TokenTextSplitter分块大小的设置策略是什么？分块太大或太小有什么问题？ ​

【标准答案】核心原则：平衡语义完整性和检索精度。

分块太大（>1000 tokens）：

  • 检索精度下降，噪音多
  • 单块包含多个主题，相似度计算不准确
  • LLM处理成本高

分块太小（<100 tokens）：

  • 语义被截断，上下文丢失
  • 检索召回率低，漏掉相关内容
  • 分块数量爆炸，向量库压力大

推荐配置：

  • 一般文档：512-768 tokens，overlap 50-100
  • 代码/结构化文档：256-512 tokens
  • 配合向量库topK参数调整：分块小则K调大

实际项目用TokenTextSplitter时，会先跑几批测试数据，看检索命中率再调优。

【面试题】3. Spring AI的Advisor机制是如何工作的？你能说出几个内置Advisor的用途？ ​

【标准答案】Advisor是请求-响应拦截器，采用责任链模式，可以在请求发往模型前、响应返回后插入自定义逻辑。

执行流程：Request → Advisor1 → Advisor2 → ChatModel → Advisor2 → Advisor1 → Response

内置Advisor：

  • QuestionAnswerAdvisor：RAG场景，自动做相似度检索，把相关文档注入Prompt
  • MessageChatMemoryAdvisor：对话记忆，自动在请求中添加历史消息
  • PromptTruncateAdvisor：截断过长Prompt，防超限

自定义Advisor：实现CallAroundAdvisor或StreamAroundAdvisor，重写aroundCall()方法。

典型应用：添加系统提示词、日志审计、敏感词过滤、Token计费统计。

【面试题】4. Spring AI Function Calling的tool_call调度流程是怎样的？如何注册自定义工具？ ​

【标准答案】完整流程：

  1. 用户提问 → LLM判断需要调用工具
  2. LLM返回tool_call请求（包含函数名+参数JSON）
  3. Spring AI解析请求，从ApplicationContext查找匹配的@Bean函数
  4. 执行函数，获取返回结果
  5. 将结果作为tool消息回传LLM
  6. LLM整合结果，生成最终回复

注册自定义工具：

java
@Bean
public Function<WeatherRequest, WeatherResponse> weatherTool() {
    return request -> weatherService.getWeather(request.city());
}

关键点：

  • Spring AI自动生成JSON Schema供LLM理解参数结构
  • 函数签名要清晰，参数用record或POJO
  • 配置spring.ai.openai.functions.weather.description可自定义工具描述

【面试题】5. Spring AI中如何实现多模型切换？比如开发用Ollama本地模型，生产用OpenAI？ ​

【标准答案】Spring AI的多模型切换通过spring.ai.*配置前缀+依赖管理实现。

方案一：Profile切换

yaml
# application-dev.yml
spring.ai.ollama.base-url: http://localhost:11434

# application-prod.yml
spring.ai.openai.api-key: ${OPENAI_API_KEY}

方案二：代码层ChatModel注入

java
@Profile("dev")
@Bean
ChatModel chatModel(OllamaChatModel model) { return model; }

@Profile("prod")
@Bean
ChatModel chatModel(OpenAiChatModel model) { return model; }

方案三：运行时动态选择

java
@Service
public class ChatRouter {
    private final Map<String, ChatModel> models;
    
    public ChatResponse chat(String model, String prompt) {
        return models.get(model).call(new Prompt(prompt));
    }
}

实际项目推荐Profile方式，配置外部化，不用改代码。

【面试题】6. VectorStore向量库选型时，PGVector、Redis、Pinecone、Milvus各有什么适用场景？ ​

【标准答案】

  • PGVector：已有PostgreSQL基础设施的项目，一体化省运维，但性能一般，适合中小规模（百万级）
  • Redis：已有Redis集群可复用，延迟低，适合高频检索，但向量维度受限（通常≤1536）
  • Pinecone：全托管SaaS，零运维，适合快速上线、团队小、不想管基础设施，但成本高、数据出域
  • Milvus：开源专业向量库，高性能、分布式、支持十亿级，适合大规模企业级部署，但运维复杂度高
  • Chroma：轻量级，适合原型开发、本地测试，不推荐生产高并发

选型逻辑：

  • 快速原型 → Chroma/PGVector
  • 已有基础设施 → Redis/PGVector复用
  • 大规模生产 → Milvus/Pinecone
  • 数据敏感不出域 → Milvus/PGVector自建

【面试题】7. Spring AI的Structured Output结构化输出如何保证格式稳定？有哪些常见坑？ ​

【标准答案】Spring AI通过BeanOutputConverter+JSON Schema约束实现结构化输出。

用法：

java
var converter = new BeanOutputConverter<>(MyRecord.class);
String schema = converter.getFormat();
String response = chatClient.prompt()
    .user(prompt + schema)
    .call()
    .content();
MyRecord result = converter.convert(response);

常见坑：

  1. Schema过长：复杂POJO的Schema可能超Token限制，LLM会截断或忽略
  2. 嵌套对象解析失败：深嵌套结构LLM难以稳定输出，建议扁平化
  3. 枚举值不准：LLM可能输出Schema未定义的值，需校验
  4. 多语言模型差异：不同模型对JSON Schema理解能力不同，OpenAI最强，本地模型较弱
  5. 强制格式：用.entity(MyRecord.class)比手动解析更稳定，Spring AI会自动重试

最佳实践：Schema尽量简单、字段加description提示、输出后校验。

【面试题】8. Spring AI的ChatMemory对话记忆如何实现持久化？生产环境推荐什么方案？ ​

【标准答案】Spring AI提供ChatMemory接口，默认InMemoryChatMemory只存内存，重启丢失。

持久化方案：

方案一：数据库持久化

java
public class JdbcChatMemory implements ChatMemory {
    private final JdbcTemplate jdbc;
    
    @Override
    public void add(String conversationId, List<Message> messages) {
        // 序列化Message存入数据库
    }
    
    @Override
    public List<Message> get(String conversationId) {
        // 从数据库加载
    }
}

方案二：Redis持久化

  • 用Redis List存储，天然支持LPUSH/LRANGE
  • 设置TTL自动清理过期对话
  • 高性能，适合高并发场景

方案三：混合架构

  • 近期热数据 → Redis
  • 历史归档 → 数据库/OSS

生产推荐：

  • 用户少、对话短 → InMemory足够
  • 有状态服务 → Redis
  • 合规审计要留痕 → 数据库持久化

关键点：MessageChatMemoryAdvisor会自动调用ChatMemory，无需手动管理历史消息插入。

【面试题】9. Spring AI微服务部署时，API Key如何安全管理？有哪几种方案？ ​

【标准答案】API Key泄露是重大安全隐患，生产环境必须加密存储+动态注入。

方案一：环境变量

yaml
spring.ai.openai.api-key: ${OPENAI_API_KEY}

容器化部署时通过K8s Secret或Docker secrets注入，不进代码库。

方案二：配置中心加密

  • Spring Cloud Config + Jasypt加密
  • Vault动态注入
  • Nacos加密配置

方案三：网关代理

  • API网关统一管理Key
  • 下游服务无Key，只传请求
  • 集中审计、限流

方案四：Key轮换

  • 定期更换API Key
  • 支持多Key负载均衡，单Key泄露影响小

生产推荐：网关代理 + Vault动态注入，双重保险。开发环境用.env文件但要加.gitignore。

【面试题】10. Spring AI 1.0正式版相比之前的Milestone版本，有哪些重要更新？ ​

【标准答案】Spring AI 1.0 GA（2024年底发布）是里程碑版本，架构全面升级：

核心更新：

  1. ChatClient统一入口：取代直接用ChatModel，Fluent API更简洁
  2. Advisor架构：责任链模式统一处理Prompt增强、记忆、RAG等
  3. VectorStore接口统一：所有向量库实现同一接口，切换成本低
  4. 配置前缀标准化：全部用spring.ai.*前缀，配置更规范
  5. Observability集成：原生支持Micrometer指标、追踪链路
  6. 多模态支持：图像、音频输入输出能力增强
  7. Streaming响应优化：stream()方法返回Flux，支持WebFlux响应式

迁移注意点：

  • 旧版AiClient废弃 → 改用ChatClient
  • VectorStore API变化 → 检查方法签名
  • 配置属性名调整 → 更新application.yml

升级建议：新项目直接用1.0，老项目按迁移指南逐步升级，API变化较大需要回归测试。

生成时间：2026-05-23 15:50 | 共10题