本轮 Spring AI 面试题库（带答案）
生成时间：2026-05-24 20:04
【面试题】1. Spring AI的ChatClient和直接用ChatModel有什么区别？为什么要统一到ChatClient？
【标准答案】 ChatModel是底层模型调用接口，只负责发请求拿响应。ChatClient是上层统一入口，加了三个关键能力：一是Fluent API，链式调用更清晰；二是Advisor机制，可以插拔式扩展比如加记忆、加RAG、加日志；三是统一的请求响应抽象，屏蔽不同模型差异。实际项目里我们都是用ChatClient，因为它是Spring AI 1.0推荐的正式入口，后续生态都会围绕它建设。简单说，ChatModel是引擎，ChatClient是方向盘+仪表盘。
【面试题】2. RAG里的TokenTextSplitter切分策略有哪些坑？怎么设置chunk size和overlap？
【标准答案】 最大坑是切分把语义完整性破坏了，比如把一句话切成两半，检索时匹配不到。策略上：第一，chunk size不能太大，超过embedding模型上下文会截断，一般512-1024 tokens；第二，overlap必须有，我设10-20%，保证边界内容能被两边都检索到；第三，按段落或章节切比按token切效果好，可以先用\n\n分隔再按token切；第四，中文场景要注意tokenizer，有些模型用字有些用词。我之前踩过overlap=0的坑，召回率直接掉20%。
【面试题】3. VectorStore选型时，PGVector、Redis、Pinecone各自适合什么场景？
【标准答案】 PGVector：适合已有PostgreSQL基础设施的团队，运维成本低，但性能一般，亿级向量会吃力，适合中小规模内部系统。Redis：适合对延迟敏感的场景，内存查询快，但数据持久化要配置好，适合实时性要求高的推荐系统。Pinecone：托管服务，省心，性能强，但贵，而且数据在云端，适合创业公司快速上线或对运维零投入的团队。我自己的经验：内部知识库用PGVector，在线客服用Redis，外包项目直接Pinecone省事。
【面试题】4. Function Calling里，@Bean注册的函数是怎么被LLM发现的？JSON Schema是怎么生成的？
【标准答案】 Spring AI启动时会扫描所有@Bean标记的Function类型，提取函数名、入参类型、返回类型。然后通过Jackson的JSON Schema生成器，把入参Java类转成JSON Schema，包括字段名、类型、required等约束。这个Schema会作为tool定义发给模型。模型返回tool_call时，Spring AI自动反序列化参数，调用对应函数，再把结果序列化返回。关键是入参类要写清楚字段类型和注释，Schema生成质量直接影响模型调用成功率。
【面试题】5. Structured Output用BeanOutputConverter时，模型返回格式不对怎么办？
【标准答案】 常见三种情况：第一，模型返回了额外字段或缺少字段，要加@JsonIgnore和required配置，或者在prompt里明确约束；第二，嵌套对象解析失败，要检查内部类的Schema是否正确生成，必要时手动指定；第三，大模型幻觉返回了空值或null，要加后置校验。我一般会加一层fallback逻辑：先尝试解析，失败就回退到再问一次模型"请严格按照JSON格式返回"。另外，选择支持structured output的原生模型（如gpt-4o的response_format）比通用模型可靠。
【面试题】6. ChatMemory持久化方案怎么做？InMemoryChatMemory能上生产吗？
【标准答案】 InMemoryChatMemory绝对不能上生产，进程重启会话就丢了。生产方案有三种：第一，基于Redis，用Hash结构存对话列表，按sessionId key管理，TTL自动过期；第二，基于数据库，比如PostgreSQL存messages表，支持查询和分析；第三，用Spring AI扩展接口自己实现，比如对接分布式缓存。我的实践是：配置一个抽象的ChatMemory接口，然后用Redis实现，通过依赖注入切换，测试环境用InMemory快速验证。
【面试题】7. Spring AI的Advisor执行顺序怎么控制？多个Advisor之间怎么协作？
【标准答案】 Advisor有两个拦截点：aroundCall在请求前执行，aroundListen在响应后执行。顺序通过@Order注解或Ordered接口控制，数字越小优先级越高。协作机制：Advisor可以读取和修改请求上下文Advice，比如MemoryAdvisor往请求里加历史消息，RAGAdvisor往请求里加检索文档。下游Advisor能拿到上游Advisor处理后的结果。我之前做个链路：LoggingAdvisor（order=1）-> MemoryAdvisor（order=2）-> RAGAdvisor（order=3），这样先加日志，再加历史，最后加检索内容。
【面试题】8. 微服务架构下，Spring AI应用的API Key和敏感配置怎么管理？
【标准答案】 绝对不能硬编码在代码里，也不能明文写在application.yml。方案一：用Spring Cloud Config + Vault，配置中心统一管理，Vault加密存储；方案二：用Kubernetes Secret，容器启动时注入环境变量；方案三：用云厂商的Secret Manager，比如AWS Secrets Manager或阿里云KMS。我现在的做法：开发环境用本地环境变量，生产环境用Vault，Spring AI通过spring.ai.openai.api-key=${OPENAI_API_KEY}从外部读取，代码里只留占位符。
【面试题】9. Spring AI的Observability监控怎么接入？关键指标有哪些？
【标准答案】 Spring AI集成了Micrometer，开箱即用。引入spring-boot-starter-actuator后，配置management.endpoints.web.exposure.include=metrics,prometheus。关键指标：第一，ai.chat.model.calls统计模型调用次数和延迟；第二，ai.vector.store.similarity.search统计向量检索性能；第三，ai.token.usage统计token消耗；第四，错误率和超时率。我一般会接Prometheus + Grafana，建个Dashboard实时看，超过阈值报警。另外还要监控费用，OpenAI按token收费，异常调用可能导致账单爆炸。
【面试题】10. Spring AI MCP是什么？和Function Calling有什么区别？
【标准答案】 MCP是Model Context Protocol，Anthropic推出的标准化协议，让AI模型能统一访问外部工具、数据源、环境。Function Calling是单次工具调用，模型返回tool_call，应用执行返回结果。MCP是更高层次的抽象：它定义了Resources（可读资源）、Tools（可执行工具）、Prompts（预定义提示词）三类能力，客户端可以动态发现和调用。Spring AI MCP支持意味着可以用统一协议对接不同Agent系统。区别：Function Calling是点对点调用，MCP是标准化工具生态，后者更适合复杂Agent编排场景。
本轮共10题，覆盖：ChatClient架构、RAG切分策略、VectorStore选型、Function Calling原理、Structured Output踩坑、ChatMemory持久化、Advisor机制、安全配置、Observability监控、MCP前沿趋势。