本轮 Spring AI 面试题库（带答案）
【面试题】1. Spring AI 1.0中ChatClient统一入口相比直接使用ChatModel有哪些优势？
【标准答案】ChatClient是Spring AI 1.0推荐的高层API，优势主要体现在三点：第一是Fluent API链式调用，代码更简洁优雅，比如chatClient.prompt().user("你好").call().content()一行搞定；第二是内置Advisor机制，可以在请求前后插入切面逻辑，比如自动添加系统提示、对话记忆、RAG检索等；第三是与Spring生态深度集成，支持自动配置、依赖注入，配置项统一在spring.ai.*前缀下。而ChatModel是底层抽象，需要手动处理更多细节。简单说，ChatClient是"开箱即用"的门面，ChatModel是"底层引擎"，面试时建议强调实际项目中优先使用ChatClient。
【面试题】2. Advisor机制在Spring AI中是如何工作的？执行顺序是怎样的？
【标准答案】Advisor是Spring AI的AOP切面机制，核心是CallAroundAdvisor和StreamAroundAdvisor两个接口。执行顺序遵循"洋葱模型"：请求阶段按注册顺序正向执行，响应阶段逆向执行。比如注册了Advisor A和B，请求链是A前→B前→调用模型→B后→A后。典型应用场景：MessageChatMemoryAdvisor在请求前注入历史对话、QuestionAnswerAdvisor在请求前做RAG检索。通过@Order注解或getOrder()方法控制顺序，数值小的先执行。面试重点：Advisor不侵入业务代码，实现了横切关注点的解耦，是Spring AI架构设计的亮点。
【面试题】3. Spring AI的Function Calling中，@Bean注册的函数是如何被模型发现和调用的？
【标准答案】流程分四步：第一步，开发者用@Bean定义一个返回类型为Function<I,O>的bean，Spring AI自动扫描注册到FunctionCallbackRegistry；第二步，在ChatClient调用时通过.functions("funcName")指定可用函数；第三步，Spring AI根据函数签名自动生成JSON Schema，随请求发送给模型，模型据此知道有哪些工具可用；第四步，模型返回tool_call时，Spring AI自动反序列化参数、执行函数、将结果回传给模型继续对话。关键点：JSON Schema自动生成省去了手动定义的繁琐，整个调度对开发者透明。面试加分项：提一句可以用FunctionCallback.builder()自定义函数描述和参数schema。
【面试题】4. RAG场景中TokenTextSplitter的作用是什么？有哪些关键参数需要调优？
【标准答案】TokenTextSplitter负责将长文档切分成适合向量化的文本块。核心作用是让每个chunk不超过embedding模型的token限制，同时保持语义完整性。关键参数有三个：defaultChunkSize控制每个块的最大token数，一般500-1000；defaultOverlapSize是块之间的重叠token数，保证跨块语义不丢失，通常50-200；keepSeparator是否保留分隔符。调优思路：chunk太大→检索粒度粗、召回不精准；chunk太小→上下文丢失、需要更多overlap补救。面试建议结合实际项目说，比如技术文档用800/100，FAQ类短文档用300/50。还要提一句：TokenTextSplitter基于tiktoken计算token数，比简单按字符切分更准确。
【面试题】5. Spring AI支持哪些VectorStore？它们的选型依据是什么？
【标准答案】Spring AI 1.0统一了VectorStore接口，主流实现包括：PGVector（PostgreSQL扩展，适合已有PG基础设施）、Redis（高性能、支持混合查询）、Pinecone（全托管、免运维）、Chroma（轻量级、适合快速原型）、Milvus（开源、支持大规模向量）。选型考虑四点：第一，数据规模，百万级以上推荐Milvus或Pinecone；第二，运维成本，不想管基础设施选Pinecone；第三，查询复杂度，Redis支持向量+关键词混合查询；第四，团队技术栈，���有PostgreSQL就别另起炉灶。面试加分：提一句Spring AI的VectorStore接口让切换成本极低，配置文件改一行就能换实现。
【面试题】6. BeanOutputConverter在结构化输出中的原理是什么？有哪些常见坑？
【标准答案】BeanOutputConverter利用JSON Schema将LLM输出映射为Java POJO。原理：通过反射分析POJO字段，生成对应的JSON Schema，作为prompt的一部分约束模型输出；模型返回JSON后，用ObjectMapper反序列化为对象。常见坑有三个：第一，字段名不匹配，默认用Java字段名，需要@JsonProperty注解映射；第二，枚举类型处理不当，模型可能返回不在枚举中的值，需要@JsonCreator兜底；第三，复杂嵌套对象schema生成不准确，建议用BeanOutputConverter.builder()手动定制schema。面试建议：强调schema是"指导"而非"强制"，模型可能不遵守，重要字段要做后置校验。
【面试题】7. ChatMemory的InMemoryChatMemory实现有什么局限？生产环境如何持久化？
【标准答案】InMemoryChatMemory是Spring AI内置的内存实现，优点是简单、零配置；缺点是应用重启丢失、单机无法跨实例共享。生产环境持久化方案有三类：第一，数据库存储，自定义实现ChatMemory接口，将对话历史存入MySQL/PostgreSQL的JSON字���；第二，Redis存储，用Redis List或Stream存储，天然支持TTL过期；第三，VectorStore混合方案，把重要对话向量化后存入向量库，支持语义检索历史。面试关键点：ChatMemory是接口，Spring AI没有内置持久化实现，需要自己写或用社区方案。MessageChatMemoryAdvisor负责在请求前从ChatMemory加载历史、请求后保存新消息，两者配合完成对话记忆闭环。
【面试题】8. 如何在Spring AI中实现多模型切换？配置前缀spring.ai.*如何工作？
【标准答案】Spring AI 1.0统一了配置前缀spring.ai.*，不同模型通过spring.ai.<provider>区分。比如spring.ai.openai.api-key、spring.ai.ollama.base-url、spring.ai.zhipuai.api-key。切换方式有三层：第一层，配置文件切换，改spring.ai.chat.model指定默认模型；第二层，代码动态切换，通过ChatClient.builder().defaultModel("modelName")覆盖；第三层，运行时切换，chatClient.prompt().model("gpt-4").call()指定单次请求模型。面试要点：强调Spring AI的统一抽象让切换成本极低，改配置就能换供应商，不被单一模型绑定。加分项：提一句可以用ChatModel接口多实现，结合@Qualifier注入不同模型的bean。
【面试题】9. QuestionAnswerAdvisor在RAG流程中做了什么？与手动实现RAG有什么区别？
【标准答案】QuestionAnswerAdvisor是Spring AI内置的RAG Advisor，封装了"检索-增强-生成"的完整流程。工作原理：请求前调用VectorStore.similaritySearch(query)检索相关文档，将检索结果注入prompt作为上下文，然后调用模型生成答案。与手动实现RAG的区别：手动实现需要自己写检索、拼接prompt、调用模型三步，代码分散；QuestionAnswerAdvisor一行配置搞定，chatClient.prompt().advisors(new QuestionAnswerAdvisor(vectorStore)).call()。面试重点：它只是简化，不是替代，复杂RAG场景（如多轮检索、混合检索、重排序）还是需要自定义Advisor。加分项：提一句可以通过构造函数传入自定义的SearchRequest定制检索参数。
【面试题】10. Spring AI的Streaming响应如何处理？与同步调用有什么区别？
【标准答案】Streaming响应通过chatClient.prompt().stream().content()获取，返回Flux<String>（响应式流），可以逐token接收模型输出。与同步调用call().content()的区别：同步调用等待完整响应返回，适合短文本、无需实时反馈的场景；Streaming适合长文本生成、聊天界面实时打字效果、降低首字延迟。技术细节：底层使用WebFlux的响应式编程模型，支持背压（backpressure）控制流速。面试加分：��一句Streaming需要配合前端SSE或WebSocket，后端直接返回Flux，框架自动转换为流式响应。坑点：Streaming模式下Advisor的aroundStream方法生效，用错aroundCall会不执行。