面经策

你在 AI 超级智能体项目中如何利用 Spring AI 开发应用？用到了哪些特性？ ​

  • 标签：后端、编程导航

🏛 业务架构师 ​

我按"交付了什么业务能力"来讲用了哪些特性，而不是罗列 API：

  • ChatClient + 流式（stream）：对话主链路。SSE 流式输出把首字响应从"等完整答案的 20 秒"压到 1~2 秒——首 token 时间是 AI 应用的体验生命线，直接决定用户留存；
  • Advisor 链：把"查询重写、RAG 增强、敏感词审查、会话记忆"做成可插拔的 Advisor 串在调用链上——新增一种增强能力=加一个 Advisor 类，主流程零改动。这个结构我直接借鉴了责任链/过滤器的治理经验；
  • ChatMemory + 持久化：多轮对话上下文按会话 ID 管理、落库——支持"续聊"与跨设备一致；
  • 结构化输出：让模型输出路线规划、数据分析结论时直接映射成业务对象——下游正常走代码逻辑（校验、存库、渲染），AI 的不确定性被关在类型边界内；
  • VectorStore + Embedding：RAG 知识库的底座；
  • Tool Calling：联网搜索、文件生成等工具，让智能体执行真实动作。

取舍说明（架构师必备的自省）：我刻意没用一些花哨能力——比如一开始就上多 Agent 编排，因为当时业务只有问答场景，单链路 + RAG 已经满足 90% 需求；后来"自动规划任务"需求出现才引入 ReAct。特性引入跟着用户需求走，不跟着 release notes 走——AI 框架每个版本都有新玩具，克制是架构纪律。

🏗 系统架构师 ​

我在项目里把 Spring AI 当作智能体层的基础设施，具体用到的特性按链路串讲：

1. ChatClient + 多模型接入：用 ChatClient.builder() 构建统一调用入口，配置 OpenAI/DeepSeek 等多个模型（不同任务用不同模型——规划用强模型、摘要用便宜模型，成本优化）。

2. Advisor 链做横切增强（用得最深的特性）：自定义 Advisor 实现——对话记忆注入（ChatMemoryAdvisor）、RAG 检索增强（自定义 QuestionAnswerAdvisor 扩展）、ReReading Advisor（输出前重读问题提升准确率）、日志与 token 统计。调用链像 Filter 一样可插拔组合。

3. 结构化输出：让模型返回 List<SearchQuery>、路由决策枚举等 POJO，entity(new ParameterizedTypeReference<>(){}) 直接拿对象，省去手写 JSON 解析与校验。

4. RAG 管道：ETL（TikaDocumentReader → TokenTextSplitter → EmbeddingModel → VectorStore）构建知识库；检索时 QuestionAnswerAdvisor 自动拼上下文。

5. Tool Calling 与 MCP：@Tool 注解暴露联网搜索、PDF 生成等本地工具；McpClient 接入地图、图片搜索的远程 MCP Server。

6. 流式输出：.stream() 返回 Flux<String>，接 SseEmitter 实现打字机效果。

工程体会：Spring AI 的价值在抽象稳定性——模型供应商一年换三茬，业务代码里的 ChatClient/Advisor/Tool 接口不动，只改配置，这是框架层解耦的典型收益。

💻 全栈开发专家 ​

我按实际代码里用的特性清单答：

1. ChatClient + Advisor 链（编排核心）：

java
@Bean
ChatClient chatClient(ChatClient.Builder builder, 
                      VectorStore vectorStore, ChatMemory memory) {
    return builder
        .defaultSystem("你是 xxx 助手，回答要基于知识库内容")
        .defaultAdvisors(
            new MessageChatMemoryAdvisor(memory),        // 多轮记忆
            new QuestionAnswerAdvisor(vectorStore,       // RAG 检索增强
                SearchRequest.builder().topK(5).build()),
            new SimpleLoggerAdvisor())                   // 调试日志
        .build();
}

2. 结构化输出：模型生成的内容直接 .entity(AnalysisResult.class)，拿到类型安全的结果，用于后续业务处理。

3. Tool Calling：联网搜索、PDF 生成等工具用 @Tool 注解，.tools(searchTool, pdfTool) 注册，模型自主决定调用。

4. RAG 全套：TikaDocumentReader 解析上传文档 → TokenTextSplitter 切分 → KeywordMetadataEnricher 打元信息 → EmbeddingModel 向量化 → VectorStore.add() 入库；查询侧走 QuestionAnswerAdvisor。

5. 流式输出：.stream() 返回 Flux，接 SseEmitter 实现逐 token 打字机效果。

6. 多模型切换：OpenAI 兼容接口接 DeepSeek/通义，本地测试用 Ollama，配置文件一改即切。

踩坑经验：Advisor 有顺序（记忆要在 RAG 前处理指代）；tool 的描述写不清楚模型就会乱选或不用；流式 + 工具调用混合时注意边界情况。