面经策

什么是 Spring AI 框架？它有哪些核心特性？ ​

  • 标签：后端、编程导航

🏛 业务架构师 ​

Spring AI 是 Spring 官方的 AI 应用开发框架，把"Java 工程接大模型"这件事标准化。核心特性我按它解决的问题讲：

  • ChatClient 统一 API：一个编程模型对接 OpenAI、Anthropic、国产模型等——换模型不改业务代码，这是防供应商锁定的架构保险，模型市场激烈变化的今天尤其值钱；
  • Advisor 链：请求/响应的拦截管道（记忆、RAG、安全审查像过滤器一样插入）——AI 能力组件化，组合而非硬编码；
  • 结构化输出：模型输出直接映射为 Java 对象——让 AI 输出能进业务流程（下游存库、调接口），从聊天玩具变成生产组件的关键；
  • Embedding + VectorStore 抽象：向量化和向量库（PGVector/Milvus/Redis）接口统一；
  • Tool Calling：把 Java 方法声明为工具供模型调用；
  • MCP 支持：接入模型上下文协议生态；
  • ChatMemory：多轮对话记忆的管理抽象。

业务架构视角的判断：没有 Spring AI 之前，每个 Java 团队自己封装 HTTP 调用、流式解析、重试降级——重复造轮子的成本全行业累加；框架出现后这些成为公共资产。我的选型理由与当年选 Spring Boot 一致：生态红利（社区维护、漏洞修复、模型适配跟进）远大于单点的性能差异。同时保留清醒：框架迭代快（1.0 前后 API 多次破坏性变更），业务代码要通过自己的薄适配层隔离框架 API，避免升级地狱。

🏗 系统架构师 ​

Spring AI 是 Spring 官方的 AI 应用开发框架，把大模型接入抽象成统一的编程模型，像 Spring Data 统一数据库访问一样统一 AI 能力接入。核心特性我按模块讲：

  • 统一模型抽象：ChatModel/ChatClient 接口抹平 OpenAI、Azure、Anthropic、Ollama、通义、DeepSeek 等厂商差异，切换模型只换依赖和配置——供应商解耦是最大价值；
  • Prompt 模板：PromptTemplate 与占位符变量，SystemTemplate/UserTemplate 分角色管理；
  • 结构化输出：BeanOutputConverter 把模型输出自动映射为 Java 对象（POJO/ List/Map），内部通过提示词约束 + JSON 解析实现；
  • 对话记忆：ChatMemory 抽象（InMemory/JDBC/Redis 等存储），多轮对话自动携带历史；
  • Advisor 链：请求/响应的拦截器机制（类比 AOP/Filter），RAG 增强、记忆注入、重读（ReReading）、日志都以 Advisor 插入调用链——可组合的横切增强；
  • RAG 全家桶：ETL 管道（文档读取/切分/向量化/入库）+ VectorStore 抽象（pgvector/Milvus/Redis/ES）+ 检索增强；
  • 工具调用：@Tool 注解方法直接暴露给模型 function calling；
  • MCP 支持：McpClient/McpServer 把模型接入 MCP 生态；
  • 观测与评估：与 Micrometer 集成打点 token/耗时。

架构定位：它解决的是"AI 能力的 Spring 化"——依赖注入、自动配置、生态整合，让 Java 工程师以熟悉的编程模型构建 AI 应用。

💻 全栈开发专家 ​

Spring AI = Spring 官方的 AI 应用开发框架，把大模型的各种能力抽象成统一的 Spring 编程模型，2024 年发布里程碑版本，口号是"让 AI 像接数据库一样接进 Spring 项目"。

核心特性我按"项目里用到什么"讲：

  1. 统一模型抽象：ChatModel/ChatClient 一套 API 背后可切 OpenAI、DeepSeek、Ollama、Azure 等，换模型只改配置——类似当年 Spring Data 统一 ORM 的思路。
java
String answer = chatClient.prompt()
    .user("总结这段文字")
    .call().content();
  1. Prompt 模板：PromptTemplate + {variable} 占位，配合 SystemMessage 管理；
  2. 结构化输出：.entity(MyRecord.class) 直接映射 JSON 到 Java 对象；
  3. Tool Calling：@Tool 注解把本地方法暴露给模型调用；
  4. Advisor 链：类似 Servlet Filter 的拦截链，对话记忆、RAG、安全审查都做成 Advisor 插拔；
  5. RAG 全家桶：ETL（DocumentReader/Splitter/MetadataEnricher）+ VectorStore 抽象（PGVector/Milvus/Redis...）；
  6. ChatMemory：多轮对话记忆接口 + 多存储实现；
  7. MCP 支持：官方 starter 做 MCP Client/Server。

我的使用体会：它最大的价值是解耦——业务代码面向 ChatClient 编程，模型、向量库、记忆实现都可以替换；坑是版本迭代快（M1 到 1.0 GA 之间 API 改动不小），依赖版本要锁死并跟进 release note。