Q64 - Spring AI 2.0 GA核心原理与实战
共50道题 | 难度分布:★★★★★平均 | 20K+ Java+AI岗位2026年必考点(2026年5月28日GA发布)
一、Spring AI 2.0概览与架构(1-8)
Spring AI 2.0 GA的发布时间与意义?
★★★★★
- 2026年5月28日正式GA发布,是Spring生态中AI开发的标准框架。
- 标志着Java AI应用开发从"手拼HTTP Client"时代进入"框架化、标准化"时代。
- 核心意义:Spring开发者可以用熟悉的编程模型(IoC、AOP、自动配置)开发AI应用。
- 与Spring Boot 3.x/4.x深度集成,支持自动配置和Properties绑定。
- 面试要点:这是2026年Java后端中高级面试的必考点,类似当年Spring Boot取代SSM的地位。
Spring AI的核心抽象层?
★★★★★
Model:与AI模型交互的核心接口,如ChatModel、EmbeddingModel、ImageModel、AudioModel。
ChatClient:Fluent API,链式调用AI服务,类似WebClient的设计理念。
Advisor:拦截器链,在请求前后插入横切逻辑(日志、重试、Guardrail、Context增强)。
ChatMemory:对话记忆抽象,支持InMemory、Redis、JDBC等多种后端。
VectorStore:向量存储抽象,统一Milvus、Pinecone、Redis、PG等后端。
ToolCallback:Function Calling的工具注册与回调抽象。
- 面试要点:理解这些抽象的层次关系——Model是底层,ChatClient是上层,Advisor是中间件。
Spring AI与LangChain4j的定位差异?
★★★★☆
- Spring AI:Spring官方生态,深度整合Spring Boot,配置驱动,适合企业级Spring项目。
- LangChain4j:LangChain的Java移植版,更灵活,社区驱动,适合非Spring项目。
- Spring AI优势:自动配置、Properties绑定、Actuator集成、Test支持、生态一致性。
- LangChain4j优势:模块更丰富(更多模型Provider)、更新更快、Python生态兼容。
- 选型建议:Spring项目用Spring AI;多语言/非Spring项目用LangChain4j;两者可混用。
- 面试要点:不是二选一,而是根据项目技术栈选择,很多团队两者都有使用。
Spring AI的自动配置原理?
★★★★☆
- 基于
spring-boot-autoconfigure,通过@AutoConfiguration和条件注解实现。
spring.ai.openai.autoconfig.OpenAiAutoConfiguration:配置OpenAI Chat/Embedding Model。
spring.ai.ollama.autoconfig.OllamaAutoConfiguration:配置本地Ollama模型。
- Properties前缀:
spring.ai.openai.*、spring.ai.ollama.*、spring.ai.zhipuai.*。
- 自动注册
ChatModel Bean,可直接@Autowired注入使用。
- 自定义:可通过
@Bean覆盖默认配置,或用ApplicationRunner动态切换模型。
- 面试要点:与Spring Boot自动配置原理一致——
META-INF/spring/org.springframework.boot.autoconfigure.AutoConfiguration.imports。
Spring AI支持的模型Provider有哪些?
★★★★☆
- OpenAI(GPT-4o、GPT-4o-mini、o1、o3)
- Anthropic(Claude Opus、Sonnet、Haiku)
- Google(Gemini 2.5 Pro/Flash)
- 阿里通义(Qwen系列)
- 百度文心(ERNIE系列)
- 智谱AI(GLM-4)
- Ollama(本地模型:Llama 3、Qwen、Mistral等)
- Azure OpenAI、AWS Bedrock、Vertex AI
- 面试要点:Provider统一通过
ChatModel接口抽象,切换模型只需改配置。
ChatClient的Fluent API设计?
★★★★★
ChatClient.builder(chatModel).build():基于Builder模式创建。
- 链式调用:
chatClient.prompt().user("xxx").tools(...).call().content()。
- 支持的链式方法:
.system()、.user()、.tools()、.advisors()、.options()。
.call():同步调用;.stream():流式调用返回Flux<String>。
.entity(MyClass.class):直接返回结构化Java对象(利用Structured Outputs)。
- 面试要点:ChatClient是Spring AI 2.0推荐的上层API,类似RestTemplate→WebClient的演进。
Spring AI的Observability集成?
★★★★☆
- 集成Micrometer,自动暴露AI调用的Metrics:Token使用量、调用延迟、错误率。
- 集成Spring Boot Actuator,
/actuator/metrics/spring.ai.chat.*。
- 支持OpenTelemetry Tracing:每次AI调用自动生成Span。
- 可接入LangFuse/LangSmith通过OTLP Exporter。
- 配置:
spring.ai.chat.observations.include-completion=true。
- 面试要点:这是生产级AI应用的可观测性基础,面试经常问"如何监控AI调用"。
Spring AI的测试支持?
★★★☆☆
spring-ai-test模块提供测试工具。
MockChatModel:模拟AI响应,用于单元测试。
@SpringBootTest + Properties覆盖:设置spring.ai.openai.api-key=test-key。
- 录制/回放模式:录制真实AI响应,回放用于测试(类似WireMock)。
- 面试要点:AI应用测试的核心挑战是非确定性输出——需要通过结构化输出+断言模式匹配来验证。
二、RAG实战(9-18)
Spring AI RAG的完整流程?
★★★★★
- 文档加载:
DocumentReader(PDF、HTML、Markdown、JSON)。
- 文档切分:
DocumentTransformer(TokenTextSplitter)。
- Embedding:
EmbeddingModel将文本转为向量。
- 存储:
VectorStore将向量和元数据存入向量数据库。
- 检索:
VectorStore.similaritySearch()根据Query向量检索Top-K。
- 增强:将检索结果注入Prompt Context。
- 生成:
ChatModel基于增强后的Prompt生成回答。
- Spring AI提供了
QuestionAnswerAdvisor封装了检索+增强步骤。
- 面试要点:能画出完整的RAG Pipeline架构图,并能说出每一步的Spring AI组件。
DocumentReader支持的格式?
★★★★☆
PagePdfDocumentReader:基于Apache PDFBox的PDF解析,支持按页切分。
TikaDocumentReader:基于Apache Tika,支持PDF/Word/Excel/PPT/RTF等50+格式。
HtmlDocumentReader:HTML解析,自动去除标签。
MarkdownDocumentReader:Markdown解析,保留结构信息。
JsonDocumentReader:JSON解析,支持指定提取字段。
- 自定义Reader:实现
DocumentReader接口。
- 面试要点:Tika是万能Reader但性能较差;PDF有专用Reader更高效。
TokenTextSplitter的切分策略?
★★★★☆
- 参数:
chunkSize(每个块的最大Token数)、chunkOverlap(相邻块的重叠Token数)。
- 默认值:chunkSize=800, chunkOverlap=200。
- 切分粒度影响:太小(200)丢失上下文;太大(2000)引入噪音、增加Token消耗。
- 最佳实践:根据文档类型调整——代码文档800、技术文章1200、法律文本1500。
- 重叠的作用:防止关键信息被切分到两个块之间导致丢失。
- 面试要点:chunkSize不是越大越好,要在召回率和精度之间权衡。
VectorStore接口与实现?
★★★★★
- 接口方法:
add()、delete()、similaritySearch()、similaritySearch(String query, int k)。
FilterExpressionBuilder:元数据过滤,如category == 'java' && year >= 2025。
- 实现类:
SimpleVectorStore:内存实现,适合测试和Demo。
RedisVectorStore:基于Redis Stack的向量搜索。
PgVectorStore:基于PostgreSQL pgvector扩展。
MilvusVectorStore:专业向量数据库,大规模生产首选。
PineconeVectorStore:全托管向量数据库。
ElasticsearchVectorStore:ES 8.x内置kNN搜索。
- 面试要点:能说出3种以上VectorStore并说明选型理由。
QuestionAnswerAdvisor的工作原理?
★★★★★
- 实现
Advisor接口,在ChatClient调用链中自动执行RAG检索。
- 流程:拦截用户Prompt → 调用
VectorStore.similaritySearch() → 将检索结果注入System Prompt。
- 配置:
Advisor.builder().vectorStore(vectorStore).searchType(SearchType.SIMILARITY).topK(5).build()。
- 自动生成的System Prompt模板:
Context information is below.\n---------------------\n{context}\n---------------------\nGiven the context...。
- 可自定义System Prompt模板覆盖默认行为。
- 面试要点:这是Spring AI封装RAG的核心组件——理解Advisor Chain模式。
RAG中的元数据过滤?
★★★★☆
FilterExpressionBuilder构建过滤表达式。
- 语法:
builder.eq("category", "java").and(builder.gte("year", 2025)).build()。
- 支持的操作:
eq、ne、gt、gte、lt、lte、in、nin、and、or。
- 元数据需要在添加文档时设置:
Document.withMetadata(Map.of("category", "java", "year", 2025))。
- 场景:只检索特定版本文档、特定部门知识、特定时间段内容。
- 面试要点:元数据过滤是RAG精度提升的关键手段——减少无关检索结果。
多轮对话RAG的实现?
★★★★☆
- 结合
ChatMemory维护对话历史。
- 问题改写:将模糊的追问("它的性能怎么样?")改写为完整问题("Milvus的性能怎么样?")。
- Spring AI实现:先调用
ChatModel做Query Rewriting,再用改写后的问题检索。
- 上下文窗口管理:多轮对话会快速消耗Token,需要滑动窗口或摘要策略。
- 面试要点:多轮RAG的核心挑战是Query Understanding——理解用户的真实意图。
混合检索(Hybrid Search)?
★★★★☆
- 向量检索(语义相似)+ 关键词检索(BM25/全文搜索)。
- 融合策略:Reciprocal Rank Fusion(RRF)或加权线性组合。
- Spring AI实现:同时调用
VectorStore.similaritySearch()和ES全文搜索,结果融合。
- 挑战:两个检索系统的分数尺度不同,需要归一化。
- 最佳实践:语义理解场景偏向量检索;精确匹配场景偏关键词检索。
- 面试要点:生产环境推荐混合检索,单一检索很难兼顾语义和精确。
RAG性能优化策略?
★★★★★
- 索引优化:选择合适的向量索引(HNSW的M、efConstruction参数调优)。
- 量化:PQ/SQ量化减少内存占用,牺牲少量精度换取10x内存节省。
- 缓存:对高频Query缓存检索结果(语义缓存)。
- 批处理:Embedding批量化计算,减少API调用次数。
- 预计算:对热门文档预计算Embedding并缓存。
- 异步:文档切分和Embedding异步执行,不阻塞主流程。
- 面试要点:能说出至少3种优化策略并解释原理。
Spring AI ETL Pipeline?
★★★☆☆
- ETL(Extract-Transform-Load)是Spring AI的文档处理Pipeline。
- Extract:
DocumentReader读取原始文档。
- Transform:
DocumentTransformer切分、清洗、增强元数据。
- Load:
VectorStore存储向量和文档。
DocumentEtlPipeline:链式组合ETL步骤。
- 自定义Transformer:实现
DocumentTransformer接口,如添加文档摘要、提取关键词。
- 面试要点:ETL Pipeline是批量导入知识的标准流程。
三、Function Calling与Agent(19-28)
Spring AI Function Calling的实现?
★★★★★
- 定义工具方法:
@Bean返回Function<Request, Response>。
- 注册工具:
ChatClient.prompt().user("...").tools(weatherFunction).call()。
- 或通过
@Description注解描述工具功能。
- Spring AI自动将Java Function转为OpenAI Function Calling格式。
- 流程:LLM判断需要调用工具 → 返回tool_call → Spring AI自动执行 → 结果返回LLM → 生成最终回答。
- 面试要点:理解Function Calling的完整生命周期,不是"调用外部API"那么简单。
ToolCallback接口详解?
★★★★☆
ToolCallback:Spring AI对工具的封装接口。
- 核心方法:
call(String toolInput)执行工具并返回结果。
ToolDefinition:工具的元数据(名称、描述、参数Schema)。
- Spring AI自动将
Function<I,O>转为ToolCallback。
- 自定义ToolCallback:实现接口,注册为Bean。
- 面试要点:ToolCallback是Function Calling的底层抽象,理解它与上层
Function<I,O>的关系。
多工具编排策略?
★★★★☆
- 单次调用多工具:LLM可并行调用多个工具(如同时查天气和查航班)。
- 串行工具链:工具A的输出作为工具B的输入,需要多轮对话。
- Spring AI支持
maxToolCalls控制单次最多调用工具数。
- 工具选择策略:
ToolChoice.AUTO(LLM决定)、ToolChoice.REQUIRED(必须调用)、ToolChoice.NONE(禁用)。
- 面试要点:多工具编排是Agent的基础能力——能设计一个合理的工具集合。
Spring AI Agent框架?
★★★★★
- Spring AI 2.0内置了Agent抽象:
ChatAgent:基于ReAct(Reasoning+Acting)模式。
- 工具调用循环:思考 → 选择工具 → 执行 → 观察 → 继续思考或输出。
- Agent与Function Calling的区别:Agent是自主决策循环,Function Calling是单次调用。
- Spring AI的Agent实现基于
ChatClient+Advisor+ToolCallback组合。
- 自定义Agent:继承
AbstractAgent,实现call()方法。
- 面试要点:理解Agent是Function Calling的上层抽象——Agent自动决定何时调用什么工具。
ReAct模式原理?
★★★★★
- ReAct = Reasoning + Acting,论文由Yao等人在2023年提出。
- 循环流程:Observation → Thought → Action → Observation → ... → Final Answer。
- Thought(推理):LLM分析当前状态,决定下一步行动。
- Action(行动):调用工具获取信息或执行操作。
- Observation(观察):获取工具执行结果。
- 与纯CoT对比:ReAct能与外部环境交互,CoT只在LLM内部推理。
- 面试要点:ReAct是目前最主流的Agent模式,几乎所有AI Agent框架都基于此。
Agent记忆管理?
★★★★☆
- 短期记忆:当前对话的上下文(
ChatMemory)。
- 长期记忆:跨会话的用户偏好、历史摘要(
VectorStore存取向量化记忆)。
- 工作记忆:当前任务的中间状态(Scratchpad)。
- Spring AI实现:
MessageChatMemoryAdvisor自动管理对话历史的注入和截断。
- 挑战:记忆窗口有限,需要摘要压缩或遗忘策略。
- 面试要点:Agent记忆是"有状态的AI"——能说出短期/长期/工作记忆的区别和实现。
Multi-Agent协作模式?
★★★★☆
- 主管模式(Supervisor):一个Agent作为调度器,分配任务给子Agent。
- 管道模式(Pipeline):Agent按顺序处理,前一个的输出是后一个的输入。
- 对话模式(Conversation):多个Agent互相讨论,达成共识。
- Spring AI实现:通过不同的
Advisor组合和ChatClient配置实现协作。
- 挑战:Agent间的上下文传递、任务分解策略、死循环检测。
- 面试要点:Multi-Agent是AI应用的高级形态,理解至少两种协作模式。
Function Calling的Schema生成?
★★★★☆
- Spring AI自动将Java Bean的属性生成JSON Schema。
- 支持
@JsonProperty、@JsonPropertyDescription、@NotNull等注解。
- 嵌套对象自动递归生成Schema。
- 枚举类型自动转为
enum约束。
List、Map等泛型类型自动推断。
- 面试要点:Schema质量直接影响LLM调用工具的准确性——字段描述要清晰。
Spring AI与MCP(Model Context Protocol)?
★★★★☆
- MCP是Anthropic提出的模型上下文协议,标准化AI模型与外部工具的交互。
- Spring AI 2.0支持MCP Client:连接MCP Server获取工具和资源。
McpSyncClient/McpAsyncClient:同步/异步MCP客户端。
- 工具发现:自动获取MCP Server注册的工具并转为Spring AI的
ToolCallback。
- 面试要点:MCP是AI工具生态标准化的重要协议——理解其在Spring AI中的集成方式。
Agent的错误处理与重试?
★★★★☆
- 工具调用失败:Spring AI支持自动重试(
RetryTemplate)。
- LLM输出格式错误:通过
Structured Output强制JSON格式。
- 死循环防护:设置
maxIterations限制Agent循环次数。
- 降级策略:工具不可用时返回默认值或提示用户。
- 日志追踪:通过Observability记录每一步的输入输出。
- 面试要点:Agent的错误处理比传统应用复杂——需要处理工具失败、格式错误、循环等多类问题。
四、Structured Outputs与输出控制(29-35)
Spring AI的Structured Output实现?
★★★★★
ChatClient.prompt().user("...").call().entity(MyClass.class)。
- 底层机制:
- OpenAI:使用Structured Outputs API(JSON Schema约束)。
- 其他模型:Prompt中注入JSON格式要求 + 输出解析。
- 支持嵌套对象、List、Map、枚举。
- 自动反序列化:Jackson ObjectMapper将JSON映射到Java Bean。
- 异常处理:解析失败时抛出
JsonMappingException。
- 面试要点:
.entity()是Spring AI结构化输出的核心API——理解不同模型的底层实现差异。
BeanOutputConverter?
★★★★☆
BeanOutputConverter<MyClass>:将Java Class转为JSON Schema + 格式化指令。
getFormat():返回注入到Prompt中的格式化指令文本。
parse(String text):将LLM输出解析为Java对象。
- 流程:生成Schema → 注入Prompt → LLM输出JSON → 解析为对象。
- 自定义:可通过
ObjectMapper自定义序列化策略。
- 面试要点:BeanOutputConverter是Spring AI结构化输出的底层机制。
枚举约束输出?
★★★☆☆
- 定义枚举类:
enum Sentiment { POSITIVE, NEGATIVE, NEUTRAL }。
- 通过
.entity(Sentiment.class)让LLM只输出枚举值之一。
- 底层:JSON Schema中生成
"enum": ["POSITIVE", "NEGATIVE", "NEUTRAL"]。
- 应用场景:情感分析、分类、评级、状态判断。
- 面试要点:枚举约束是最简单的结构化输出——用于有限选项的分类任务。
流式结构化输出?
★★★★☆
- 挑战:流式输出是增量Token,不能直接解析JSON。
- Spring AI方案:缓冲完整JSON后再解析。
stream().entity():内部缓冲完整响应,最后一次性解析。
- 替代方案:使用SSE + 增量JSON Patch(如JSON Patch流)。
- 性能考虑:流式结构化输出牺牲了"即时显示",换取了结构化保证。
- 面试要点:理解流式输出与结构化输出的矛盾及Spring AI的折中方案。
MapOutputConverter?
★★★☆☆
MapOutputConverter:将LLM输出解析为Map<String, Object>。
- 适用于不固定Schema的输出场景。
- 底层:直接用Jackson解析JSON为Map。
- 与
BeanOutputConverter区别:Map灵活但类型不安全;Bean类型安全但需要预定义Class。
- 面试要点:Map输出适合探索性查询;Bean输出适合确定性接口。
ListOutputConverter?
★★★☆☆
ListOutputConverter:将LLM输出解析为List<String>。
- 底层:Prompt中要求输出逗号分隔的列表,然后
split(",")解析。
- 应用场景:关键词提取、标签生成、候选人列表。
- 与
BeanOutputConverter区别:更轻量,不需要定义Class。
- 面试要点:List输出是最简单的结构化输出形式。
输出验证与自修复?
★★★★☆
- 问题:LLM可能输出不符合Schema的JSON(多余字段、类型错误、缺失字段)。
- Spring AI策略:
- OpenAI Structured Outputs:模型级别保证,几乎不会出错。
- 其他模型:Prompt约束 + Jackson的
FAIL_ON_UNKNOWN_PROPERTIES=false容错。
- 自修复:捕获解析异常 → 将错误信息追加到Prompt → 重试。
- 配置:
spring.ai.retry.max-attempts=3。
- 面试要点:生产环境必须有输出验证和自修复机制——不能假设LLM输出100%正确。
五、对话记忆与上下文管理(36-42)
ChatMemory接口与实现?
★★★★★
- 接口方法:
add()、get()、clear()。
InMemoryChatMemory:内存存储,适合测试和单机应用。
RedisChatMemory:Redis存储,适合分布式生产环境。
JdbcChatMemory:关系数据库存储,适合需要持久化和审计的场景。
CassandraChatMemory:Cassandra存储,适合超大规模分布式场景。
- 配置:
spring.ai.chat.memory.type=redis。
- 面试要点:能根据业务场景选择合适的ChatMemory实现。
MessageChatMemoryAdvisor?
★★★★★
- 实现
Advisor接口,在每次ChatClient调用时自动注入对话历史。
- 工作流程:
1. 拦截请求 → 从ChatMemory加载历史消息。
2. 将历史消息注入到Prompt的Messages列表。
3. 调用LLM → 将新的用户消息和AI回复存入ChatMemory。
- 配置:
ChatClient.builder(chatModel).defaultAdvisors(MessageChatMemoryAdvisor.builder(memory).build())。
- 可设置
maxMessages限制加载的历史消息数量。
- 面试要点:这是Spring AI管理对话记忆的核心组件——理解Advisor模式的拦截点。
对话记忆的窗口策略?
★★★★☆
- 固定窗口:保留最近N轮对话(
maxMessages=20)。
- 滑动窗口:根据Token数动态截断(
maxTokens=4000)。
- 摘要策略:对早期对话做摘要压缩,保留关键信息。
- Spring AI实现:
maxMessages参数控制固定窗口;摘要策略需要自定义Advisor。
- 挑战:截断可能丢失关键上下文;摘要引入额外LLM调用成本。
- 面试要点:能对比三种策略的优缺点,并给出选型建议。
多用户对话隔离?
★★★★☆
ChatMemory通过conversationId区分不同会话。
- 每个用户/会话有独立的对话历史。
MessageChatMemoryAdvisor.builder(memory).conversationId("user-123-session-456")。
- 生产实现:conversationId = userId + sessionId,存储在Redis Hash中。
- 面试要点:多用户隔离是生产级AI应用的基本要求——不能串对话。
长期记忆与RAG结合?
★★★★☆
- 短期记忆:
ChatMemory存储当前会话对话。
- 长期记忆:用户偏好、历史摘要存入
VectorStore。
- 结合策略:
1. 每次对话开始,从VectorStore检索用户相关长期记忆。
2. 将长期记忆注入System Prompt。
3. 对话结束时,将重要信息存入VectorStore作为长期记忆。
- Spring AI实现:自定义Advisor封装长期记忆的加载和存储。
- 面试要点:短期记忆+长期记忆是AI应用的完整记忆架构。
跨模型对话迁移?
★★★☆☆
- 场景:从GPT-4o切换到Claude,需要保持对话上下文。
- 挑战:不同模型的System Prompt格式、Token计算、工具描述格式不同。
- Spring AI处理:
ChatMemory存储的是Model无关的Message对象,可跨模型使用。
- 注意:Token限制不同,迁移时可能需要截断或摘要。
- 面试要点:Model无关的消息抽象是框架设计的亮点。
对话记忆与成本控制?
★★★★☆
- 问题:对话历史越长,每次调用的Token消耗越大,成本线性增长。
- 策略:
- 窗口截断:限制历史轮数(最简单但可能丢信息)。
- 摘要压缩:用小模型对历史做摘要(增加一次调用但节省后续Token)。
- 关键信息提取:只保留关键实体和决策(信息密度最高)。
- 成本估算:每轮对话约增加100-300 Tokens,10轮对话可能翻倍输入Token。
- 面试要点:记忆管理不仅是技术问题,也是成本问题——需要权衡。
六、Advisor Chain与中间件(43-47)
Advisor接口设计?
★★★★★
Advisor接口:拦截ChatClient的请求和响应。
- 核心方法:
advise(CallAroundAdvisorChain chain, Request request)(同步)、adviseAround(StreamAroundAdvisorChain chain, Request request)(流式)。
- 调用链模式:类似Servlet Filter / Spring Interceptor。
- 执行顺序:按注册顺序依次执行Request拦截,逆序执行Response拦截。
- 内置Advisor:
MessageChatMemoryAdvisor、QuestionAnswerAdvisor、SafeGuardAdvisor。
- 面试要点:Advisor Chain是Spring AI的核心扩展机制——类似Spring的AOP。
自定义Advisor实现?
★★★★☆
- 实现
CallAroundAdvisor接口。
advise()方法:在调用chain.next(request)前后插入逻辑。
- 示例:日志Advisor——记录请求和响应。
public class LoggingAdvisor implements CallAroundAdvisor {
public Response advise(Request request, CallAroundAdvisorChain chain) {
log.info("Request: {}", request.prompt());
Response response = chain.next(request);
log.info("Response: {}", response.content());
return response;
}
}
- 注册:
ChatClient.builder(chatModel).defaultAdvisors(new LoggingAdvisor())。
- 面试要点:自定义Advisor是扩展Spring AI的标准方式。
SafeGuardAdvisor?
★★★★☆
- Spring AI内置的安全Advisor。
- 功能:检查用户输入和LLM输出是否包含敏感内容。
- 配置:
SafeGuardAdvisor.builder().blockedKeywords("password", "secret").build()。
- 检测到敏感内容时抛出异常或返回默认回复。
- 与外部Guardrail模型对比:SafeGuardAdvisor是关键词级别,Guardrail模型是语义级别。
- 面试要点:SafeGuardAdvisor是Spring AI的内置防线——生产环境通常需要结合外部Guardrail。
Advisor的执行顺序?
★★★★☆
- 注册顺序决定执行顺序。
- Request阶段:按注册顺序(A→B→C)。
- Response阶段:按注册逆序(C→B→A)。
- 典型顺序:
1. SafeGuardAdvisor(安全检查)。
2. MessageChatMemoryAdvisor(加载历史)。
3. QuestionAnswerAdvisor(RAG检索)。
4. 日志/监控Advisor。
- 顺序错误的影响:如在SafeGuard之前执行RAG,可能检索到敏感内容。
- 面试要点:Advisor顺序是有语义的——安全和记忆加载的顺序很重要。
Advisor与Filter/Interceptor对比?
★★★☆☆
- Servlet Filter:HTTP请求/响应拦截,适合认证、日志、CORS。
- Spring Interceptor:Handler级别拦截,适合权限检查。
- Spring AI Advisor:LLM调用级别拦截,适合记忆管理、RAG、安全。
- 区别:Advisor拦截的不是HTTP请求,而是ChatClient的Prompt和Response。
- 组合使用:Filter/Interceptor处理HTTP层;Advisor处理AI调用层。
- 面试要点:Advisor是AI应用特有的中间件模式——不能与传统Web中间件混淆。
七、生产部署与最佳实践(48-50)
Spring AI的配置管理最佳实践?
★★★★☆
- 多环境配置:
application-dev.yml/application-prod.yml分别配置不同模型。
- API Key管理:通过环境变量或Vault注入,不硬编码。
- 模型路由:根据请求类型选择不同模型(简单用GPT-4o-mini,复杂用GPT-4o)。
- 超时配置:
spring.ai.openai.chat.options.timeout=60s。
- 重试配置:
spring.ai.retry.max-attempts=3、spring.ai.retry.backoff=exponential。
- 面试要点:生产环境配置管理是基本功——API Key不能泄露,超时要合理。
Spring AI应用的容错与降级?
★★★★★
- 超时:设置合理的连接超时和读取超时。
- 重试:指数退避重试(RetryTemplate),最多3次。
- 降级:主模型不可用时切换备用模型(Fallback)。
- 熔断:通过Resilience4j CircuitBreaker保护AI调用。
- 缓存:对相同/相似问题缓存回答(语义缓存)。
- 限流:令牌桶限流,防止Token消耗失控。
- Spring AI + Resilience4j配置示例:
resilience4j.circuitbreaker.instances.ai:
failureRateThreshold: 50
waitDurationInOpenState: 30s
slidingWindowSize: 10
- 面试要点:AI应用的容错比传统应用更复杂——需要处理模型不可用、Token超限、内容审核拒绝等多类故障。
Spring AI面试架构设计题:设计一个企业级AI客服系统?
★★★★★
1. 用户接入层:WebSocket/HTTP + SSE流式输出。
2. AI编排层:Spring AI ChatClient + Advisor Chain。
3. RAG层:VectorStore(Milvus)+ 混合检索 + 元数据过滤。
4. 记忆层:Redis短期记忆 + Milvus长期记忆。
5. 工具层:订单查询、工单创建、退款处理等Function Calling。
6. 安全层:SafeGuardAdvisor + 外部Guardrail模型。
7. 监控层:Micrometer + OpenTelemetry + LangFuse。
8. 多模型路由:简单问答用Qwen,复杂推理用GPT-4o,Fallback用本地Ollama。
- 关键指标:首Token延迟<2s、准确率>85%、Token成本<¥0.5/对话。
- 面试答题模板:画出架构图 → 说明每层的技术选型和理由 → 分析瓶颈和优化方案 → 给出成本估算。