Spring AI 核心概念

⏱ 阅读约 15 分钟 ⭐ 核心概念 🔗 项目应用：云智汇 AI 教育平台

Spring AI 是 Spring 生态下的 AI 应用开发框架，旨在将 AI 能力以 Spring 的方式集成到 Java 应用中。本文梳理其核心组件与设计理念。

项目实践： 在云智汇 AI 教育平台中，使用 Spring AI 构建路由工作流 Agent，实现了课程问答、个性化推荐与智能下单的意图识别和任务分发。

ChatClient — 统一入口

ChatClient 是与 LLM 交互的核心接口，屏蔽了不同模型提供商的底层差异：

java

ChatClient chatClient = ChatClient.builder(chatModel)
    .defaultSystem("你是一个专业的助手")
    .defaultAdvisors(new SimpleLoggerAdvisor())
    .build();

Builder 模式设计： Spring AI 使用 Builder 模式构建 ChatClient，支持链式调用配置 System Prompt、Advisor 链、默认参数等。这种设计使得同一个 ChatClient 实例可以在多处复用，同时保持配置的一致性。

Prompt 封装： 对话请求通过 Prompt 对象封装，包含 System Message、User Message 和 ChatOptions（温度、最大 Token 等参数）。返回的 ChatResponse 包含多个 Generation 候选和 ChatResponseMetadata（Token 消耗等元数据）。

Advisor — 拦截器模式

Advisor 是 Spring AI 中最具设计感的组件之一，本质上是一个请求/响应拦截器链。

工作原理：

用户请求 → Advisor.before() → ChatModel 调用 → Advisor.after() → 返回结果

每个 Advisor 可以：

before：修改请求内容（如注入 RAG 检索到的上下文）
after：修改响应内容（如格式化输出、记录日志）

常用 Advisor：

Advisor	功能
QuestionAnswerAdvisor	RAG 检索增强，自动将相关文档注入 Prompt
ChatMemoryAdvisor	管理对话历史，维护上下文连贯性
SimpleLoggerAdvisor	记录请求/响应日志
RetrievalAugmentationAdvisor	更高级的 RAG 实现，支持自定义检索策略

Advisor 链执行顺序： 多个 Advisor 按 order 值排序执行，数值越小优先级越高。这与 Spring MVC 的 Filter 链和 Spring Security 的 Filter Chain 思路一致。

Tool Calling — 工具调用

Tool Calling 让 LLM 能够调用外部工具（函数），扩展其能力边界：

java

ChatClient.create(chatModel)
    .prompt("北京今天天气怎么样？")
    .tools(weatherTool)
    .call()
    .content();

流程：

用户提出问题
LLM 判断需要调用工具，返回 tool_calls 请求
框架自动执行对应的 Java 方法
将执行结果回传给 LLM
LLM 基于工具返回的结果生成最终回答

工具定义： 通过 @Tool 注解标记方法，框架自动提取方法名、参数名和 JavaDoc 作为工具描述传递给 LLM。

ChatMemory — 对话记忆

ChatMemory 管理多轮对话的上下文，支持多种存储后端：

InMemoryChatMemory：内存存储，适合开发测试
CassandraChatMemory：持久化到 Cassandra
自定义实现：可对接 MySQL、Redis 等

记忆窗口： 可配置保留最近 N 轮对话，避免超出 LLM 上下文窗口限制。

与 LangChain4j 的对比

特性	Spring AI	LangChain4j
设计理念	Spring 生态集成，声明式配置	独立框架，注解驱动
核心抽象	ChatClient + Advisor	AiServices + 注解
RAG 实现	QuestionAnswerAdvisor	ContentRetriever + 注入
工具调用	@Tool 注解	@Tool 注解
记忆管理	ChatMemory + Advisor	@MemoryChatMemoryStore
适用场景	Spring Boot 项目	任意 Java 项目

一句话总结： Spring AI 更适合已有 Spring Boot 技术栈的团队，而 LangChain4j 更灵活、适用范围更广。两者的核心概念（Chat、RAG、Tool、Memory）基本对齐，只是实现范式不同。

Spring AI 核心概念 ​

ChatClient — 统一入口 ​

Advisor — 拦截器模式 ​

Tool Calling — 工具调用 ​