013-Spring AI Alibaba Studio 功能完整案例

优质文章学习记录

— 8 min read
013-Spring AI Alibaba Studio 功能完整案例

本案例将引导您一步步构建一个 Spring Boot 应用，演示如何利用 Spring AI Alibaba 的 Studio 功能，实现多种 AI 对话交互模式，包括简单对话、流式对话和基于 Advisor 的功能增强。

1. 案例目标

我们将创建一个包含三个核心功能的 Web 应用：

  1. 简单对话 (/studio/simple/chat)：通过 ChatClient 实现基本的 AI 对话功能，用户可以输入问题并获得 AI 的回答。
  2. 流式对话 (/studio/stream/chat)：实现流式响应，让 AI 的回答逐字显示，提升用户体验。
  3. Advisor 增强对话 (/studio/advisor/chat/{id})：通过 Advisor 模式实现功能增强，如上下文记忆、日志记录等。

2. 技术栈与核心依赖

  • Spring Boot 3.x
  • Spring AI Alibaba (用于对接阿里云 DashScope 通义大模型)
  • Spring AI Alibaba Studio (提供 Studio 功能支持)
  • Maven (项目构建工具)

在 pom.xml 中，你需要引入以下核心依赖：

<dependencies> <!-- Spring Web 用于构建 RESTful API --> <dependency> <groupId>org.springframework.boot</groupId> <artifactId>spring-boot-starter-web</artifactId> </dependency> <!-- Spring AI Alibaba 核心启动器，集成 DashScope --> <dependency> <groupId>com.alibaba.cloud.ai</groupId> <artifactId>spring-ai-alibaba-starter-dashscope</artifactId> </dependency> <!-- Spring AI Alibaba Studio 功能支持 --> <dependency> <groupId>com.alibaba.cloud.ai</groupId> <artifactId>spring-ai-alibaba-studio</artifactId> </dependency> </dependencies>

3. 项目配置

在 src/main/resources/application.yml 文件中，配置你的 DashScope API Key。

server: port: 18080 spring: application: name: spring-ai-alibaba-studio-example ai: dashscope: api-key: ${AI_DASHSCOPE_API_KEY}

重要提示：请将 AI_DASHSCOPE_API_KEY 环境变量设置为你从阿里云获取的有效 API Key。你也可以直接将其写在配置文件中，但这不推荐用于生产环境。

4. 编写 Java 代码

4.1 StudioExampleApplication.java

Spring Boot 主程序类。

package com.alibaba.cloud.ai.example.studio; import org.springframework.boot.SpringApplication; import org.springframework.boot.autoconfigure.SpringBootApplication; @SpringBootApplication public class StudioExampleApplication { public static void main(String[] args) { SpringApplication.run(StudioExampleApplication.class, args); } }

4.2 StudioController.java

实现多种 AI 对话交互模式的控制器。

package com.alibaba.cloud.ai.example.studio.controller; import com.alibaba.cloud.ai.dashscope.chat.DashScopeChatOptions; import jakarta.servlet.http.HttpServletResponse; import reactor.core.publisher.Flux; import org.springframework.ai.chat.client.ChatClient; import org.springframework.ai.chat.client.advisor.SimpleLoggerAdvisor; import org.springframework.web.bind.annotation.GetMapping; import org.springframework.web.bind.annotation.PathVariable; import org.springframework.web.bind.annotation.RequestMapping; import org.springframework.web.bind.annotation.RequestParam; import org.springframework.web.bind.annotation.RestController; @RestController @RequestMapping("/studio") public class StudioController { private static final String DEFAULT_PROMPT = "你是一个博学的智能聊天助手，请根据用户提问回答！"; private final ChatClient dashScopeChatClient; // 也可以使用如下的方式注入 ChatClient public StudioController(ChatClient.Builder chatClientBuilder) { this.dashScopeChatClient = chatClientBuilder .defaultSystem(DEFAULT_PROMPT) // TODO // 实现 Chat Memory 的 Advisor // 在使用 Chat Memory 时，需要指定对话 ID，以便 Spring AI 处理上下文。 // .defaultAdvisors( // new MessageChatMemoryAdvisor(new InMemoryChatMemory()) // ) // 实现 Logger 的 Advisor .defaultAdvisors( new SimpleLoggerAdvisor() ) // 设置 ChatClient 中 ChatModel 的 Options 参数 .defaultOptions( DashScopeChatOptions.builder() .withTopP(0.7) .build() ) .build(); } /** * ChatClient 简单调用 */ @GetMapping("/simple/chat") public String simpleChat(@RequestParam(value = "query", defaultValue = "你好，很高兴认识你，能简单介绍一下自己吗？")String query) { return dashScopeChatClient.prompt(query).call().content(); } /** * ChatClient 流式调用 */ @GetMapping("/stream/chat") public Flux<String> streamChat(@RequestParam(value = "query", defaultValue = "你好，很高兴认识你，能简单介绍一下自己吗？")String query, HttpServletResponse response) { response.setCharacterEncoding("UTF-8"); return dashScopeChatClient.prompt(query).stream().content(); } /** * ChatClient 使用自定义的 Advisor 实现功能增强. * eg: * http://127.0.0.1:18080/helloworld/advisor/chat/123?query=你好，我叫牧生，之后的会话中都带上我的名字 * 你好，牧生！很高兴认识你。在接下来的对话中，我会记得带上你的名字。有什么想聊的吗？ * http://127.0.0.1:18080/helloworld/advisor/chat/123?query=我叫什么名字？ * 你叫牧生呀。有什么事情想要分享或者讨论吗，牧生？ */ @GetMapping("/advisor/chat/{id}") public Flux<String> advisorChat( HttpServletResponse response, @PathVariable String id, @RequestParam String query) { response.setCharacterEncoding("UTF-8"); return this.dashScopeChatClient.prompt(query) .advisors( // TODO // a -> a // .param(CHAT_MEMORY_CONVERSATION_ID_KEY, id) // .param(CHAT_MEMORY_RETRIEVE_SIZE_KEY, 100) ).stream().content(); } }

5. 运行与测试

  1. 启动应用：运行你的 Spring Boot 主程序。
  2. 使用浏览器或 API 工具（如 Postman, curl）进行测试。

测试 1：简单对话

访问以下 URL，测试简单的 AI 对话功能。

http://localhost:18080/studio/simple/chat?query=你好，很高兴认识你，能简单介绍一下自己吗？

预期响应：

你好！我是一个基于人工智能的助手，很高兴认识你。我可以回答问题、提供信息、参与讨论，并尽力帮助你解决各种问题。无论是学习、工作还是日常生活中的疑问，我都很乐意为你提供支持。请随时告诉我你需要什么帮助！

测试 2：流式对话

访问以下 URL，测试流式响应功能。

http://localhost:18080/studio/stream/chat?query=请详细介绍一下人工智能的发展历程

预期响应：

（流式输出，逐字显示）人工智能的发展历程可以追溯到20世纪中期...（完整回答内容）

测试 3：Advisor 增强对话

访问以下 URL，测试基于 Advisor 的功能增强。

http://localhost:18080/studio/advisor/chat/123?query=你好，我叫小明，之后的会话中都带上我的名字

预期响应：

你好，小明！很高兴认识你。在接下来的对话中，我会记得带上你的名字。有什么想聊的吗？

然后继续提问：

http://localhost:18080/studio/advisor/chat/123?query=我叫什么名字？

预期响应：

你叫小明呀。有什么事情想要分享或者讨论吗，小明？

6. 实现思路与扩展建议

实现思路

本案例的核心思想是"模块化设计"与"功能增强"。我们将不同的对话交互模式分离开来，并通过 Advisor 模式实现功能增强。这使得：

  • 灵活性高：可以根据需要选择不同的对话模式，满足不同场景的需求。
  • 可扩展性强：通过 Advisor 模式，可以轻松添加新功能，如上下文记忆、日志记录、内容过滤等。
  • 代码复用性高：核心的 ChatClient 可以被不同的对话模式复用，减少重复代码。

扩展建议

  • 实现 Chat Memory Advisor：取消代码中注释的部分，实现真正的上下文记忆功能，让 AI 能够记住之前的对话内容。
  • 添加更多 Advisor：实现内容安全过滤、敏感词检测、回答格式控制等 Advisor，增强对话的安全性和可控性。
  • 集成多模态功能：扩展 Studio 功能，支持图像、音频等多模态输入和输出。
  • 实现对话管理：添加对话列表、对话历史、对话标签等功能，方便用户管理和回顾对话内容。
  • 添加性能监控：集成监控工具，跟踪对话响应时间、成功率等指标，优化系统性能。

7. 关键技术点解析

7.1 ChatClient 的配置与使用

ChatClient 是 Spring AI Alibaba 的核心组件，用于与 AI 模型进行交互。在本案例中，我们通过 Builder 模式配置 ChatClient，包括：

  • 默认系统提示词：通过 defaultSystem() 方法设置 AI 的角色和基本行为。
  • Advisor 配置：通过 defaultAdvisors() 方法添加功能增强组件。
  • 模型参数配置：通过 defaultOptions() 方法设置 AI 模型的参数，如 TopP 等。

7.2 流式响应的实现

流式响应通过 Reactor 的 Flux<String> 实现，可以逐字返回 AI 的回答，提升用户体验。关键点包括：

  • 使用 stream() 方法获取流式响应。
  • 设置 HTTP 响应的字符编码为 UTF-8，确保中文正确显示。
  • 前端可以通过 Server-Sent Events (SSE) 或 WebSocket 接收流式数据。

7.3 Advisor 模式的应用

Advisor 模式是 Spring AI Alibaba 的重要特性，允许在不修改核心逻辑的情况下增强功能。本案例中展示了：

  • SimpleLoggerAdvisor：提供日志记录功能，记录对话内容。
  • Chat Memory Advisor（注释状态）：提供上下文记忆功能，使 AI 能够记住之前的对话内容。

Read more

免费无人机地图制作终极指南：WebODM让新手3天变专家

免费无人机地图制作终极指南：WebODM让新手3天变专家 【免费下载链接】WebODMUser-friendly, commercial-grade software for processing aerial imagery. 🛩 项目地址: https://gitcode.com/gh_mirrors/we/WebODM 还在为昂贵的商业地图软件望而却步吗？WebODM作为完全开源的地理空间处理工具，将专业级无人机数据处理技术转化为人人可用的简单工具。无论你是工程测量新手还是项目管理者，这款软件都能帮你轻松制作高质量地图。 真实应用场景：WebODM如何改变你的工作方式 建筑工程进度监控 通过定期无人机航拍，WebODM自动生成工地三维模型，精确计算土方量，实时追踪施工进度。相比传统人工测量，效率提升超过10倍，让项目管理变得直观高效。 农业精准管理应用 利用无人机影像分析作物长势，识别病虫害区域，为精准施肥和灌溉提供科学依据。从百亩农田到小型果园，都能获得专业级数据分析。 环境变化监测评估 对比不同时期的地理数据，监测森林覆盖变化、土地利用情况，为环境保护和
Unity AR Foundation环境下NatCorder-NativeGallery的部署与OpenJDK版本适配策略

Unity AR Foundation环境下NatCorder-NativeGallery的部署与OpenJDK版本适配策略

ARFoundation-NatCorder-NativeGallery部署 环境准备 这是一个Github上的一个示例项目（链接）。下载完成后推荐使用Unity 2021.3.45f2c1（链接下载）进入项目 然后根据安装以下选项：（Visual Studio主要是代码编辑器【可选】，但不推荐选，因为它默认安装在C盘，在AI时代采用Cursor作为代码编辑器就好了） 项目构建 该项目中已经预先配置了AR Foundation包。Unity 在打开项目时会根据项目的配置文件（如 Packages/manifest.json）自动识别并安装缺失的包，如图下所示： 【位置：Windows > Panckage Manager】 在Unity编辑器中，找到并点击这个来加载场景组件： 以安卓为例，在构建前需确保安卓的Play Settings正确： 【位置：file > Build Settings > Player Settings > Player > 安卓】
【花雕学编程】Arduino BLDC 之自主巡逻机器人（避障+路径规划）

【花雕学编程】Arduino BLDC 之自主巡逻机器人（避障+路径规划）

基于 Arduino 的无刷直流电机（BLDC）自主巡逻机器人（避障+路径规划），是一个融合了高效动力系统、多传感器环境感知、嵌入式实时计算与智能决策算法的复杂移动机器人系统。它旨在替代人工在预设或未知环境中进行长时间、高效率的巡查任务，通过 BLDC 电机提供持久且敏捷的驱动力，并利用算法实现环境理解与自主导航。 1、主要特点 高效长续航 BLDC 驱动系统 BLDC 电机是巡逻机器人的“心脏”，决定了其机动性与作业时长。 高效率与长续航： 相较于有刷电机，BLDC 电机效率通常高于 85%，发热量低。配合电子调速器（ESC）的 FOC（磁场定向控制）算法，能最大限度地利用电池能量，确保机器人能够持续工作 8 小时甚至更长时间，满足长时间巡逻的需求。 高动态响应： 巡逻过程中常需急停、避让行人或车辆。BLDC 电机具备快速启停和快速加减速的能力，配合差速转向底盘，能迅速响应避障算法发出的紧急制动或转向指令，保证运行安全。