基本概念
什么是 AI
AI（人工智能）的核心在于让机器模拟人类智能，从经验中学习并做出决策。当前最主流的是生成式人工智能（AIGC），它能自动生成文章、代码等内容。
理解几个关键术语有助于后续开发：
- 模型（Model）：AI 系统的核心，本质是训练后的数学函数。可以想象成一个'虚拟大脑'，通过数据学习掌握技能。
- 大语言模型（LLM）：基于海量文本训练的深度学习模型，拥有数百亿参数，擅长理解和生成人类语言。
- 提示词（Prompt）：用户给模型的指令。提示词的质量直接决定回答质量，设计优化过程称为'提示词工程'。
- 词元（Token）：模型处理文本的基本单位，也是计费依据。英文单词或中文短语可能被拆分成多个 Token。
Spring AI 是什么
Spring AI 是基于 Spring 生态的开源框架，旨在简化 Java 应用集成 AI 功能的过程。它提供统一的抽象接口，支持多种模型提供商（如 OpenAI、DeepSeek、Ollama 等），并能无缝集成 Spring Boot 和向量数据库。
快速入门
环境要求
- JDK：17 或以上（推荐 JDK 21）
- Spring Boot：3.2 或以上版本
- 凭证：有效的 AI 服务 API Key（本文以 DeepSeek 为例）
项目配置
创建 Maven 项目后，添加依赖：
<dependency>
<groupId>org.springframework.ai</groupId>
<artifactId>spring-ai-openai-spring-boot-starter</artifactId>
<version>1.0.0-M6</version>
</dependency>
在 application.yml 中配置密钥与模型信息：
spring:
ai:
openai:
api-key: 你的 API Key
base-url: https://api.deepseek.com
chat:
options:
model: deepseek-chat
temperature: 0.7
其中 temperature 控制生成的随机性，值越低结果越确定。配置完成后即可启动项目。
核心接口
Spring AI 提供了两个构建对话式 AI 应用的核心接口：
ChatModel
ChatModel 直接与底层模型通信，更底层且灵活，适合需要精细控制的场景。
@Service
public class ChatService {
@Autowired
private ChatModel chatModel;
public String askQuestion(String question) {
UserMessage userMessage = new UserMessage(question);
Prompt prompt = new Prompt(List.of(userMessage));
ChatResponse response = chatModel.call(prompt);
return response.getResult().getOutput().getContent();
}
}
ChatClient
ChatClient 在 ChatModel 之上封装了流畅的 API，使用更简洁，适合大多数业务场景。
@Service
public class ChatService {
@Autowired
private ChatClient chatClient;
public String askQuestion(String question) {
return chatClient.call(question);
}
}
| 维度 | ChatModel | ChatClient |
|---|---|---|
| 抽象层级 | 底层，接近原始模型 | 高层，面向业务 |
| 返回值 | ChatResponse（含元数据） | ChatResponse 或纯文本 |
| 使用方法 | 手动构造 Prompt | 链式 Builder 模式 |
消息类型
所有消息都实现了 Message 接口，用于模拟多轮对话中的不同角色：
- SystemMessage：设定 AI 的身份、性格和行为准则，通常放在对话开头。
- UserMessage：代表用户的输入，驱动对话前进。
- AssistantMessage：代表 AI 的回复，用于保持上下文连贯性。
- FunctionMessage/ToolMessage：处理工具调用结果。
示例：设置系统预设身份
@RestController
@RequestMapping("/chat")
public class ChatController {
private final ChatClient chatClient;
public ChatController(ChatClient.Builder builder) {
this.chatClient = builder
.defaultSystem("你叫小小鱼，是一款专业的智能答疑 AI 助手，擅长 Java")
.build();
}
@GetMapping("/call")
public String generation(String userInput) {
return this.chatClient.prompt()
.user(userInput)
.call()
.content();
}
}
输出格式
结构化输出
若需获取 JSON 或对象格式的数据，可使用 entity() 方法将输出转换为自定义实体。
@GetMapping("/entity")
public Recipe entity(String userInput) {
return this.chatClient.prompt()
.user(String.format("请帮我生成%s的菜谱", userInput))
.call()
.entity(Recipe.class);
}
record Recipe(String dis, List<String> ingredients) {}
流式输出
传统输出需等待全部生成完成，而流式输出（SSE）能边生成边返回，提升用户体验。Spring AI 基于响应式编程实现，返回 Flux<String>。
@GetMapping(value = "/stream", produces = "text/html;charset=utf-8")
public Flux<String> stream(String userInput) {
return this.chatClient.prompt()
.user(userInput)
.stream()
.content();
}
SSE 协议基础
SSE（Server-Sent Events）允许服务器主动向浏览器推送数据流。核心特点包括单向通信、基于 HTTP、长连接及自动重连。
数据格式遵循特定规范，例如：
data: 这是一条消息
后端可通过 WebFlux 优雅地实现此协议。
Flux 操作
Flux 是 WebFlux 的核心组件，支持创建、转换、过滤和消费等操作。
// 创建
Flux<String> fixedFlux = Flux.just("Hello", "World");
// 转换
Flux<String> uppercased = fixedFlux.map(String::toUpperCase);
// 过滤
Flux<Integer> evenNumbers = Flux.range(1, 10).filter(n -> n % 2 == 0);
// 消费
fixedFlux.subscribe(System.out::println);
Advisors
Advisors 是一种拦截器机制，允许在 AI 调用链的关键节点注入逻辑，如日志记录或提示词修改。
执行流程为：用户输入 → Advisor.before() → AI 模型 → Advisor.after() → 响应。
内置 SimpleLoggerAdvisor 可自动记录请求和响应：
@GetMapping("/advisor")
public String advisor(String userInput) {
return this.chatClient.prompt()
.advisors(new SimpleLoggerAdvisor())
.user(userInput)
.call()
.content();
}
配合日志级别配置，即可清晰追踪交互细节。
