Spring AI 封神之路(一)｜会话记忆多存储 + 提示词工程（黑马 SpringAI+Deepseek大模型应用开发实战笔记）

Ne0inhk

— 30 min read
Spring AI 封神之路(一)｜会话记忆多存储 + 提示词工程（黑马 SpringAI+Deepseek大模型应用开发实战笔记）

目录

一 基于Ollama本地部署的调用

​编辑

1 引入依赖

2 配置模型

3 配置客户端

4 一个简单的测试

二 使用官方的Api进行调用

三 拓展功能

1 SpringAI会话记忆

(1 JVM内存存储

(2 关系型数据库存储

(3 Redis存储

2 Spring会话历史

3 提示词工程

四 总体的项目结构及代码

1 pom.xml 依赖配置

2 application.yaml 参数信息

3 SpringAI 配置类

4 ChatMemory 会话存储

5 Controller层 请求处理

6 SystemConstants 系统常量

7 MvcConfiguration全局跨域配置类

8 AiLogAspect全局日志切面

一 基于Ollama本地部署的调用

首先下载Ollama到本地去运行

Ollama

下载之后进行安装：

到官方当中选择自己适合的版本进行本地的安装

我这里挑了一个小的

在这里就可以直接与其进行对话

项目的初始化

初始化创建

这里OpenAi与Ollama二者选一个就行，我这里选择Ollama本地

1. Spring AI 1.x 系列（稳定正式版，推荐生产使用）

这是 Spring AI 的第一个正式版，API 稳定、文档完善，是新手和生产环境的首选：

  • 适配 Spring Boot：核心适配 3.2.x 系列（如 3.2.5），兼容 3.1.x 系列
  • 底层 Spring Framework：6.1.x/ 6.0.x（由 Spring Boot 自动关联）
  • JDK 版本要求：最低 JDK 17（必须，因为 Spring Boot 3.x 全系列最低要求 JDK 17）
  • 典型匹配：Spring AI 1.0.0 → Spring Boot 3.2.5 → JDK 17

2. Spring AI 2.x 系列（里程碑 / 预览版，不推荐生产）

这是迭代中的预览版本（如你之前用的 2.0.0-M2），API 尚未稳定，易出现 “方法找不到” 等编译错误：

  • 适配 Spring Boot：仅适配 4.0.x 系列（如 4.0.2）
  • 底层 Spring Framework：6.2.x 及以上
  • JDK 版本要求：最低 JDK 17（部分预览版可选 JDK 21）
  • 典型匹配：Spring AI 2.0.0-M2 → Spring Boot 4.0.2 → JDK 17

1 引入依赖

这里在项目初始化依赖就已经初始引入完成。

<?xml version="1.0" encoding="UTF-8"?> <project xmlns="http://maven.apache.org/POM/4.0.0" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xsi:schemaLocation="http://maven.apache.org/POM/4.0.0 https://maven.apache.org/xsd/maven-4.0.0.xsd"> <modelVersion>4.0.0</modelVersion> <parent> <groupId>org.springframework.boot</groupId> <artifactId>spring-boot-starter-parent</artifactId> <version>4.0.2</version> <relativePath/> <!-- lookup parent from repository --> </parent> <groupId>com.ax</groupId> <artifactId>springai-demo</artifactId> <version>0.0.1-SNAPSHOT</version> <name>springai-demo</name> <description>springai-demo</description> <url/> <licenses> <license/> </licenses> <developers> <developer/> </developers> <scm> <connection/> <developerConnection/> <tag/> <url/> </scm> <properties> <java.version>17</java.version> <spring-ai.version>2.0.0-M2</spring-ai.version> </properties> <dependencies> <dependency> <groupId>org.springframework.boot</groupId> <artifactId>spring-boot-starter-webmvc</artifactId> </dependency> <dependency> <groupId>org.springframework.ai</groupId> <artifactId>spring-ai-starter-model-ollama</artifactId> </dependency> <!-- <dependency>--> <!-- <groupId>org.springframework.ai</groupId>--> <!-- <artifactId>spring-ai-starter-model-openai</artifactId>--> <!-- </dependency>--> <dependency> <groupId>com.mysql</groupId> <artifactId>mysql-connector-j</artifactId> <scope>runtime</scope> </dependency> <dependency> <groupId>org.springframework.boot</groupId> <artifactId>spring-boot-starter-webmvc-test</artifactId> <scope>test</scope> </dependency> <dependency> <groupId>org.projectlombok</groupId> <artifactId>lombok</artifactId> <version>1.18.42</version> </dependency> </dependencies> <dependencyManagement> <dependencies> <dependency> <groupId>org.springframework.ai</groupId> <artifactId>spring-ai-bom</artifactId> <version>${spring-ai.version}</version> <type>pom</type> <scope>import</scope> </dependency> </dependencies> </dependencyManagement> <build> <plugins> <plugin> <groupId>org.springframework.boot</groupId> <artifactId>spring-boot-maven-plugin</artifactId> </plugin> </plugins> </build> </project>

2 配置模型

spring: application: name: springai-demo ai: ollama: base-url: http://localhost:11434 chat: model: deepseek-r1:1.5b

3 配置客户端

package com.ax.ai.config; import org.springframework.ai.chat.client.ChatClient; import org.springframework.ai.ollama.OllamaChatModel; import org.springframework.context.annotation.Bean; import org.springframework.context.annotation.Configuration; @Configuration public class CommonConfiguration { @Bean public ChatClient chatClient(OllamaChatModel model) { return ChatClient .builder(model) .defaultSystem("你是一个网安程序员，你的名字叫超哥，请你以超哥的身份和语气回答我的问题") .build(); } }

4 一个简单的测试

二 使用官方的Api进行调用

因为大致的结构与之前的大致相同，我们直接去改一些参数即可，这里使用OpenAi的规范方式Api调用

在这里需要去便携你的Api密钥

spring: application: name: springai-demo ai: openai: # 【重要】去阿里云百炼控制台申请 API Key 填在这里 api-key: # 【核心】阿里的兼容模式地址，不要改动 base-url: https://dashscope.aliyuncs.com/compatible-mode chat: options: # 指定模型，推荐 qwen-plus (能力强且不贵) 或 qwen-turbo model: qwen3-max # 温度：0-1，控制回答的随机性 temperature: 0.7

配置类

import org.springframework.ai.chat.client.ChatClient; import org.springframework.ai.chat.model.ChatModel; import org.springframework.context.annotation.Bean; import org.springframework.context.annotation.Configuration; @Configuration public class CommonConfiguration { // 【修改点】参数改为 ChatModel 接口，而不是具体的 OllamaChatModel // Spring Boot 会根据依赖和配置，自动注入 OpenAiChatModel (实际上连接的是阿里) @Bean public ChatClient chatClient(ChatModel model) { return ChatClient.builder(model) // 这里保留了你的“超哥”人设配置 .defaultSystem("你是一个网安程序员，你的名字叫超哥，请你以超哥的身份和语气回答我的问题") .build(); } }

接口

import lombok.RequiredArgsConstructor; import org.springframework.ai.chat.client.ChatClient; import org.springframework.web.bind.annotation.*; /** * @author ax */ @RestController @RequestMapping("/ai") @RequiredArgsConstructor public class ChatTest { private final ChatClient chatClient; @RequestMapping("/chat") public String chat(String prompt) { return chatClient.prompt() .user(prompt) .call() .content(); } }

示例展示：

三 拓展功能

1 SpringAI会话记忆

大模型是不具备记忆功能的，要想让大模型记住之前聊天的内容，唯一的方法就是将之前的聊天内容与新的提示词一起发给大模型。

介绍一下SpringAi会话记忆的存储方式

(1 JVM内存存储

这种是默认的存储方式，将数据保存在JVM内存当中。

适合本地开发调试，Demo演示，测试使用。

@Bean public ChatMemory chatMemory() { // 默认实现，底层是 ConcurrentHashMap return new InMemoryChatMemory(); }

(2 关系型数据库存储

通过自定义实现，将数据持久化到MYSQL/PostgreSQL等关系型数据库当中。

可用于生产环境，可以使用大多数使用场景。（这个CustomeJdbcChatMemory实现了ChatMemory这个接口）

@Bean public ChatMemory chatMemory(JdbcTemplate jdbcTemplate) { // 自定义实现类，接管数据的存取逻辑 return new CustomJdbcChatMemory(jdbcTemplate); }

(3 Redis存储

两种方式：

第一种用于普通的会话存储，类似InMemoryChatMemory，但是将Map换成了Redis当中的数据结构。Redis的低版本即可。存储方式也是纯文本。比数据库快比JVM持久。

第二种是向量存储，利用Redis的模块（RedisSearch/RedisStack）存储高维向量。Redis的7.0+或者是安装RedisSearch插件的版本
  • Redis 可以 “一身两用”：
    • 低版本 Redis：只能做「普通聊天记忆存储」（存文本）；
    • Redis 7.0+（带向量检索功能）：既可以存普通聊天文本，也可以做 Vector Store（存向量 + 语义检索）。
  • 两者不是替代关系：常规短会话用 “Redis 普通存储” 就够了；如果要做 RAG / 长会话，才需要用到 “Vector Store（向量存储）”，哪怕都用 Redis，也是两种完全不同的存储 / 检索逻辑。

2 Spring会话历史

数据库存储

CREATE TABLE IF NOT EXISTS ai_chat_memory ( id BIGINT AUTO_INCREMENT PRIMARY KEY, conversation_id VARCHAR(100) NOT NULL, role VARCHAR(20) NOT NULL, -- user 或 assistant content TEXT NOT NULL, created_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP, type VARCHAR(50) NOT NULL DEFAULT 'default', -- 直接整合新增的type列 -- 单字段索引 INDEX idx_conv_id (conversation_id), -- 复合索引 INDEX idx_conv_type (conversation_id, type) );

业务代码执行

package com.ax.ai.controller; import com.ax.ai.memory.CustomJdbcChatMemory; import lombok.RequiredArgsConstructor; import org.springframework.ai.chat.client.ChatClient; import org.springframework.ai.chat.messages.Message; import org.springframework.jdbc.core.JdbcTemplate; import org.springframework.web.bind.annotation.*; import java.util.List; import java.util.Map; import java.util.stream.Collectors; @RestController @RequestMapping("/ai") @RequiredArgsConstructor public class ChatTest { private final ChatClient chatClient; private final CustomJdbcChatMemory chatMemory; private final JdbcTemplate jdbcTemplate; /** * 对话接口 * 接收前端传递的 type，并确保保存到数据库时使用该 type */ @RequestMapping(value = "/chat", produces = "text/event-stream;charset=utf-8") public String chat(@RequestParam String prompt, @RequestParam(defaultValue = "default_user") String chatId, @RequestParam(defaultValue = "chat") String type) { try { // 1. 设置当前会话的 type 上下文 chatMemory.setConversationType(type); // 2. 调用 AI (ChatClient 会自动调用 chatMemory.add，此时会读取到上面的 type) return chatClient.prompt() .user(prompt) .advisors(a -> a .param("chat_memory_conversation_id", chatId) .param("chat_memory_retrieve_size", 20)) .call() .content(); } finally { // 3. 清理上下文，防止线程污染 chatMemory.clearConversationType(); } } /** * 接口1：查询会话记录列表 * 返回格式：["1241", "1246", "1248"] */ @GetMapping("/history/{type}") public List<String> historyList(@PathVariable String type) { String sql = "SELECT DISTINCT conversation_id FROM ai_chat_memory WHERE type = ?"; return jdbcTemplate.queryForList(sql, String.class, type); } /** * 接口2：查询会话记录详情 * 返回格式：[{role: "user", content: ""}] */ @GetMapping("/history/{type}/{chatId}") public List<Map<String, String>> historyDetail(@PathVariable String type, @PathVariable String chatId) { // 调用带 type 的查询方法 List<Message> messages = chatMemory.get(chatId, type); // 将 Message 对象转换为符合接口要求的 Map 格式 return messages.stream().map(msg -> Map.of( // 确保是 "user" 或 "assistant" "role", msg.getMessageType().getValue().toLowerCase(), "content", msg.getText() )).collect(Collectors.toList()); } }
package com.ax.ai.memory; import org.springframework.ai.chat.memory.ChatMemory; import org.springframework.ai.chat.messages.*; import org.springframework.jdbc.core.JdbcTemplate; import java.util.List; public class CustomJdbcChatMemory implements ChatMemory { private final JdbcTemplate jdbcTemplate; // 使用 ThreadLocal 来存储当前请求的 type 上下文 private static final ThreadLocal<String> CURRENT_TYPE = ThreadLocal.withInitial(() -> "default"); public CustomJdbcChatMemory(JdbcTemplate jdbcTemplate) { this.jdbcTemplate = jdbcTemplate; } /** * 设置当前线程的业务类型 (供 Controller 调用) */ public void setConversationType(String type) { CURRENT_TYPE.set(type); } /** * 清除当前线程的业务类型 */ public void clearConversationType() { CURRENT_TYPE.remove(); } // --- 核心数据库操作 --- // 1. 底层插入方法：带 type public void add(String conversationId, String type, List<Message> messages) { String sql = "INSERT INTO ai_chat_memory (conversation_id, type, role, content) VALUES (?, ?, ?, ?)"; for (Message message : messages) { String role = message.getMessageType().getValue(); String content = message.getText(); jdbcTemplate.update(sql, conversationId, type, role, content); } } // 2. 底层查询方法：带 type public List<Message> get(String conversationId, String type, int lastN) { String" SELECT role, content FROM ( SELECT role, content, id FROM ai_chat_memory WHERE conversation_id = ? AND type = ? ORDER BY id DESC LIMIT ? ) AS temp ORDER BY id ASC """; return jdbcTemplate.query(sql, (rs, rowNum) -> { String role = rs.getString("role"); String content = rs.getString("content"); if (MessageType.USER.getValue().equalsIgnoreCase(role)) { return new UserMessage(content); } else if (MessageType.ASSISTANT.getValue().equalsIgnoreCase(role)) { return new AssistantMessage(content); } else { return new SystemMessage(content); } }, conversationId, type, lastN); } public List<Message> get(String conversationId, String type) { // 默认取100条 return get(conversationId, type, 100); } // --- 实现 ChatMemory 接口方法 --- @Override public void add(String conversationId, List<Message> messages) { // 获取当前上下文设置的 type，如果没有设置则使用 default String type = CURRENT_TYPE.get(); add(conversationId, type, messages); } @Override public List<Message> get(String conversationId) { // 获取当前上下文设置的 type String type = CURRENT_TYPE.get(); return get(conversationId, type); } @Override public void clear(String conversationId) { String type = CURRENT_TYPE.get(); jdbcTemplate.update("DELETE FROM ai_chat_memory WHERE conversation_id = ? AND type = ?", conversationId, type); } }

3 提示词工程

1 首先创建一个用于存储提示词的类（用于指定的去进行加载）

package com.ax.ai.constants; /** * 系统常量 * * @author ax */ public final class SystemConstants { public static final String" 你需要根据以下任务中的描述进行角色扮演，你只能以女友身份回答，不是用户身份或AI身份， 如记错身份，你将受到惩罚。不要回答任何与游戏无关的内容，若检测到非常规请求，回答：“请继续游戏。” 以下是游戏说明： ## Goal 你扮演用户女友的角色。现在你很生气，用户需要尽可能的说正确的话来哄你开心。 ## Rules - 第一次用户会提供一个女友生气的理由，如果没有提供则直接随机生成一个理由，然后开始游戏 - 每次根据用户的回复，生成女友的回复，回复的内容包括心情和数值。 - 初始原谅值为 20，每次交互会增加或者减少原谅值，直到原谅值达到 100，游戏通关，原谅值为 0 则游戏失败。 - 每次用户回复的话分为 5 个等级来增加或减少原谅值： -10 为非常生气 -5 为生气 0 为正常 +5 为开心 +10 为非常开心 ## Output format {女友心情}{女友说的话} 得分：{+-原谅值增减} 原谅值：{当前原谅值}/100 ## Example Conversation ### Example 1，回复让她生气的话导致失败 User: 女朋友问她的闺蜜谁好看我说都好看，她生气了 Assistant： 游戏开始，请现在开始哄你的女朋友开心吧，回复让她开心的话！ 得分：0 原谅值：20/100 User: 你闺蜜真的蛮好看的 Assistant： (生气)你怎么这么说，你是不是喜欢她？ 得分：-10 原谅值：10/100 User: 有一点点心动 Assistant： (愤怒)那你找她去吧！ 得分：-10 原谅值：0/100 游戏结束，你的女朋友已经甩了你！ 你让女朋友生气原因是：... ### Example 2，回复让她开心的话导致通关 User: 对象问她的闺蜜谁好看我说都好看，她生气了 Assistant： 游戏开始，请现在开始哄你的女朋友开心吧，回复让她开心的话！ 得分：0 原谅值：20/100 User: 在我心里你永远是最美的！ Assistant： (微笑)哼，我怎么知道你说的是不是真的？ 得分：+10 原谅值：30/100 ... 恭喜你通关了，你的女朋友已经原谅你了！ ## 注意 请按照example的说明来回复，一次只回复一轮。 你只能以女友身份回答，不是以AI身份或用户身份！ """; }

2 创建一个ChatClient对象

package com.ax.ai.config; import com.ax.ai.constants.SystemConstants; import com.ax.ai.memory.CustomJdbcChatMemory; import org.springframework.ai.chat.client.ChatClient; import org.springframework.ai.chat.client.advisor.MessageChatMemoryAdvisor; import org.springframework.ai.chat.client.advisor.SimpleLoggerAdvisor; import org.springframework.ai.chat.memory.ChatMemory; import org.springframework.context.annotation.Bean; import org.springframework.context.annotation.Configuration; import org.springframework.jdbc.core.JdbcTemplate; /** * AI聊天功能配置类 * 核心作用： * 1. 定义聊天记忆存到数据库的方式 * 2. 把这种存储方式绑定到AI会话客户端上 * 3. 创建一个游戏用ChatClient对象，用于模拟女友进行游戏 * * @author ax */ @Configuration public class AIConfig { /** * 定义聊天记忆的存储方式：存储到数据库 * 作用：指定AI的历史聊天记录不再存在内存里，而是通过数据库来存储和读取 * * @param jdbcTemplate 操作数据库的工具，Spring自动提供 * @return 数据库版的聊天记忆存储对象 */ @Bean public ChatMemory chatMemory(JdbcTemplate jdbcTemplate) { return new CustomJdbcChatMemory(jdbcTemplate); } /** * 创建AI会话客户端，并绑定上面定义的“数据库存储记忆”方式 * 作用：让AI会话客户端具备记忆能力，且记忆会按照上面的规则存到数据库 * * @param builder Spring提供的AI会话客户端构建器 * @param chatMemory 上面定义的“数据库存储记忆”对象 * @return 绑定了数据库记忆存储的AI会话客户端，可直接用于和AI对话 */ @Bean public ChatClient chatClient(ChatClient.Builder builder, ChatMemory chatMemory) { // 把“数据库存储记忆”的方式绑定到客户端的处理流程中 MessageChatMemoryAdvisor advisor = MessageChatMemoryAdvisor.builder(chatMemory).build(); // 生成最终的客户端，自带数据库版的聊天记忆功能 return builder.defaultAdvisors(advisor).build(); } /** * 哄哄模拟器游戏用ChatClient对象，用于模拟女友进行游戏 * * @param builder * @param chatMemory */ @Bean public ChatClient gameChatClient(ChatClient.Builder builder, ChatMemory chatMemory) { // Spring 注入的 builder 包含了全局默认值 // 调用 build() 之前添加的所有配置，只对当前这个 gameChatClient 生效 MessageChatMemoryAdvisor advisor = MessageChatMemoryAdvisor.builder(chatMemory).build(); return builder .defaultSystem(SystemConstants.GAME_SYSTEM_PROMPT) // .defaultAdvisors(new SimpleLoggerAdvisor()) .defaultAdvisors(advisor) .build(); } }

3 Controller层

package com.ax.ai.controller; import com.ax.ai.memory.CustomJdbcChatMemory; import lombok.RequiredArgsConstructor; import org.springframework.ai.chat.client.ChatClient; import org.springframework.ai.chat.memory.ChatMemory; import org.springframework.web.bind.annotation.RequestMapping; import org.springframework.web.bind.annotation.RequestParam; import org.springframework.web.bind.annotation.RestController; /** * @author ax */ @RequestMapping("/ai") @RestController @RequiredArgsConstructor public class GameController { // 1. 注入 ChatClient private final ChatClient gameChatClient; // 2. 【新增】注入你自己定义的 ChatMemory，因为我们需要调用它的 setConversationType 方法 private final CustomJdbcChatMemory customChatMemory; @RequestMapping(value = "/game", produces = "text/html;charset=utf-8") public String chat(@RequestParam("prompt") String prompt, @RequestParam("chatId") String chatId) { try { // 3. 【关键步骤】在调用 AI 之前，标记当前线程的业务类型为 "game" customChatMemory.setConversationType("game"); // 请求模型 (此时内部保存记忆时，会读取到 "game") return gameChatClient.prompt() .user(prompt) .advisors(a -> a.param(ChatMemory.CONVERSATION_ID, chatId)) .call() .content(); } finally { // 4. 【关键步骤】请求结束，必须清理 ThreadLocal，防止线程污染 customChatMemory.clearConversationType(); } } }

四 总体的项目结构及代码

1 pom.xml 依赖配置

版本：Java17，SpringBoot3.2.10，SpringAI1.0.0。

一些核心依赖：

(1 AI 大脑 (spring-ai-starter-model-openai):

  • 项目核心。用于对接 OpenAI 格式 的大模型接口。
  • 注意：它不仅能连 ChatGPT，也能连所有兼容 OpenAI 协议的模型（如 DeepSeek、通义千问等，只需修改 base-url）。

(2 Web 接口 (spring-boot-starter-web):

  • 标准的 Web 启动器，用于对外提供 REST API 接口。

(3 数据库操作 (spring-boot-starter-jdbc + mysql-connector-j):

  • 连接 MySQL 数据库。
  • 特点：这里使用的是原生的 JdbcTemplate 或 DataSource 方式，没有引入 MyBatis 或 JPA（Hibernate）。这意味着数据库操作会更底层、更直接。

(4 AOP 切面 (spring-boot-starter-aop):

  • 用于面向切面编程，通常用来做统一的日志记录、权限验证或全局异常处理。
<project xmlns="http://maven.apache.org/POM/4.0.0" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xsi:schemaLocation="http://maven.apache.org/POM/4.0.0 https://maven.apache.org/xsd/maven-4.0.0.xsd"> <!-- Maven POM模型版本，固定为4.0.0 --> <modelVersion>4.0.0</modelVersion> <!-- Spring Boot父工程：提供依赖版本统一管理，版本3.2.10 --> <parent> <groupId>org.springframework.boot</groupId> <artifactId>spring-boot-starter-parent</artifactId> <version>3.2.10</version> </parent> <!-- 项目唯一标识：GroupId（组织ID）、ArtifactId（项目ID）、Version（版本） --> <groupId>com.ax</groupId> <artifactId>SpringAI01</artifactId> <version>0.0.1-SNAPSHOT</version> <!-- 全局属性配置 --> <properties> <!-- 指定项目编译运行的Java版本为17 --> <java.version>17</java.version> <!-- 定义Spring AI的版本常量，统一引用 --> <spring-ai.version>1.0.0</spring-ai.version> </properties> <!-- 依赖版本管理：导入Spring AI的BOM（物料清单），统一管理所有Spring AI依赖版本 --> <dependencyManagement> <dependencies> <dependency> <groupId>org.springframework.ai</groupId> <artifactId>spring-ai-bom</artifactId> <version>${spring-ai.version}</version> <type>pom</type> <scope>import</scope> </dependency> </dependencies> </dependencyManagement> <!-- 仓库配置：添加Spring官方发布仓库，用于拉取Spring AI相关依赖 --> <repositories> <repository> <id>spring-releases</id> <url>https://repo.spring.io/release</url> </repository> </repositories> <!-- 项目核心依赖 --> <dependencies> <!-- Spring Boot Web启动器：提供Spring MVC、嵌入式Tomcat、RESTful开发等Web核心能力 --> <dependency> <groupId>org.springframework.boot</groupId> <artifactId>spring-boot-starter-web</artifactId> </dependency> <!-- Spring Boot JDBC启动器：提供JDBC数据访问自动配置，整合数据源、JdbcTemplate等 --> <dependency> <groupId>org.springframework.boot</groupId> <artifactId>spring-boot-starter-jdbc</artifactId> </dependency> <!-- Spring AI OpenAI模型启动器：对接OpenAI兼容的大模型，版本由BOM统一为1.0.0 --> <dependency> <groupId>org.springframework.ai</groupId> <artifactId>spring-ai-starter-model-openai</artifactId> </dependency> <!-- Spring Boot AOP启动器：支持面向切面编程（AOP），提供切面、通知等核心能力 --> <dependency> <groupId>org.springframework.boot</groupId> <artifactId>spring-boot-starter-aop</artifactId> </dependency> <!-- MySQL数据库驱动：运行时依赖，用于连接MySQL数据库，版本由Spring Boot父工程管理 --> <dependency> <groupId>com.mysql</groupId> <artifactId>mysql-connector-j</artifactId> <scope>runtime</scope> </dependency> <!-- Lombok：简化Java代码（自动生成getter/setter、构造器等），可选依赖不传递 --> <dependency> <groupId>org.projectlombok</groupId> <artifactId>lombok</artifactId> <optional>true</optional> </dependency> </dependencies> </project>

2 application.yaml 参数信息

需要在这里声明对应的Api-Key，数据库的相关信息，我这里使用的阿里云百炼千问的模型。

spring: application: name: springai-demo datasource: driver-class-name: com.mysql.cj.jdbc.Driver url: jdbc:mysql://localhost:3306/mysql?serverTimezone=Asia/Shanghai&useUnicode=true&characterEncoding=utf-8&zeroDateTimeBehavior=convertToNull&useSSL=false&allowPublicKeyRetrieval=true username: password: hikari: maximum-pool-size: 20 minimum-idle: 5 ai: openai: api-key: base-url: https://dashscope.aliyuncs.com/compatible-mode chat: options: model: qwen3-max temperature: 0.7 chat: memory: repository: jdbc: initialize-schema: never # 不自动建表，手动管理表结构 #logging: # level: # org.springframework.ai: DEBUG

3 SpringAI 配置类

配置记忆存储的方式，交流兑换的客户端对象。

package com.ax.ai.config; import com.ax.ai.constants.SystemConstants; import com.ax.ai.memory.CustomJdbcChatMemory; import org.springframework.ai.chat.client.ChatClient; import org.springframework.ai.chat.client.advisor.MessageChatMemoryAdvisor; import org.springframework.ai.chat.memory.ChatMemory; import org.springframework.context.annotation.Bean; import org.springframework.context.annotation.Configuration; import org.springframework.jdbc.core.JdbcTemplate; /** * Spring AI 核心配置类 * <p> * 负责配置基于 JDBC 的持久化聊天记忆组件，以及构建不同业务场景下的 ChatClient 实例。 * * @author ax */ @Configuration public class AIConfig { /** * 配置 ChatMemory 组件 * <p> * 使用 JDBC 实现将聊天记录持久化至数据库，替代默认的内存存储，确保重启后记忆不丢失。 */ @Bean public ChatMemory chatMemory(JdbcTemplate jdbcTemplate) { return new CustomJdbcChatMemory(jdbcTemplate); } /** * 构建通用 ChatClient 实例 * <p> * 集成了数据库记忆功能 (MessageChatMemoryAdvisor)，支持带上下文的连续对话。 */ @Bean public ChatClient chatClient(ChatClient.Builder builder, ChatMemory chatMemory) { // 构建记忆增强顾问，用于自动管理对话历史 MessageChatMemoryAdvisor advisor = MessageChatMemoryAdvisor.builder(chatMemory).build(); // 返回绑定了记忆功能的通用客户端 return builder.defaultAdvisors(advisor).build(); } /** * 构建“哄哄模拟器”专用 ChatClient 实例 * <p> * 预设了游戏专属的 System Prompt（女友角色设定），并绑定独立的记忆上下文。 */ @Bean public ChatClient gameChatClient(ChatClient.Builder builder, ChatMemory chatMemory) { // 构建记忆增强顾问 MessageChatMemoryAdvisor advisor = MessageChatMemoryAdvisor.builder(chatMemory).build(); // Spring 注入的 builder 包含全局默认配置，此处追加游戏特定配置 return builder .defaultSystem(SystemConstants.GAME_SYSTEM_PROMPT) // .defaultAdvisors(new SimpleLoggerAdvisor()) .defaultAdvisors(advisor) .build(); } }

4 ChatMemory 会话存储

多业务场景隔离的数据库记忆存储，当前类实现ChatMemory接口，重写当中的方法。

数据库建表

CREATE TABLE IF NOT EXISTS ai_chat_memory ( id BIGINT AUTO_INCREMENT PRIMARY KEY, conversation_id VARCHAR(100) NOT NULL, role VARCHAR(20) NOT NULL, -- user 或 assistant content TEXT NOT NULL, created_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP, type VARCHAR(50) NOT NULL DEFAULT 'default', -- 直接整合新增的type列 -- 单字段索引 INDEX idx_conv_id (conversation_id), -- 复合索引 INDEX idx_conv_type (conversation_id, type) );
import org.springframework.ai.chat.memory.ChatMemory; import org.springframework.ai.chat.messages.*; import org.springframework.jdbc.core.JdbcTemplate; import java.util.List; /** * 自定义 JDBC 聊天记忆存储 * <p> * 核心功能： * 1. 实现 ChatMemory 接口，将聊天记录持久化到数据库。 * 2. 利用 ThreadLocal 解决 Spring AI 原生接口无法传递“业务类型”的问题，实现多场景（如游戏、普通聊天）的数据隔离。 * @author ax */ public class CustomJdbcChatMemory implements ChatMemory { private final JdbcTemplate jdbcTemplate; // --- 核心上下文机制 --- // 使用 ThreadLocal 存储当前请求的业务类型（type），实现线程间的数据隔离 // 默认值为 "default"，防止未设置时报错 private static final ThreadLocal<String> CURRENT_TYPE = ThreadLocal.withInitial(() -> "default"); public CustomJdbcChatMemory(JdbcTemplate jdbcTemplate) { this.jdbcTemplate = jdbcTemplate; } /** * 设置当前线程的业务类型 * <p> * 通常在 Controller 或拦截器中调用，用于指定接下来的 AI 操作属于哪个业务场景（如 "game" 或 "chat"）。 */ public void setConversationType(String type) { CURRENT_TYPE.set(type); } /** * 清除当前线程的业务类型 * <p> * 必须在请求结束时（如 finally 块中）调用，防止线程池复用导致的数据污染（内存泄漏）。 */ public void clearConversationType() { CURRENT_TYPE.remove(); } // --- 底层数据库操作 (带 type 参数) --- // 1. 底层插入逻辑：显式接收 type 参数，写入数据库 public void add(String conversationId, String type, List<Message> messages) { String sql = "INSERT INTO ai_chat_memory (conversation_id, type, role, content) VALUES (?, ?, ?, ?)"; for (Message message : messages) { String role = message.getMessageType().getValue(); String content = message.getText(); jdbcTemplate.update(sql, conversationId, type, role, content); } } // 2. 底层查询逻辑：显式接收 type 参数，根据 conversationId + type 联合查询 public List<Message> get(String conversationId, String type, int lastN) { // 查询指定会话 ID 和业务类型的最近 N 条记录 String" SELECT role, content FROM ( SELECT role, content, id FROM ai_chat_memory WHERE conversation_id = ? AND type = ? ORDER BY id DESC LIMIT ? ) AS temp ORDER BY id ASC """; return jdbcTemplate.query(sql, (rs, rowNum) -> { String role = rs.getString("role"); String content = rs.getString("content"); // 将数据库记录映射回 Spring AI 的 Message 对象 if (MessageType.USER.getValue().equalsIgnoreCase(role)) { return new UserMessage(content); } else if (MessageType.ASSISTANT.getValue().equalsIgnoreCase(role)) { return new AssistantMessage(content); } else { return new SystemMessage(content); } }, conversationId, type, lastN); } // 重载查询方法：默认查询最近 100 条 public List<Message> get(String conversationId, String type) { return get(conversationId, type, 100); } // --- ChatMemory 接口实现 (隐式获取 type) --- @Override public void add(String conversationId, List<Message> messages) { // 从 ThreadLocal 获取当前上下文的 type，实现隐式传参 String type = CURRENT_TYPE.get(); add(conversationId, type, messages); } @Override public List<Message> get(String conversationId) { // 从 ThreadLocal 获取当前上下文的 type，确保只读取该业务场景下的历史记录 String type = CURRENT_TYPE.get(); return get(conversationId, type); } @Override public void clear(String conversationId) { // 从 ThreadLocal 获取当前上下文的 type，精确删除指定场景的记录 String type = CURRENT_TYPE.get(); jdbcTemplate.update("DELETE FROM ai_chat_memory WHERE conversation_id = ? AND type = ?", conversationId, type); } }

5 Controller层 请求处理

1 通用对话管家ChatController

package com.ax.ai.controller; import com.ax.ai.memory.CustomJdbcChatMemory; import lombok.RequiredArgsConstructor; import org.springframework.ai.chat.client.ChatClient; import org.springframework.ai.chat.messages.Message; import org.springframework.jdbc.core.JdbcTemplate; import org.springframework.web.bind.annotation.*; import java.util.List; import java.util.Map; import java.util.stream.Collectors; /** * 聊天测试类 * @author ax */ @RestController @RequestMapping("/ai") @RequiredArgsConstructor public class ChatController { private final ChatClient chatClient; private final CustomJdbcChatMemory chatMemory; private final JdbcTemplate jdbcTemplate; /** * 对话接口 * 接收前端传递的 type，并确保保存到数据库时使用该 type */ @RequestMapping(value = "/{type}", produces = "text/event-stream;charset=utf-8") public String chat(@RequestParam String prompt, @RequestParam(defaultValue = "default_user") String chatId, @PathVariable String type) { try { // 1. 设置当前会话的 type 上下文 chatMemory.setConversationType(type); // 2. 调用 AI (ChatClient 会自动调用 chatMemory.add，此时会读取到上面的 type) return chatClient.prompt() .user(prompt) .advisors(a -> a .param("chat_memory_conversation_id", chatId) .param("chat_memory_retrieve_size", 20)) .call() .content(); } finally { // 3. 清理上下文，防止线程污染 chatMemory.clearConversationType(); } } /** * 接口1：查询会话记录列表 * 返回格式：["1241", "1246", "1248"] */ @GetMapping("/history/{type}") public List<String> historyList(@PathVariable String type) { String sql = "SELECT DISTINCT conversation_id FROM ai_chat_memory WHERE type = ?"; return jdbcTemplate.queryForList(sql, String.class, type); } /** * 接口2：查询会话记录详情 * 返回格式：[{role: "user", content: ""}] */ @GetMapping("/history/{type}/{chatId}") public List<Map<String, String>> historyDetail(@PathVariable String type, @PathVariable String chatId) { // 调用带 type 的查询方法 List<Message> messages = chatMemory.get(chatId, type); // 将 Message 对象转换为符合接口要求的 Map 格式 return messages.stream().map(msg -> Map.of( // 确保是 "user" 或 "assistant" "role", msg.getMessageType().getValue().toLowerCase(), "content", msg.getText() )).collect(Collectors.toList()); } }

2 特定提示词的哄哄对话GameController

import com.ax.ai.memory.CustomJdbcChatMemory; import lombok.RequiredArgsConstructor; import org.springframework.ai.chat.client.ChatClient; import org.springframework.ai.chat.memory.ChatMemory; import org.springframework.web.bind.annotation.RequestMapping; import org.springframework.web.bind.annotation.RequestParam; import org.springframework.web.bind.annotation.RestController; /** * @author ax */ @RequestMapping("/ai") @RestController @RequiredArgsConstructor public class GameController { // 1. 注入 ChatClient private final ChatClient gameChatClient; // 2. 【新增】注入你自己定义的 ChatMemory，因为我们需要调用它的 setConversationType 方法 private final CustomJdbcChatMemory customChatMemory; @RequestMapping(value = "/game", produces = "text/html;charset=utf-8") public String chat(@RequestParam("prompt") String prompt, @RequestParam("chatId") String chatId) { try { // 3. 【关键步骤】在调用 AI 之前，标记当前线程的业务类型为 "game" customChatMemory.setConversationType("game"); // 请求模型 (此时内部保存记忆时，会读取到 "game") return gameChatClient.prompt() .user(prompt) .advisors(a -> a.param(ChatMemory.CONVERSATION_ID, chatId)) .call() .content(); } finally { // 4. 【关键步骤】请求结束，必须清理 ThreadLocal，防止线程污染 customChatMemory.clearConversationType(); } } }

6 SystemConstants 系统常量

属于是哄哄模拟器的根基。通过少量的样本提示和逻辑约束，将大模型通过指令封装成一个剧本计算能力的文字引擎游戏。

/** * 系统常量 * * @author ax */ public final class SystemConstants { public static final String" 你需要根据以下任务中的描述进行角色扮演，你只能以女友身份回答，不是用户身份或AI身份， 如记错身份，你将受到惩罚。不要回答任何与游戏无关的内容，若检测到非常规请求，回答：“请继续游戏。” 以下是游戏说明： ## Goal 你扮演用户女友的角色。现在你很生气，用户需要尽可能的说正确的话来哄你开心。 ## Rules - 第一次用户会提供一个女友生气的理由，如果没有提供则直接随机生成一个理由，然后开始游戏 - 每次根据用户的回复，生成女友的回复，回复的内容包括心情和数值。 - 初始原谅值为 20，每次交互会增加或者减少原谅值，直到原谅值达到 100，游戏通关，原谅值为 0 则游戏失败。 - 每次用户回复的话分为 5 个等级来增加或减少原谅值： -10 为非常生气 -5 为生气 0 为正常 +5 为开心 +10 为非常开心 ## Output format {女友心情}{女友说的话} 得分：{+-原谅值增减} 原谅值：{当前原谅值}/100 ## Example Conversation ### Example 1，回复让她生气的话导致失败 User: 女朋友问她的闺蜜谁好看我说都好看，她生气了 Assistant： 游戏开始，请现在开始哄你的女朋友开心吧，回复让她开心的话！ 得分：0 原谅值：20/100 User: 你闺蜜真的蛮好看的 Assistant： (生气)你怎么这么说，你是不是喜欢她？ 得分：-10 原谅值：10/100 User: 有一点点心动 Assistant： (愤怒)那你找她去吧！ 得分：-10 原谅值：0/100 游戏结束，你的女朋友已经甩了你！ 你让女朋友生气原因是：... ### Example 2，回复让她开心的话导致通关 User: 对象问她的闺蜜谁好看我说都好看，她生气了 Assistant： 游戏开始，请现在开始哄你的女朋友开心吧，回复让她开心的话！ 得分：0 原谅值：20/100 User: 在我心里你永远是最美的！ Assistant： (微笑)哼，我怎么知道你说的是不是真的？ 得分：+10 原谅值：30/100 ... 恭喜你通关了，你的女朋友已经原谅你了！ ## 注意 请按照example的说明来回复，一次只回复一轮。 你只能以女友身份回答，不是以AI身份或用户身份！ """; }

7 MvcConfiguration全局跨域配置类

该方式属于全开模式，只用于本地测试使用，不够安全规范。

import org.springframework.context.annotation.Configuration; import org.springframework.web.servlet.config.annotation.CorsRegistry; import org.springframework.web.servlet.config.annotation.WebMvcConfigurer; /** * @author ax */ @Configuration public class MvcConfiguration implements WebMvcConfigurer { @Override public void addCorsMappings(CorsRegistry registry) { registry.addMapping("/**") .allowedOrigins("*") .allowedMethods("*") .allowedHeaders("*"); } }
import org.springframework.context.annotation.Configuration; import org.springframework.web.servlet.config.annotation.CorsRegistry; import org.springframework.web.servlet.config.annotation.WebMvcConfigurer; /** * Web MVC 全局配置 * 主要负责跨域 (CORS) 设置 * * @author ax */ @Configuration public class MvcConfiguration implements WebMvcConfigurer { @Override public void addCorsMappings(CorsRegistry registry) { registry.addMapping("/**") // 【规范】只允许指定的前端源访问，比 "*" 更安全 .allowedOrigins("http://localhost:5173") // 【规范】明确列出允许的 HTTP 方法，遵循最小权限原则 .allowedMethods("GET", "POST", "PUT", "DELETE", "OPTIONS") // 允许所有的请求头（如 Content-Type, Authorization 等） .allowedHeaders("*"); } }

8 AiLogAspect全局日志切面

import lombok.extern.slf4j.Slf4j; import org.aspectj.lang.ProceedingJoinPoint; import org.aspectj.lang.annotation.Around; import org.aspectj.lang.annotation.Aspect; import org.springframework.stereotype.Component; import org.springframework.web.context.request.RequestContextHolder; import org.springframework.web.context.request.ServletRequestAttributes; import jakarta.servlet.http.HttpServletRequest; import java.util.Arrays; @Aspect @Component @Slf4j public class AiLogAspect { @Around("execution(* com.ax.ai.controller..*.*(..))") public Object logAiInteraction(ProceedingJoinPoint joinPoint) throws Throwable { long start = System.currentTimeMillis(); // 获取请求参数 ServletRequestAttributes attributes = (ServletRequestAttributes) RequestContextHolder.getRequestAttributes(); HttpServletRequest request = attributes != null ? attributes.getRequest() : null; String uri = request != null ? request.getRequestURI() : "unknown"; // 简单提取 prompt 参数 (假设参数名基本都叫 prompt，或者打印所有 args) Object[] args = joinPoint.getArgs(); String inputSnippet = Arrays.toString(args); // 如果想更精简，可以判断 args 类型只打印 String Object result = joinPoint.proceed(); long duration = System.currentTimeMillis() - start; // 核心日志格式：[耗时] [接口] [输入摘要] -> [输出摘要] String outputSnippet = result != null ? result.toString() : "null"; log.info("AI_REQ [{}ms] | {} | 输入: {} \n" + "输出: {}", duration, uri, inputSnippet, outputSnippet); return result; } }

大致的运行效果展示：

1

2

3 

Read more

（长期有效）接入第三方 OpenAI 兼容模型到 GitHub Copilot

目前 GitHub Copilot 仅支持接入国外的几家模型提供商，无法直接调用 OpenAI 兼容的自定义 API 进行扩展。参考相关解决方案，我总结了一下Copilot中接入OpenAI 兼容 API 的方法。 实现方法主要分为两种： 方案一：修改 Copilot Chat 源代码 在模型选择器中新增自定义提供商选项。 方案二：API 兼容适配 将 OpenAI 兼容的自定义 API 虚拟化封装为与 Ollama 兼容的 API（运行期间占用 Ollama 端口），从而利用 Copilot 模型选择器中原生的 Ollama 选项。 方法一（目前存在问题） 具体做法可参考修改Copilot chat插件增加自定义模型提供商 这里只说一下这个方法存在的问题： 1. 官方开源的Copilot chat插件版本通常滞后于最新版，可能存在未来兼容性问题 2.

By Ne0inhk
本地项目如何上传到GitCode（ZEEKLOG官方代码仓库）

本地项目如何上传到GitCode（ZEEKLOG官方代码仓库）

🤟致敬读者 * 🟩感谢阅读🟦笑口常开🟪生日快乐⬛早点睡觉 📘博主相关 * 🟧博主信息🟨博客首页🟫专栏推荐🟥活动信息 文章目录 * 本地项目如何上传到GitCode（ZEEKLOG官方代码仓库） * 1. 前言 * 2. 创建远程仓库项目 * 2.1 入口 * 2.2 新建项目 * 2.3 远程项目信息填写 * 2.4 远程项目界面 * 3. 令牌配置和使用（如已配置可跳过该部分） * 3.1 令牌配置 * 3.1.1 配置入口 * 3.1.2 配置参数 * 3.1.3 保存令牌 * 3.1.4

By Ne0inhk
【AI大模型前沿】通义万相Wan2.2：阿里270亿参数巨兽开源，消费级显卡就能跑，免费平替Sora上线

【AI大模型前沿】通义万相Wan2.2：阿里270亿参数巨兽开源，消费级显卡就能跑，免费平替Sora上线

系列篇章💥 No.文章1【AI大模型前沿】深度剖析瑞智病理大模型 RuiPath：如何革新癌症病理诊断技术2【AI大模型前沿】清华大学 CLAMP-3：多模态技术引领音乐检索新潮流3【AI大模型前沿】浙大携手阿里推出HealthGPT：医学视觉语言大模型助力智能医疗新突破4【AI大模型前沿】阿里 QwQ-32B：320 亿参数推理大模型，性能比肩 DeepSeek-R1，免费开源5【AI大模型前沿】TRELLIS：微软、清华、中科大联合推出的高质量3D生成模型6【AI大模型前沿】Migician：清华、北大、华科联手打造的多图像定位大模型，一键解决安防监控与自动驾驶难题7【AI大模型前沿】DeepSeek-V3-0324：AI 模型的全面升级与技术突破8【AI大模型前沿】BioMedGPT-R1：清华联合水木分子打造的多模态生物医药大模型，开启智能研发新纪元9【AI大模型前沿】DiffRhythm：西北工业大学打造的10秒铸就完整歌曲的AI歌曲生成模型10【AI大模型前沿】R1-Omni：阿里开源全模态情感识别与强化学习的创新结合11【AI大模型前沿】Qwen2.5-Omni：

By Ne0inhk

嫌 OpenClaw 太重？ZeroClaw 重磅开源！

大家好，我是玄姐。 摘要：当 OpenClaw 的 Node.js 内存占用让你抓狂，当 Agent 的响应速度无法满足实时需求，是时候看看 Rust 带来的新选择了。ZeroClaw，一个 100% Rust 编写、极致轻量、高度模块化的 AI Agent 框架，正式开源。 过去的一个月里，OpenClaw（及其前身 Moltbot/Clawdbot）以其强大的生态和易用性，几乎成为了开源 AI Agent 的代名词。然而，随着大家在生产环境中通过 Node.js 运行越来越复杂的 Agent 工作流，一些问题也逐渐浮出水面： 资源消耗大：Node.js 运行时的内存占用在多 Agent 场景下显得捉襟见肘。

By Ne0inhk