Spring AI 实战（11）：收官！10 道面试高频题 + 一张脑图带走全系列

最新推荐文章于 2026-08-24 14:24:24 发布

原创最新推荐文章于 2026-08-24 14:24:24 发布 · 257 阅读

2 GEO检测

Spring AI 专栏收录该内容

11 篇文章 ¥9.90 ¥99.00

订阅专栏

超级会员免费看

本篇是 Spring AI 系列第 11 篇，也是收官篇。前 10 篇我们把"用"（#1–#9）和"原理"（#10）都铺完了。最后这一篇把全系列收成一张可收藏的知识网，再给你 10 道面试高频题 + 一份避坑清单——既能当面试弹药，也能当复习地图。如果你正在准备 Java / 后端 / AI 应用岗的面试，这篇建议直接收藏。

这篇怎么用最高效

面试前：把第五节「10 道高频题」过一遍，每题能口述 3 句话就算过关。
复习时：脑图当目录，哪块模糊回对应篇重读（前文回顾已给你链好）。
做项目时：避坑清单贴在显示器边，比查文档快。

一、全系列知识脑图（文字版，建议收藏）

Spring AI 全栈
├─ 核心抽象
│   ├─ ChatClient       统一门面（prompt/call/stream）
│   ├─ ChatModel        模型抽象（OpenAI/DeepSeek/Ollama…）
│   └─ 分层思想         业务只依赖接口，换实现不改代码
├─ 输入增强
│   ├─ PromptTemplate   外部 .st 模板，参数填充
│   ├─ ChatMemory       记忆（InMemory / Alibaba MySQL+Redis）
│   └─ Advisor 链       拦截器，order 定顺序（日志→记忆→RAG→模型）
├─ 输出控制
│   ├─ 结构化输出        BeanOutputConverter → Java 对象
│   └─ 多模态输入        UserMessage + Media（看图）
├─ 能力扩展
│   ├─ Tool Calling      @Tool 暴露 Java 方法给 AI 调
│   ├─ MCP              标准协议接外部工具/数据源（N×M→N+M）
│   └─ 文生图            ImageModel（DALL·E / 万相）
├─ 知识增强（RAG）
│   ├─ 文档加载 Reader   Text/PDF/Tika
│   ├─ 切分 Splitter     TokenTextSplitter（粒度定召回）
│   ├─ 向量化 Embedding 维度必须与向量库一致
│   ├─ 存储 VectorStore  PgVector（默认）/ Redis / Milvus（海量）
│   └─ 检索增强          QuestionAnswerAdvisor + SearchRequest
└─ 工程化
    ├─ 自动装配          starter + @ConditionalOnClass
    └─ 选型对比          Spring AI vs LangChain4j vs Alibaba

这棵树从下往上看：越往下越偏工程化（自动装配、选型），越往上越偏业务价值（RAG、多模态）。记不住细节时，先记住这六层，再往里填。

二、10 道面试高频题（附答题要点）

1. Spring AI 和直接调 OpenAI SDK 比，优势在哪？
答：统一抽象屏蔽厂商差异，换模型只换 starter+配置；内置 PromptTemplate、记忆、RAG、工具调用、Advisor 等工程能力；与 Spring 生态无缝集成（DI、配置中心、监控）。直接调 SDK 则每家 API 碎片化、换模型重写、缺工程化。

2. ChatClient 和 ChatModel 是什么关系？
答：ChatClient 是面向开发者的统一门面（fluent API），ChatModel 是底层模型抽象接口。ChatClient 内部委托 ChatModel 发请求。业务代码依赖 ChatClient，与具体厂商解耦。

3. 结构化输出怎么实现？为什么模型返回的是 JSON 却能变 Java 对象？
答：用 BeanOutputConverter<T>（或其他 StructuredOutputConverter），它把目标类的字段结构生成格式说明塞进 Prompt，模型按格式输出 JSON，converter 再反序列化。要点：字段名要对齐、数字别带单位、必要时 @JsonProperty。

4. 工具调用（Tool Calling）的原理？
答：用 @Tool 把 Java 方法描述（名称+参数 schema+说明）交给模型；模型根据用户意图决定是否调用、提取参数；框架执行方法并把结果回传模型；模型整合后给出自然语言回答。description 写不清，模型就不调。面试加分项：一次"带工具的回答"可能触发两次 ChatModel.call——第一次拿 tool_calls，第二次拿最终答案。

5. RAG 的完整链路是什么？切分粒度为什么重要？
答：加载文档 → TokenTextSplitter 切分 → EmbeddingModel 向量化 → 存入 VectorStore；问答时把问题向量化，检索 topK 相似块，QuestionAnswerAdvisor 拼进 Prompt。切分粒度直接决定召回质量：太大杂糅、太小语义断裂。

6. 向量库怎么选型？
答：先复用已有的（已在用 PG 选 PgVector，已在用 Redis 选 Redis）；默认 PgVector（运维最省、百万级够用）；知识上千万/专业检索再上 Milvus。第一死穴：向量维度必须和 Embedding 模型一致。

7. MCP 解决了什么问题？和 @Tool 有什么区别？
答：MCP 是标准化的"模型-工具/数据源"协议，把 N 个模型 × M 个工具的连接降到 N+M（统一协议）。@Tool 是 Spring AI 内把方法暴露给模型的注解，作用域在单个应用内；MCP 让任意兼容的 server 能力可被任意模型复用，解耦更彻底。

8. Advisor 责任链是什么？顺序错了会怎样？
答：Advisor 是拦截器，在请求发出前和响应回来后各介入一次，getOrder() 定顺序（典型：日志→记忆→RAG→模型）。顺序错会导致记忆/RAG 失效（如记忆在 RAG 之后注入，模型看不到历史）。

9. 多模态在 Spring AI 里怎么分？
答：分两半——"看图"靠 UserMessage+Media（ChatModel），"画图"靠 ImageModel（文生图）。二者独立抽象，模型必须本身支持对应能力。

10. 自动装配是怎么把 ChatClient 造出来的？
答：starter 含 AutoConfiguration.imports，@ConditionalOnClass 检测 SDK 类存在才装配；读取 spring.ai.* 配置创建 ChatModel 和 ChatClient 默认 bean。换 starter 即换底层实现，业务零改。

三、避坑清单（直接背）

坑	正确做法
换 Embedding 模型	必须重建向量索引（维度绑定）
记忆 / RAG 顺序	记忆 Advisor 必须在 RAG Advisor 之前
多 starter 并存	`@Autowired ChatClient` 可能多 bean 冲突，用 `@Primary`
工具不调用	`@Tool` 的 description 写清，模型才认
文生图 URL	返回的是临时 URL，要持久化得自己落库
纯文本模型硬塞图	DeepSeek 等不支持多模态，塞 `Media` 会失败
切分粒度	远比"用什么向量库"更影响 RAG 效果
流式调用	`.stream()` 返回 `Flux`，非 WebFlux 环境要 `.block()` 或正确订阅
Advisor 没生效	用 `defaultAdvisors(...)`（全局）而非 `advisor(...)`（单次）

四、Spring AI vs LangChain4j vs Spring AI Alibaba

维度	Spring AI	LangChain4j	Spring AI Alibaba
定位	Spring 官方抽象	Java 版 LangChain	Spring AI 的阿里增强（社区）
生态	Spring 原生	框架中立	绑定阿里云（通义/百炼）
记忆/存储	标准接口	自带实现	提供 Alibaba MySQL/Redis Starter
图形化/低码	无	无	有部分增强
选择建议	已在 Spring 体系、要标准抽象	想框架中立、快速上手	深度用阿里云模型/基础设施

三者不互斥：Spring AI 是底座，Alibaba 是在其上补阿里云适配与开箱即用组件。

五、后续学习路径

动手：把本系列示例收敛到一个 GitHub 仓库（part01~part11），跑通每个 demo。
深入源码：读 ChatClient 默认实现与至少一个模型的 ChatModel 实现，看 Advisor 链怎么驱动。
做项目：用 internal-knowledge-base（企业内部知识库）这类真实场景串起 Tool Calling + RAG + 记忆，比单篇练更有体感。
关注版本：Spring AI 1.0 GA 后迭代快，盯官方 migration guide，避免 API 漂移。

小结

这是本系列收官篇，把前 10 篇收成一张网：

脑图：核心抽象 → 输入增强 → 输出控制 → 能力扩展 → 知识增强(RAG) → 工程化，六块串成全栈。
10 道面试题：覆盖 ChatClient/ChatModel 关系、结构化输出、工具调用、RAG 链路、向量库选型、MCP、Advisor 链、多模态、自动装配——基本是 Java AI 岗的高频弹药。
避坑清单：维度绑定、Advisor 顺序、多 bean 冲突、description 写清、URL 落库、模型能力矩阵、切分粒度、流式处理、Advisor 注册方式，共 9 条。
三者关系：Spring AI 是底座，LangChain4j 框架中立，Alibaba 补阿里云适配，按需选用。

到这里，Spring AI 从"为什么用"到"怎么用"再到"为什么能这么用"，整条线就通了。感谢一路看到这里——收藏这张脑图和面试题，面试前翻一遍，比临时抱佛脚管用得多。

如果这篇对你有帮助，点个关注 👀 我会持续更新 Spring AI 实战系列，从聊天、RAG 到原理篇篇带完整代码，关注不迷路。