【Spring】Spring AI 核心知识（一）

1. 自定义 Advisor

实际上，Advisor 可以看做是 Servlet 当中的“拦截器”，在大模型接收到 prompt 之前进行前置拦截增强（比如敏感词校验、记录日志、鉴权），并在大模型返回响应之后进行后置拦截增强（比如记录日志）官方已经提供了一系列 Advisor 可供插拔使用，但是接下来我们需要学习如何自定义 Advisor

1.1 自定义 Advisor 步骤

我们接下来就参考官方文档来学习如何自定义 Advisor 在项目中使用：

📖 参考文档：https://docs.spring.io/spring-ai/reference/api/advisors.html

1）步骤一：选择合适的接口实现

CallAroundAdvisor：用于处理同步的请求与响应（非流式）
StreamAroundAdvisor：用于处理流式的请求与响应

更加建议两者同时实现

2）步骤二：实现接口核心方法

对于非流式接口 CallAroundAdvisor 来说，需要实现 nextAroundCall 方法
对于流式接口 StreamAroundAdvisor 来说，需要实现 nextAroundStream 方法

3）步骤三：设置执行顺序

通过重写 getOrder 方法，返回的值越低，越先被执行

4）步骤四：设置唯一名称

通过重写 getName 方法，返回唯一标识符

1.2 实现 Logging Advisor

其实官方提供了一个 SimpleLoggerAdvisor 用于记录日志，但是出于以下两方面原因并没有在项目中采用

SimpleLoggerAdvisor 源码中使用 debug 级别输出日志，而 SpringBoot 默认忽略 debug 以下级别日志
自定义的 LoggerAdvisor 更加灵活，便于自定义日志

我们可以参考官方的示例，实现自定义的 Logging Advisor，参考代码如下：

/*** 自定义日志Advisor* @author ricejson*/
public class MyLoggerAdvisor implements CallAroundAdvisor, StreamAroundAdvisor {private static final Logger logger = LoggerFactory.getLogger(MyLoggerAdvisor.class);@Overridepublic String getName() {return this.getClass().getSimpleName();}@Overridepublic int getOrder() {return 0;}@Overridepublic AdvisedResponse aroundCall(AdvisedRequest advisedRequest, CallAroundAdvisorChain chain) {// 调用前记录请求日志logger.info("before req:{}", advisedRequest);// 调用执行链AdvisedResponse advisedResponse = chain.nextAroundCall(advisedRequest);// 调用后记录响应日志logger.info("after resp:{}", advisedResponse);return advisedResponse;}@Overridepublic Flux<AdvisedResponse> aroundStream(AdvisedRequest advisedRequest, StreamAroundAdvisorChain chain) {// 调用前记录请求日志logger.info("before req:{}", advisedRequest);// 调用执行链Flux<AdvisedResponse> flux = chain.nextAroundStream(advisedRequest);return new MessageAggregator().aggregateAdvisedResponse(flux, (advisedResponse) -> {// 调用后记录响应日志logger.info("after resp:{}", advisedResponse);});}
}

需要特别注意的是 MessageAggregator消息聚合器对象将 Flux 类型聚合成单个 AdvisedResponse，是一种流式处理模式，我们在 ResumeApp 当中应用我们编写的自定义 Advisior 观察效果

public ResumeApp(ChatModel dashscopeChatModel) {ChatMemory chatMemory = new InMemoryChatMemory();this.chatClient = ChatClient.builder(dashscopeChatModel).defaultSystem("你是一位资深职业顾问与AI技术融合的【简历辅导大师】，拥有以下核心能力：\n" +"1. HR视角：熟悉ATS（招聘系统）筛选逻辑、500+行业岗位的简历关键词库\n" +"2. 实战经验：基于10万份真实简历优化案例的决策模型\n" +"3. 教练模式：通过苏格拉底式提问引导用户自主发现简历问题") // 系统预设提示词.defaultAdvisors(new MessageChatMemoryAdvisor(chatMemory), // 支持多轮对话new MyLoggerAdvisor()) // 自定义日志Advisor.build();
}

最终运行测试代码，可以发现自定义的日志 Advisor 已经生效了！

1.3 实现 Re2 Advisor

让我们继续趁热打铁，再来学习官方文档中的示例，再来实现一个 Re2 的自定义 Advisor 叭！Re2（全称为Re-Reading）机制，简单来说就是让 AI 大模型重新阅读用户提示词，来提升大模型的推理能力，例如：

{input_prompt}
reading the question again: {input_prompt}

💡 注意：虽然 Re2 技术能够有效提升大模型的推理能力，但是带来的是双倍的成本（双倍token）对于 C 端产品来说需要控制成本

自定义 Re2 Advisor 相关代码如下：

/*** 自定义 ReReading Advisor* @author ricejson*/
public class MyReReadingAdvisor implements CallAroundAdvisor, StreamAroundAdvisor {@Overridepublic String getName() {return this.getClass().getSimpleName();}@Overridepublic int getOrder() {return -1;}/*** 实现ReReading逻辑* @return 返回ReReading之后的请求*/private AdvisedRequest reReading(AdvisedRequest advisedRequest) {Map<String, Object> userParams = new HashMap<>(advisedRequest.userParams());// 设置替换模板userParams.put("input_prompt", advisedRequest.userText());return AdvisedRequest.from(advisedRequest).userText("""{input_prompt}reading the question again: {input_prompt}""").userParams(userParams).build();}@Overridepublic AdvisedResponse aroundCall(AdvisedRequest advisedRequest, CallAroundAdvisorChain chain) {return chain.nextAroundCall(reReading(advisedRequest));}@Overridepublic Flux<AdvisedResponse> aroundStream(AdvisedRequest advisedRequest, StreamAroundAdvisorChain chain) {return chain.nextAroundStream(reReading(advisedRequest));}
}

我们继续在 ResumeApp 当中应用我们编写的自定义的 Advisor 观察效果

public ResumeApp(ChatModel dashscopeChatModel) {ChatMemory chatMemory = new InMemoryChatMemory();this.chatClient = ChatClient.builder(dashscopeChatModel).defaultSystem("你是一位资深职业顾问与AI技术融合的【简历辅导大师】，拥有以下核心能力：\n" +"1. HR视角：熟悉ATS（招聘系统）筛选逻辑、500+行业岗位的简历关键词库\n" +"2. 实战经验：基于10万份真实简历优化案例的决策模型\n" +"3. 教练模式：通过苏格拉底式提问引导用户自主发现简历问题") // 系统预设提示词.defaultAdvisors(new MessageChatMemoryAdvisor(chatMemory), // 支持多轮对话new MyLoggerAdvisor(), // 自定义日志Advisornew MyReReadingAdvisor()) // 自定义ReReading Advisor.build();
}

最终运行测试代码，可以发现自定义的 ReReading Advisor 已经生效了！

2. 结构化输出

2.1 工作流程

Structured Output（结构化输出）是Spring AI 另一个非常有用的机制，尤其是对于那些依赖可靠输入的下游服务来说，结构化输出可以将大模型的输出结果转化为特定的数据类型，比如 XML、JSON、POJO 等，结构化输出的核心组件就是 Structured Output Converter（结构化输出转换器），核心数据流图如下图所示：

在调用大模型之前，转换器会在用户提示词后追加格式化的指令信息，指导大模型输出期望格式
在调用大模型之后，转换器会解析文本输出，并将其转换为匹配的结构化实例，比如XML、JSON、POJO

❗ 注意：结构化输出转换器只是尽最大努力地将输出结果转换为结构化输出，因为一方面某些大模型自身不支持结构化，另一方面大模型可能无法按照提示词的指令转换为结构化数据

2.2 API 设计

StructuredOutputConverter 接口继承了两个父接口，接口定义格式如下：

public interface StructuredOutputConverter<T> extends Converter<String, T>, FormatProvider {}

FormatProvider：该接口用于提供指导性的格式化指令追加在用户提示词之后，类似格式如下：

Your response should be in JSON format.
The data structure for the JSON should match this Java class: java.util.HashMap
Do not include any explanations, only provide a RFC8259 compliant JSON response following this format without deviation.

Converter：该接口则专注于将模型输出的文本内容转换为特定的目标类型

SpringAI 提供了一系列的转换器可供使用：

AbstructMessageOutputConverter：略
AbstructConversionServiceOutputConverter：略
MapOutputCoverter：用于将输出转换为 map 类型
BeanOutputConverter：使用 ObjectMapper 将输出转换为 Java Bean 类型
ListOutputConverter：用于将输出转换为 List 类型

2.3 使用示例

官方文档提供了非常多的使用示例，下面简单进行介绍：

1）使用 BeanOutputConverter 转换为 Bean

// 定义动作电影类
record ActorsFilms(String actor, List<String> movies) {
}ActorsFilms actorsFilms = ChatClient.create(chatModel).prompt().user(u -> u.text("Generate the filmography of 5 movies for {actor}.").param("actor", "Tom Hanks")).call().entity(ActorsFilms.class);

其实我们还可以通过ParameterizedTypeReference构造函数来指定更加复杂的结构，比如：

// 定义动作电影类
record ActorsFilms(String actor, List<String> movies) {
}List<ActorsFilms> actorsFilms = ChatClient.create(chatModel).prompt().user("Generate the filmography of 5 movies for Tom Hanks and Bill Murray.").call().entity(new ParameterizedTypeReference<List<ActorsFilms>>() {});

2）使用 MapOutputConverter 转换为 Map 结构

Map<String, Object> result = ChatClient.create(chatModel).prompt().user(u -> u.text("Provide me a List of {subject}").param("subject", "an array of numbers from 1 to 9 under they key name 'numbers'")).call().entity(new ParameterizedTypeReference<Map<String, Object>>() {});

3）使用 ListOutputConverter 转换为 List 结构

List<String> flavors = ChatClient.create(chatModel).prompt().user(u -> u.text("List five {subject}").param("subject", "ice cream flavors")).call().entity(new ListOutputConverter(new DefaultConversionService()));

3. 对话记忆持久化

3.1 基础概念

前面我们已经使用InMemoryChatMemory基于内存的方式来保存对话上下文信息，但是如果这时候服务器重启了，对话记忆就会消失，这时候我们就会想到通过文件、数据库、redis 中进行持久化存储，应该怎么实现呢？

SpringAI 提供了以下两种思路：

使用现有提供的依赖，比如官方提供了一些第三方数据库的整合支持

InMemoryChatMemory：基于内存存储
CassandraChatMemory：基于Cassandra 进行存储
Neo4jChatMemory：基于 Neo4j 进行存储
JdbcChatMeory：基于 JDBC 关系数据库进行存储

自定义提供 ChatMemory 的实现

这里我推荐直接造轮子，使用自定义的 ChatMemory ，Spring AI 的对话记忆功能实现的非常精巧，将记忆存储与记忆算法解耦合，即我们只需要提供自定义的 ChatMemory 来改变存储位置而无需关心记忆算法如何实现的，另外虽然官方文档没有提供自定义 ChatMemory 的使用示例，但是我们可以参考InMemoryChatMemory的源码

其实不难发现，自定义 ChatMemory 只需要实现 ChatMeory 接口并实现相应的增删查方法逻辑即可！下面我们就来提供一种文件存储的方式提供自定义的 ChatMemory

3.2 自定义文件存储

我们本能的会想到使用 JSON 序列化来保存到文件，但是实现起来非常麻烦，原因有如下几点：

Message 接口有众多实现类，比如 UserMessage、SystemMessage
不同实现类字段都不统一
子类都没有无参构造方法，也没有实现 Serializable 接口

因此我们考虑使用高性能的序列化库 Kryo 来完成序列化的任务，具体步骤如下：

1）引入 Kryo 依赖：

<!-- Kryo 序列化依赖 -->
<dependency><groupId>com.esotericsoftware</groupId><artifactId>kryo</artifactId><version>5.6.2</version>
</dependency>

2）实现自定义文件存储记忆类：

/*** 自定义文件记忆存储* @author ricejson*/
public class MyFileChatMemory implements ChatMemory {private static final Kryo kryo = new Kryo();private final File BASE_FILE;static {kryo.setRegistrationRequired(false);// 设置实例化策略kryo.setInstantiatorStrategy(new StdInstantiatorStrategy());}public MyFileChatMemory(String dir) {this.BASE_FILE = new File(dir);// 如果根路径不存在就创建if (!BASE_FILE.exists()) {BASE_FILE.mkdirs();}}@Overridepublic void add(String conversationId, Message message) {// 找到对应文件File file = getFile(conversationId);// 获取文件中原先的消息列表List<Message> messageList = getMessageList(file);// 追加新文件后写入messageList.add(message);saveMessageList(file, messageList);}@Overridepublic void add(String conversationId, List<Message> messages) {// 获取目标文件File file = getFile(conversationId);// 获取原先的消息列表List<Message> messageList = getMessageList(file);// 追加新的消息messageList.addAll(messages);// 写入saveMessageList(file, messageList);}@Overridepublic List<Message> get(String conversationId, int lastN) {// 根据conversationId 查找对应文件File file = getFile(conversationId);List<Message> messageList = getMessageList(file);return messageList.stream().skip(Math.max(0, messageList.size() - lastN)).toList();}@Overridepublic void clear(String conversationId) {// 获取文件File file = getFile(conversationId);// 清除文件if (file.exists()) {file.delete();}}private void saveMessageList(File file, List<Message> messageList) {try(Output output = new Output(new FileOutputStream(file))) {kryo.writeObject(output, messageList);} catch (FileNotFoundException e) {e.printStackTrace();}}private static List<Message> getMessageList(File file) {List<Message> messageList = new ArrayList<>();if (file.exists()) {// 读取文件try (Input input = new Input(new FileInputStream(file))) {messageList = kryo.readObject(input, ArrayList.class);} catch (FileNotFoundException e) {e.printStackTrace();}}return messageList;}@NotNullprivate File getFile(String conversationId) {File file = new File(this.BASE_FILE, conversationId + ".kryo");return file;}
}

3）修改 ResumeApp 类构造方法：

public ResumeApp(ChatModel dashscopeChatModel) {// 修改成文件存储记忆ChatMemory chatMemory = new MyFileChatMemory(System.getProperty("user.dir") + "/tmp/");this.chatClient = ChatClient.builder(dashscopeChatModel).defaultSystem("你是一位资深职业顾问与AI技术融合的【简历辅导大师】，拥有以下核心能力：\n" +"1. HR视角：熟悉ATS（招聘系统）筛选逻辑、500+行业岗位的简历关键词库\n" +"2. 实战经验：基于10万份真实简历优化案例的决策模型\n" +"3. 教练模式：通过苏格拉底式提问引导用户自主发现简历问题") // 系统预设提示词.defaultAdvisors(new MessageChatMemoryAdvisor(chatMemory), // 支持多轮对话new MyLoggerAdvisor(), // 自定义日志Advisornew MyReReadingAdvisor()) // 自定义ReReading Advisor.build();
}

4）测试：

4. 提示词模板

4.1 基础概念

接下来要讲的是 PromptTemplate（提示词模板），这是 Spring AI 当中用于管理和构建提示词的组件，允许用户定义带占位符的提示词，然后在程序动态运行过程中替换占位符，示例代码如下：

// 带占位符的提示词模板
String template = "你好，{name}，今天是{day}，天气：{weather}";
PromptTemplate promptTemplate = new PromptTemplate(template);
// 准备变量映射
Map<String, Object> variables = new HashMap<>();
variables.put("name", "米饭");
variables.put("day", "星期一");
variables.put("weather", "晴朗");
// 生成最终提示文本
String prompt = promptTemplate.render(variables);

💡 提示：模板思想在编程世界中有大量运用，比如模板引擎、日志占位符、SQL预编译语句

PromptTemplate 在以下场景中非常有用：

A/B测试：能够轻松对比测试结果
多语言支持：可重用内容，动态替换替换语言部分
用户交互场景：根据上下文语境定制提示词
提示词版本管理：便于提示词版本控制

4.2 实现原理

这里简单介绍，Spring AI 当中的 Prompt Template 底层基于 OSS String Template 模板引擎技术，下图是其类以及接口的相关依赖图

SpringAI 还提供了一些专用的模板类，比如：

SystemPromptTemplate：用于系统消息
AssistantPromptTemplate：用于助手消息
FunctionPromptTemplate：目前暂时没用

这些类可以快速构建专用的提示词，再来介绍 PromptTemplate 另外一个特性，就是支持从文件当中读取模板信息，示例代码如下：

/*** 简历辅导应用* @author ricejson*/
@Component
public class ResumeApp {private ChatClient chatClient;@Autowiredpublic ResumeApp(ChatModel dashscopeChatModel, @Value("classpath:/prompts/system.st") Resource systemPrompt) throws IOException {// 修改成文件存储记忆ChatMemory chatMemory = new MyFileChatMemory(System.getProperty("user.dir") + "/tmp/");this.chatClient = ChatClient.builder(dashscopeChatModel).defaultSystem(systemPrompt) // 系统预设提示词.defaultAdvisors(new MessageChatMemoryAdvisor(chatMemory), // 支持多轮对话new MyLoggerAdvisor(), // 自定义日志Advisornew MyReReadingAdvisor()) // 自定义ReReading Advisor.build();}
}