阎良网站建设app软件开发技术

Spring Boot 3整合Spring AI实战：9轮面试对话解析AI应用开发

第1轮：基础配置与模型调用

周先生：cc，先聊聊Spring AI的基础配置吧。如何在Spring Boot 3项目中集成Ollama？

cc：我们可以通过OllamaConfig.java实现基础配置，示例代码如下：

@Configuration
public class OllamaConfig {@Beanpublic OllamaChatModel ollamaChatModel(OllamaApi ollamaApi) {return new OllamaChatModel(ollamaApi, OllamaOptions.builder().model("llama3").build());}@Beanpublic OllamaApi ollamaApi(@Value("${spring.ai.ollama.base-url}") String baseUrl) {return new OllamaApi(baseUrl);}
}

周先生：那如何通过OpenAI进行文本生成呢？

cc：同样，我们可以通过OpenAIConfig.java配置OpenAI客户端：

@Configuration
public class OpenAIConfig {@Beanpublic OpenAiChatModel openAiChatModel(OpenAiApi openAiApi) {return new OpenAiChatModel(openAiApi,OpenAiChatOptions.builder().model("gpt-4o").build());}@Beanpublic OpenAiApi openAiApi(@Value("${spring.ai.openai.base-url}") String baseUrl,@Value("${spring.ai.openai.api-key}") String apiKey) {return new OpenAiApi(baseUrl, apiKey);}
}

周先生：很好，这样我们就能灵活配置不同的AI模型了。

第2轮：多模型路由设计

周先生：在实际项目中，我们可能需要根据不同的查询内容选择不同的模型，如何实现这种智能路由？

cc：我们可以设计一个模型路由器，根据查询内容的特点选择合适的模型：

@Service
public class ModelRouter {private final Map<String, ChatModel> models;public ModelRouter(Map<String, ChatModel> models) {this.models = models;}public ChatModel getPreferredModel(String query) {// 根据查询内容选择模型if (query.contains("code") || query.contains("technical")) {return models.get("ollama"); // 本地技术问题用Ollama}return models.get("openai"); // 复杂问题用OpenAI}
}

周先生：这个设计很实用，能够根据查询内容的特点选择最适合的模型。

第3轮：RAG架构实现

周先生：如何在Spring AI中实现RAG（Retrieval-Augmented Generation）架构？

cc：我们可以通过向量存储实现RAG架构，以下是一个基于PgVectorStore的示例：

@Service
public class DocumentService {private final PgVectorStore vectorStore;private final OllamaEmbeddingModel embeddingModel;public DocumentService(PgVectorStore vectorStore, OllamaEmbeddingModel embeddingModel) {this.vectorStore = vectorStore;this.embeddingModel = embeddingModel;}public void uploadDocument(String content) {// 创建文档Document document = new Document(content);// 分词处理TokenTextSplitter textSplitter = new TokenTextSplitter();List<Document> splitDocuments = textSplitter.apply(List.of(document));// 存储到向量数据库vectorStore.add(splitDocuments);}public List<Document> searchRelevantDocs(String query) {// 相似性搜索return vectorStore.similaritySearch(query, 5);}
}

周先生：非常棒！这样就能让AI在回答问题时参考相关文档内容了。

第4轮：可观测性实现

周先生：在生产环境中，我们需要监控AI服务的性能，如何实现可观测性？

cc：Spring AI支持与Micrometer集成，实现监控：

@Configuration
public class ObservabilityConfig {@Beanpublic ObservationRegistry observationRegistry() {return ObservationRegistry.create();}@Beanpublic ChatClient.Builder chatClientBuilder(ChatModel chatModel) {return new DefaultChatClientBuilder(chatModel, observationRegistry(), ChatClientObservationConvention.DEFAULT);}
}

并在application.yml中添加配置：

management:endpoints:web:exposure:include: "*"tracing:sampling:probability: 1.0

周先生：这样我们就能监控AI服务的请求响应时间、token消耗等指标了。

第5轮：模型版本管理

周先生：如何管理不同版本的AI模型？

cc：我们可以通过配置类管理不同版本的模型：

@Configuration
public class ModelVersionConfig {@Bean("ollamaLlama3_1")public OllamaChatModel ollamaLlama3_1(OllamaApi ollamaApi) {return new OllamaChatModel(ollamaApi,OllamaOptions.builder().model("llama3:latest").build());}@Bean("ollamaLlama3_2")public OllamaChatModel ollamaLlama3_2(OllamaApi ollamaApi) {return new OllamaChatModel(ollamaApi,OllamaOptions.builder().model("llama3:70b").build());}@Bean("openAiGpt4")public OpenAiChatModel openAiGpt4(OpenAiApi openAiApi) {return new OpenAiChatModel(openAiApi,OpenAiChatOptions.builder().model("gpt-4").build());}@Bean("openAiGpt4Turbo")public OpenAiChatModel openAiGpt4Turbo(OpenAiApi openAiApi) {return new OpenAiChatModel(openAiApi,OpenAiChatOptions.builder().model("gpt-4-turbo").build());}
}

周先生：这样就可以灵活切换和比较不同版本的模型了。

第6轮：错误处理与重试机制

周先生：在调用AI服务时可能会出现网络问题或服务不可用，如何处理这些异常情况？

cc：我们可以使用Spring Retry实现重试机制：

@Service
public class AiService {private final ChatClient chatClient;public AiService(ChatClient.Builder chatClientBuilder) {this.chatClient = chatClientBuilder.build();}@Retryable(value = {Exception.class}, maxAttempts = 3, backoff = @Backoff(delay = 1000))public String generateText(String prompt) {return chatClient.prompt(prompt).call().content();}@Recoverpublic String recover(Exception ex, String prompt) {return "抱歉，AI服务暂时不可用，请稍后再试。";}
}

周先生：这个重试机制很重要，能提高服务的稳定性。

第7轮：流式响应处理

周先生：对于较长的AI响应，如何实现流式输出以提升用户体验？

cc：Spring AI支持流式响应，我们可以这样实现：

@RestController
public class AiController {private final ChatClient chatClient;@GetMapping(value = "/ai/stream", produces = MediaType.TEXT_EVENT_STREAM_VALUE)public Flux<String> streamResponse(@RequestParam String prompt) {return chatClient.prompt(prompt).stream().map(chatResponse -> chatResponse.getResult().getOutput().getContent());}
}

周先生：流式响应能让用户更快看到部分结果，体验更好。

第8轮：多模态处理

周先生：如何处理图像等非文本输入？

cc：Spring AI支持多模态输入，可以处理图像：

@Service
public class MultimodalService {private final OllamaChatModel ollamaChatModel;public String analyzeImage(Resource imageResource, String prompt) {UserMessage userMessage = new UserMessage(prompt,new Media(MimeType.valueOf("image/png"), imageResource));Prompt aiPrompt = new Prompt(userMessage,OllamaOptions.builder().model("llava").build());ChatResponse response = ollamaChatModel.call(aiPrompt);return response.getResult().getOutput().getContent();}
}

周先生：多模态处理能力让AI应用更加丰富。

第9轮：性能优化

周先生：在高并发场景下，如何优化AI服务的性能？

cc：我们可以从多个方面进行优化：

1. 使用连接池管理AI服务连接
2. 实现结果缓存
3. 异步处理请求

@Service
public class OptimizedAiService {private final ChatClient chatClient;private final Cache<String, String> cache = Caffeine.newBuilder().maximumSize(1000).expireAfterWrite(10, TimeUnit.MINUTES).build();public OptimizedAiService(ChatClient.Builder chatClientBuilder) {this.chatClient = chatClientBuilder.build();}@Asyncpublic CompletableFuture<String> generateTextAsync(String prompt) {return CompletableFuture.supplyAsync(() -> {String cached = cache.getIfPresent(prompt);if (cached != null) {return cached;}String result = chatClient.prompt(prompt).call().content();cache.put(prompt, result);return result;});}
}

周先生：这些优化措施能显著提升AI服务的性能和响应速度。

---

通过这9轮的深入对话，我们系统地探讨了Spring AI在Spring Boot 3项目中的各种应用场景和实现方式。从基础配置到高级特性，涵盖了实际开发中可能遇到的大部分问题。希望这些内容能帮助你在面试中脱颖而出，也能在实际项目中发挥作用。