SpringAI入门：对话机器人
SpringAI入门：对话机器人
1.引入依赖
创建一个新的SpringBoot工程，勾选Web、MySQL驱动、Ollama：
<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>4.0.0modelVersion>
<parent>
<groupId>org.springframework.bootgroupId>
<artifactId>spring-boot-starter-parentartifactId>
<version>3.4.4version>
<relativePath/>
parent>
<groupId>com.shisangroupId>
<artifactId>chat-robotartifactId>
<version>0.0.1-SNAPSHOTversion>
<name>chat-robotname>
<description>chat-robotdescription>
<url/>
<licenses>
<license/>
licenses>
<developers>
<developer/>
developers>
<scm>
<connection/>
<developerConnection/>
<tag/>
<url/>
scm>
<properties>
<java.version>17java.version>
<spring-ai.version>1.0.0-M6spring-ai.version>
properties>
<dependencies>
<dependency>
<groupId>org.springframework.bootgroupId>
<artifactId>spring-boot-starter-webartifactId>
dependency>
<dependency>
<groupId>org.springframework.aigroupId>
<artifactId>spring-ai-ollama-spring-boot-starterartifactId>
dependency>
<dependency>
<groupId>com.mysqlgroupId>
<artifactId>mysql-connector-jartifactId>
<scope>runtimescope>
dependency>
<dependency>
<groupId>org.springframework.bootgroupId>
<artifactId>spring-boot-starter-testartifactId>
<scope>testscope>
dependency>
dependencies>
<dependencyManagement>
<dependencies>
<dependency>
<groupId>org.springframework.aigroupId>
<artifactId>spring-ai-bomartifactId>
<version>${spring-ai.version}version>
<type>pomtype>
<scope>importscope>
dependency>
dependencies>
dependencyManagement>
<build>
<plugins>
<plugin>
<groupId>org.springframework.bootgroupId>
<artifactId>spring-boot-maven-pluginartifactId>
plugin>
plugins>
build>
project>
SpringAI完全适配了SpringBoot的自动装配功能，而且给不同的大模型提供了不同的starter比如:
1. Anthropic（Claude模型）
<dependency>
<groupId>org.springframework.aigroupId>
<artifactId>spring-ai-anthropic-spring-boot-starterartifactId>
dependency>
2. Azure OpenAI
dependency>
<groupId>org.springframework.aigroupId>
<artifactId>spring-ai-azure-openai-spring-boot-starterartifactId>
dependency>
3. DeepSeek（兼容 OpenAI 协议）
实际上 DeepSeek 使用的是 OpenAI 接口协议，因此使用 OpenAI 的 starter。
<dependency>
<groupId>org.springframework.aigroupId>
<artifactId>spring-ai-openai-spring-boot-starterartifactId>
dependency>
4. Hugging Face
<dependency>
<groupId>org.springframework.aigroupId>
<artifactId>spring-ai-huggingface-spring-boot-starterartifactId>
dependency>
5. Ollama（本地部署的 LLM，比如 LLaMA3、Mistral）
org.springframework.ai
spring-ai-ollama-spring-boot-starter
6. OpenAI（ChatGPT / GPT-4 等）
<dependency>
<groupId>org.springframework.aigroupId>
<artifactId>spring-ai-openai-spring-boot-starterartifactId>
dependency>
2.配置模型信息
spring:
application:
name: chart-robot
ai:
ollama:
base-url: http://localhost:11434 # ollama服务地址， 这就是默认值
chat:
model: deepseek-r1:14b # 模型名称
options:
temperature: 0.8 # 模型温度，影响模型生成结果的随机性，越小越稳定
3.聊天客户端 API
这ChatClient提供用于与 AI 模型通信的 Fluent API。 它支持同步和流式编程模型。
Fluent API 具有构建 Prompt 的组成部分的方法，这些部分作为输入传递给 AI 模型。 这Prompt包含指导 AI 模型的输出和行为的说明文本。从 API 的角度来看，提示由一组消息组成。
AI 模型处理两种主要类型的消息：用户消息（来自用户的直接输入）和系统消息（由系统生成以指导对话）。
这些消息通常包含占位符，这些占位符在运行时根据用户输入进行替换，以自定义 AI 模型对用户输入的响应。
还有一些可以指定的 Prompt 选项，例如要使用的 AI 模型的名称以及控制生成输出的随机性或创造性的温度设置。
1.创建 ChatClient
这ChatClient是使用ChatClient.Builder对象。 您可以获取自动配置的ChatClient.Builder实例，或者以编程方式创建一个。
@Bean
public ChatClient chatClient(OllamaChatModel model) {
return ChatClient.builder(model) // 创建ChatClient工厂
.build(); // 构建ChatClient实例
}
2.使用自动配置的 ChatClient.Builder
@RestController
class MyController {
private final ChatClient chatClient;
public MyController(ChatClient.Builder chatClientBuilder) {
this.chatClient = chatClientBuilder.build();
}
@GetMapping("/ai")
String generation(String userInput) {
return this.chatClient.prompt()
.user(userInput)
.call()
.content();
}
}
在这个简单的示例中，用户输入设置用户消息的内容。 这call()method 向 AI 模型发送请求，并且content()方法将 AI 模型的响应作为String.
3.流式响应
这stream()method 允许你获得异步响应，如下所示：
Flux<String> output = chatClient.prompt()
.user("Tell me a joke")
.stream()
.content();
4.Advisors API
SpringAI基于AOP机制实现与大模型对话过程的增强、拦截、修改等功能，所有的增强通知都需要实现Advisor接口；Spring提供了一些Advisor的默认实现，来实现一些基本的增强功能
SimpleLoggerAdvisor：日志记录的Advisor；MessageChatMemoryAdvisor：会话记忆的Advisor；QuestionAnswerAdvisor：实现RAG的Advisor；
@Bean
public ChatClient chatClient(OllamaChatModel model) {
return ChatClient
.builder(model)
.defaultAdvisors(new SimpleLoggerAdvisor()) // 添加默认的Advisor,记录日志
.build(); // 构建ChatClient实例
}
logging:
level:
org.springframework.ai.chat.client.advisor: debug # AI对话的日志级别
com.heima.ai: debug # 本项目的日志级别
将 advisor 添加到链中的顺序至关重要，因为它决定了它们的执行顺序。每个 advisor 都以某种方式修改 prompt 或 context，并且一个 advisor 所做的更改将传递给链中的下一个 advisor。
5.会话记忆
ChatMemory表示聊天对话历史记录的存储。它提供了向对话添加消息、从对话中检索消息以及清除对话历史记录的方法。
目前有两种实现：InMemoryChatMemory和CassandraChatMemory，它们为聊天对话历史记录提供存储，内存和time-to-live相应。
1.添加会话记忆Advisor
@Bean
public ChatMemory chatMemory() {
return new InMemoryChatMemory();
}
2.配置chatclient
@Bean
public ChatClient chatClient(AlibabaOpenAiChatModel model, ChatMemory chatMemory) {
return ChatClient
.builder(model)
.defaultSystem("你是一个热心、可爱的智能助手，你的名字叫小团团，请以小团团的身份和语气回答问题。")
.defaultAdvisors(
new SimpleLoggerAdvisor(),
new MessageChatMemoryAdvisor(chatMemory)
)
.build();
}
重点是会话id
/**
* 发起流式对话请求
* @param prompt 用户输入
* @param chatId 会话ID（用于上下文记忆）
* @return 响应流
*/
@GetMapping(produces = MediaType.TEXT_EVENT_STREAM_VALUE)
public Flux<String> chat(@RequestParam String prompt,
@RequestParam String chatId) {
return chatClient.prompt()
.user(prompt)
.advisors(a -> a.param(CHAT_MEMORY_CONVERSATION_ID_KEY, chatId))
.stream()
.content();
}
6.会话历史
- 会话记忆：是指让大模型记住每一轮对话的内容，不至于前一句刚问完，下一句就忘了；
- 会话历史：是指要记录总共有多少不同的对话；
这边可以自己根据具体场景实现,主要有两个接口
1.查询某个用户的会话历史
2.查询某个会话的对话