3分钟 Spring AI 实现对话功能
1.什么是spring AI
Spring AI 是 Spring 官方推出的一个基于 Spring 生态的 AI 应用开发框架，旨在简化将人工智能（如大语言模型、生成式 AI）集成到 Java 应用中的过程。它提供了统一的 API 和工具，让开发者能更轻松地调用 AI 模型
2.项目集成Spring ai
本篇文章需使用JDK17 以上的版本 ，spring boot 版本为3.2.5 ，且在通义百炼申请了大模型的api-key请大家务必与我的版本一致
引入spring AI Alibaba的maven坐标
<!--Spring Ai alibaba--> <dependency><groupId>com.alibaba.cloud.ai</groupId><artifactId>spring-ai-alibaba-starter</artifactId><version>1.0.0-M6.1</version> </dependency>
application.yml
api-key需要使用自己的我这里是错误的api-key演示
spring:ai:dashscope:api-key: "sk-5sadd21dsanbd1321ndsakda"chat:options:model: qwen-plus3.项目测试
编写一个类，当spring boot项目启动时自动会执行一次run方法
package com.example.demo.demos;import com.alibaba.cloud.ai.dashscope.api.DashScopeApi;import jakarta.annotation.Resource;
import org.springframework.ai.chat.messages.AssistantMessage;
import org.springframework.ai.chat.model.ChatModel;
import org.springframework.ai.chat.prompt.Prompt;
import org.springframework.beans.factory.annotation.Autowired;
import org.springframework.boot.CommandLineRunner;
import org.springframework.stereotype.Component;/*** 使用springAi框架调用ai*//*** 实现 CommandLineRunner接口的话在，每次项目启动时就会执行一次他的run方法*/@Component
public class SpringAiInvoke implements CommandLineRunner {@Resourceprivate ChatModel dashscopeChatModel;@Overridepublic void run(String... args) throws Exception {// 调用模型 Prompt是模型输入AssistantMessage message = dashscopeChatModel.call(new Prompt("你是谁")).getResult().getOutput();System.out.println(message.getText()); // 输出结果 文本响应}
}
4.构建初始化大模型类
初始化大模型，主要是初始化ChatClient 接口的实现类，给ChatClient 配置一些默认的配置
例如提示词，对话记忆，及Advisor（顾问，类似于AOP）
为什么有了chatModel还需要chatClient？
CatModel 相较于 ChatClient 更为底层，Catmodel所使用的Api是直接对大模型进行调用，
例如：
处理模型本身的参数（如温度值
temperature、最大 token 数maxTokens）。返回原始响应数据（如
ChatResponse包含消息、元数据）。
而ChatClien主要是与业务交互提供了更高级的抽象方法
例如：
提供更高层次的抽象，隐藏复杂性（如
Prompt对象构建、响应解析）。集成 Spring 生态特性（如自动重试、监控）。
标准化输入输出（如直接返回
String而非ChatResponse）
但是本质上ChatClient也是在调用CatModel，只不过提供了更多便捷的方法
总结：
ChatClient 本质上是对 ChatModel 的封装，提供更高层次的便捷方法，而初始化 ChatClient 时通常需要传入 ChatModel。这种设计看似冗余，但背后有明确的架构意图和实际价值。
演示：
当前是初始化了大模型和配置
package com.example.demo.app;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.ai.chat.memory.InMemoryChatMemory;
import org.springframework.ai.chat.model.ChatModel;
import org.springframework.stereotype.Component;@Component
public class AiApp {ChatClient chatClient;// 构造函数 初始化大模型时会注入对象 （根据使用的名称注入，例如阿里的就注入dashscopeChatClient）public AiApp(ChatModel dashscopeChatModel) {//创建一个基于内存的会话历史记录ChatMemory memory = new InMemoryChatMemory();chatClient= ChatClient.builder(dashscopeChatModel) //传入大模型对象.defaultSystem("你当前的角色是i桂航小助手，解决学生在学校的各种疑问") //设置系统提示词 例如当前aiapp是一个学校客服系统，角色是i桂航小助手.defaultAdvisors(new MessageChatMemoryAdvisor(memory)//设置一个advisor （顾问） 当前设置的是处理对话上下文的advisor//也设置多个advsior 和自定义的advisor).build();}}
5.ChatClien实现对话
给AiApp类中添加新的对话方法
//Chatclien对话public String dochat(String message,String sessionId){ChatResponse chatResponse = chatClient.prompt().user(message)//传入用户输入信息.advisors(advisorSpec -> advisorSpec.param(CHAT_MEMORY_CONVERSATION_ID_KEY, sessionId)//对话的会话id 用于查看是否是当前上下文.param(CHAT_MEMORY_RETRIEVE_SIZE_KEY, 3) //检索上下文的长度 如果长度过长所消耗的Token数量会过大).call().chatResponse();log.info("chatResponse: {}", chatResponse.getResult().getOutput().getText());//输出模型返回的结果return chatResponse.getResult().getOutput().getText();}
测试调用对话
@SpringBootTest
class DemoApplicationTests {@AutowiredAiApp app;@Testvoid contextLoads() {app.dochat("你好,请记住我的朋友叫Java", "1");app.dochat("你是谁？ 回复不超过10个字","1");app.dochat("我的朋友叫什么？还有帮忙回忆一下回复不超过几个字？","1");}}
输出的结果为
说明实现了对话，且具有了对话记忆功能
6.结构化输出（将大模型输出转为JAVA对象）
引入maven
<!--springAi结构化输出--> <dependency><groupId>com.github.victools</groupId><artifactId>jsonschema-generator</artifactId><version>4.38.0</version> </dependency>
在AiApp类中编写一个用于返回，一个Java对象的聊天 方法
其中创建了一个Tmplate类 与一个 聊天方法
//JDK14提供的语法 用于创建一个对象public record Template(String title, List<String> mesages){}public Template dochatTemplate(String message, String sessionId){Template template = chatClient.prompt("现在你需要根据用户的需求给出建议标题为： 给{xxx}的建议，内容列出列表").user(message).advisors(advisorSpec -> advisorSpec.param(CHAT_MEMORY_CONVERSATION_ID_KEY, sessionId).param(CHAT_MEMORY_RETRIEVE_SIZE_KEY, 3)).call().entity(Template.class);//输出成为一个Java对象log.info("结果：{}", template);return template;}测试 ：
@Testvoid dochatTemplate() {AiApp.Template template = app.dochatTemplate("你好,我叫小明，在学校我有些困惑，请给我3条建议", "1");}输出结果
大模型给出的返回值变成了Taplate对象 ，建议也变成了List集合
