Spring AI 玩转多轮对话

AI "失忆"怎么办？本文带你用 Spring AI 一招搞定多轮对话，让你的 AI 应用拥有超强记忆！从 ChatClient、Advisors 到实战编码，三步打造一个能记住上下文的智能历史专家。
大家好，我是程序员NEO。
你是否遇到过这样的 AI？上一秒刚告诉它你的名字，下一秒就问你是谁。这种“金鱼记忆”的 AI 简直让人抓狂！在智能客服、虚拟助手等场景，如果 AI 无法记住上下文，用户体验将大打折扣。
别担心，今天 NEO 就带你用 Spring AI 框架，彻底解决这个难题，轻松为你的 AI 应用植入“记忆芯片”！
为了方便演示，我们将一起创建一个“历史知识专家”AI。它不仅能对答如流，还能记住我们之前的对话，实现真正流畅的智能交流。
准备好了吗？让我们开始吧！
更强大的 ChatClient

要让 AI 拥有“记忆力”，首先得掌握与它高效沟通的工具。Spring AI 提供了 ChatClient API，这是我们与大模型交互的瑞士军刀。
很多同学可能习惯了直接注入 ChatModel，但 ChatClient 提供了功能更丰富、更灵活的链式调用（Fluent API），是官方更推荐的方式。
看看对比，高下立判：

1. // 基础用法(ChatModel)
2. ChatResponse response = chatModel.call(new Prompt("你好"));
4. // 高级用法(ChatClient)
5. ChatClient chatClient = ChatClient.builder(chatModel)
6.     .defaultSystem("你是历史顾问")
7.     .build();
8.    
9. String response = chatClient.prompt().user("你好").call().content();

复制代码

ChatClient 的构建方式也很灵活，可以通过构造器注入或使用建造者模式：

1. // 方式1：使用构造器注入
2. @Service
3. public class ChatService {
4.     private final ChatClient chatClient;
5.    
6.     public ChatService(ChatClient.Builder builder) {
7.         this.chatClient = builder
8.             .defaultSystem("你是历史顾问")
9.             .build();
10.     }
11. }
13. // 方式2：使用建造者模式
14. ChatClient chatClient = ChatClient.builder(chatModel)
15.     .defaultSystem("你是历史顾问")
16.     .build();

复制代码

它还支持多种响应格式，无论是包含 Token 信息的完整响应、自动映射的 Java 对象，还是实现打字机效果的流式输出，都能轻松搞定。

1. // ChatClient支持多种响应格式
2. // 1. 返回 ChatResponse 对象（包含元数据如 token 使用量）
3. ChatResponse chatResponse = chatClient.prompt()
4.     .user("Tell me a joke")
5.     .call()
6.     .chatResponse();
8. // 2. 返回实体对象（自动将 AI 输出映射为 Java 对象）
9. // 2.1 返回单个实体
10. record ActorFilms(String actor, List<String> movies) {}
11. ActorFilms actorFilms = chatClient.prompt()
12.     .user("Generate the filmography for a random actor.")
13.     .call()
14.     .entity(ActorFilms.class);
16. // 2.2 返回泛型集合
17. List multipleActors = chatClient.prompt()
18.     .user("Generate filmography for Tom Hanks and Bill Murray.")
19.     .call()
20.     .entity(new ParameterizedTypeReference<List>() {});
22. // 3. 流式返回（适用于打字机效果）
23. Flux<String> streamResponse = chatClient.prompt()
24.     .user("Tell me a story")
25.     .stream()
26.     .content();
28. // 也可以流式返回ChatResponse
29. Flux<ChatResponse> streamWithMetadata = chatClient.prompt()
30.     .user("Tell me a story")
31.     .stream()
32.     .chatResponse();

复制代码

更棒的是，你可以为 ChatClient 设置默认的“人设”（系统提示词），甚至在对话中动态替换模板变量，让 AI 的角色扮演更加生动。

1. // 定义默认系统提示词
2. ChatClient chatClient = ChatClient.builder(chatModel)
3.         .defaultSystem("You are a friendly chat bot that answers question in the voice of a {voice}")
4.         .build();
6. // 对话时动态更改系统提示词的变量
7. chatClient.prompt()
8.         .system(sp -> sp.param("voice", voice))
9.         .user(message)
10.         .call()
11.         .content());

复制代码

Advisors 拦截器

如果说 ChatClient 是 AI 的躯体，那 Advisors（顾问）就是给它加持的各种“外挂”和“Buff”。
你可以把 Advisors 理解为一系列可插拔的拦截器。在请求发给 AI 前或收到 AI 响应后，它们可以执行各种骚操作：

• 前置增强：悄悄改写你的提问，让它更符合 AI 的胃口；或者进行安全检查，过滤掉危险问题。
  
• 后置增强：记录调用日志，或者对 AI 的回答进行二次加工。
  

用法非常简单，直接在构建 ChatClient 时配置 defaultAdvisors 即可。比如，MessageChatMemoryAdvisor 就是我们实现对话记忆的关键“外挂”。

1. var chatClient = ChatClient.builder(chatModel)
2.     .defaultAdvisors(
3.         new MessageChatMemoryAdvisor(chatMemory), // 对话记忆 advisor
4.         new QuestionAnswerAdvisor(vectorStore)    // RAG 检索增强 advisor
5.     )
6.     .build();
8. String response = this.chatClient.prompt()
9.     // 对话时动态设定拦截器参数，比如指定对话记忆的 id 和长度
10.     .advisors(advisor -> advisor.param("chat_memory_conversation_id", "678")
11.             .param("chat_memory_response_size", 100))
12.     .user(userText)
13.     .call()
14.         .content();

复制代码

Advisors 的工作原理就像一条精密的流水线（责任链模式）：

流水线流程解读：

• 用户的请求进来，被包装成一个 AdvisedRequest。
  
• 请求在 Advisor 链上依次传递，每个 Advisor 都可以对它进行处理或修改。
  
• 最终，请求被发送给 ChatModel。
  
• 模型的响应再沿着流水线反向传回，每个 Advisor 也可以处理响应。
  
• 最后，客户端收到经过层层“加持”的最终结果。
  

注意：Advisor 的执行顺序由其 getOrder() 方法决定，值越小，优先级越高，跟代码书写顺序无关哦！

Chat Memory Advisor

要实现对话记忆，ChatMemoryAdvisor 是我们的不二之选。它有几种实现方式，最常用的是 MessageChatMemoryAdvisor。

• MessageChatMemoryAdvisor：将历史对话作为完整的消息列表（包含用户和 AI 的角色）添加到提示中。这是最符合现代大模型交互方式的选择。
  
• PromptChatMemoryAdvisor：将历史对话拼接成一段文本，塞进系统提示词里。
  
• VectorStoreChatMemoryAdvisor：使用向量数据库来存储和检索历史对话，适用于更复杂的场景。
  

MessageChatMemoryAdvisor 保留了对话的原始结构，能让 AI 更好地理解上下文，因此 强烈推荐使用。
Chat Memory

ChatMemoryAdvisor 只是“搬运工”，真正存储对话历史的是 Chat Memory。Spring AI 提供了多种“记忆仓库”：

• InMemoryChatMemory：内存存储，简单快捷，适合测试（我们今天就用它）。
  
• JdbcChatMemory, CassandraChatMemory, Neo4jChatMemory：持久化存储，可将对话历史保存在数据库中，适合生产环境。
  

打造一个“历史学家”AI

理论讲完了，上代码！
初始化 ChatClient

我们通过构造器注入 ChatModel，然后构建 ChatClient。在构建时，设定好“历史学家”的人设（SYSTEM_PROMPT），并装上我们的记忆“外挂”——MessageChatMemoryAdvisor。

1. /**
2. * @author 程序员NEO
3. * @version 1.0
4. * @description 历史知识专家应用
5. * @since 2025-07-07
6. **/
7. @Component
8. @Slf4j
9. public class HistoryExpertApp {
11.     private final ChatClient chatClient;
13.     private static final String SYSTEM_PROMPT = "你是一位风趣幽默的历史知识专家，学识渊博。" +
14.             "你需要根据用户的提问，生动、清晰地回答相关的历史知识。" +
15.             "如果用户的问题不清晰，你需要引导用户提供更多信息。";
17.     public HistoryExpertApp(ChatModel chatModel) {
18.         // 初始化基于内存的对话记忆
19.         ChatMemory chatMemory = new InMemoryChatMemory();
20.         chatClient = ChatClient.builder(chatModel)
21.                 .defaultSystem(SYSTEM_PROMPT)
22.                 .defaultAdvisors(
23.                         new MessageChatMemoryAdvisor(chatMemory)
24.                 )
25.                 .build();
26.     }
27.     // ... doChat 方法
28. }

复制代码

这里我们使用了 InMemoryChatMemory，它将对话历史存在内存里。对于生产环境，记得换成 Redis 或数据库等持久化方案。
编写对话方法

核心的 doChat 方法接收用户消息（message）和会话 ID（chatId）。chatId 是区分不同对话的关键，确保每个用户的聊天记录相互独立。

1. /**
2. * 执行聊天操作，处理用户消息并返回 AI 的响应。
3. *
4. * @param message 用户发送的消息
5. * @param chatId  对话 ID，用于标识当前会话
6. * @return AI 的响应内容
7. */
8. public String doChat(String message, String chatId) {
9.     ChatResponse chatResponse = chatClient
10.             .prompt()
11.             .user(message)
12.             .advisors(spec -> spec
13.                     .param(MessageChatMemoryAdvisor.CHAT_MEMORY_CONVERSATION_ID_KEY, chatId) // 设置对话 ID
14.                     .param(MessageChatMemoryAdvisor.CHAT_MEMORY_RETRIEVE_SIZE_KEY, 10)) // 设置记忆容量
15.             .call()
16.             .chatResponse();
18.     String content = chatResponse.getResult().getOutput().getContent();
19.     log.info("AI Response: {}", content);
20.     return content;
21. }

复制代码

在 .advisors() 方法中，我们传入了两个关键参数：

• CHAT_MEMORY_CONVERSATION_ID_KEY: 会话 ID，确保每个用户的对话历史是隔离的。
  
• CHAT_MEMORY_RETRIEVE_SIZE_KEY: 对话记忆检索大小。设置为 10 表示 AI 在回答时，会参考最近的 10 条消息（5 轮对话）。
  

见证奇迹的时刻！

我们用一个单元测试来验证 AI 是否真的拥有了记忆。

1. @SpringBootTest
2. public class HistoryExpertAppTest {
4.     @Resource
5.     private HistoryExpertApp historyExpertApp;
7.     @Test
8.     void testChat() {
9.         String chatId = UUID.randomUUID().toString();
10.         
11.         // 第一轮对话
12.         System.out.println("--- 第一轮对话 ---");
13.         String message1 = "我叫NEO，我最喜欢的数字是7。";
14.         System.out.println("我: " + message1);
15.         String answer1 = historyExpertApp.doChat(message1, chatId);
16.         Assertions.assertNotNull(answer1);
17.         System.out.println("AI: " + answer1);
19.         // 第二轮对话
20.         System.out.println("\n--- 第二轮对话 ---");
21.         String message2 = "我叫什么名字？我最喜欢的数字是几？";
22.         System.out.println("我: " + message2);
23.         String answer2 = historyExpertApp.doChat(message2, chatId);
24.         Assertions.assertNotNull(answer2);
25.         System.out.println("AI: " + answer2);
26.     }
27. }

复制代码

场景一：拥有完整记忆

当 CHAT_MEMORY_RETRIEVE_SIZE_KEY 设置为 10 时，AI 能轻松记住我们在第一轮对话中提供的信息。
测试结果：
[code]--- 第一轮对话 ---我: 我叫NEO，我最喜欢的数字是7。AI: 哈哈，Neo！很高兴认识你！7确实是一个神奇的数字——不仅是上帝创造世界的天数，也是彩虹的颜色数、一周的天数，甚至还是詹姆斯·邦德的代号！看来你和神秘事物很投缘啊！既然你喜欢7，那我考考你：你知道人类历史上有哪些著名的"七"吗？比如七大奇迹、七星瓢虫，或者...《七龙珠》？
来源：豆瓜网用户自行投稿发布，如果侵权，请联系站长删除