1. Spring AI 是什么？它解决了什么问题？

考察点：框架理解

参考答案：

Spring AI 是 Spring 官方出的 AI 应用开发框架，可以理解为"Spring Boot 版的 LangChain"。它解决的核心问题是：统一不同大模型的调用方式。

以前调 OpenAI 要用 OpenAI 的 SDK，调通义千问要用阿里的 SDK，代码写法完全不一样。Spring AI 抽象了一层 ChatModel 接口，不管底层是哪个模型，上层代码都一样：

ChatResponse response = chatModel.call(new Prompt("你好"));

换模型只需要改配置，代码不用动。另外它还提供了 RAG、Function Calling、向量数据库这些 AI 应用常用的能力，而且和 Spring 生态无缝集成，对 Java 开发者很友好。

参考答案版本 2

Spring AI 是 Spring 官方推出的 AI 应用开发框架，目标是让 Java 开发者能像用 Spring Data、Spring Security 一样方便地接入 AI 能力。

LLM 的提供商很多——OpenAI、Google、阿里、百度——每家 API 格式都不一样。没有统一抽象的话，业务代码会和具体厂商绑死，换一家要改一堆代码。Spring AI 提供了统一的 ChatClient 接口，屏蔽了底层差异：

// 不管底层是 OpenAI 还是其他，调用方式一样
@Autowired
private ChatClient chatClient;

String response = chatClient.prompt()
    .user("帮我写一首诗")
    .call()
    .content();

第二，简化 Prompt，Spring AI 提供了模板机制，Prompt 可以放到文件中，然后通过变量替换。

@Value("classpath:/prompts/podcast.st")
private Resource promptTemplate;

String prompt = new PromptTemplate(promptTemplate)
    .create(Map.of("topic", "人工智能", "style", "轻松幽默"))
    .getContents();

第三，Spring AI 内置了向量数据库集成，支持 PGVector、Milvus、Pinecone 等多种向量库。

// 文档切分、向量化、存储
vectorStore.add(documents);

// 检索相关内容
List relevant = vectorStore.similaritySearch("用户问题");

第四，Spring AI 封装了 Function Calling，能用注解让 LLM 调用外部工具：

@Bean
@Description("查询天气信息")
public Function weatherFunction() {
    return request -> weatherService.getWeather(request.getCity());
}

2. 你是怎么用 Spring AI 对接 DeepSeek 的？配置了哪些参数？

考察点：实际使用经验

参考答案：

DeepSeek 的 API 是兼容 OpenAI 格式的，所以用 Spring AI 的 OpenAI 模块就能对接。主要配置：

spring:
  ai:
    openai:
      api-key: ${DEEPSEEK_API_KEY}
      base-url: https://api.deepseek.com
      chat:
        options:
          model: deepseek-chat
          temperature: 0.7
          max-tokens: 4096

关键参数说明：

• base-url：改成 DeepSeek 的地址

• model：DeepSeek 的模型名，比如 deepseek-chat、deepseek-coder

• temperature：控制输出的随机性，0 最确定，1 最随机

• max-tokens：最大输出长度

代码里直接注入 ChatModel 就能用：

@Autowired
private ChatModel chatModel;

public String chat(String message) {
    return chatModel.call(message);
}

参考答案版本 2

DeepSeek 的 API 是兼容 OpenAI 格式的，所以用 Spring AI 对接很简单，走 OpenAI 的适配器就行，只需要在 application.yml 里配置base-url 指向 DeepSeek，model 用 DeepSeek 的模型名。

spring:
  ai:
    openai:
      api-key: ${DEEPSEEK_API_KEY}
      base-url: https://api.deepseek.com
      chat:
        options:
          model: deepseek-chat
          temperature: 0.7
          max-tokens: 4096

temperature 用于控制输出的随机性，0 最确定，1 最随机。我们播客场景用 0.7，希望有点创意但不要太跳脱。

不同地方对这个参数的定义有所不同，LangGraph4J 认为是 0-2，SpringAI 认为是 0-1。

这是 SpringAI 官方给出的参考，0-1。

这是 LangGraph4J 官方给出的 0-2。

这是 DeepSeek 官方给出的，默认值为 1，取值范围 0-2。

DeepSeek 官方的建议是翻译 1.3，coding 0，数据清晰/分析 1.0。

max-tokens 为最大输出长度。DeepSeek 支持到 8K 甚至更长，可以根据业务设置。top-p 为另一种控制随机性的方式，和 temperature 二选一即可。presence-penalty / frequency-penalty：控制重复内容的惩罚，避免 AI 翻来覆去说一样的话。

配置好之后，注入 ChatClient 就能用：

@Service
public class LLMService {

    private final ChatClient chatClient;

    public LLMService(ChatClient.Builder builder) {
        this.chatClient = builder.build();
    }

    public String chat(String userMessage) {
        return chatClient.prompt()
            .user(userMessage)
            .call()
            .content();
    }

    // 流式输出
    public Flux chatStream(String userMessage) {
        return chatClient.prompt()
            .user(userMessage)
            .stream()
            .content();
    }
}

3. Spring AI 中的 ChatModel 和 ChatClient 有什么区别？你用的是哪个？

考察点：API 理解

参考答案：

ChatModel 是底层接口，直接和大模型 API 交互。用起来比较原始：

ChatResponse response = chatModel.call(new Prompt(messages));
String text = response.getResult().getOutput().getContent();

ChatClient 提供了流式 API，用起来更优雅：

String response = ChatClient.create(chatModel)
    .prompt()
    .system("你是一个助手")
    .user("你好")
    .call()
    .content();

ChatClient 还支持链式调用、Advisor 插件、流式响应等高级特性。我们项目里两个都用了：

• 底层的 ModelServiceClient 封装了 ChatModel，做流式调用

• 上层业务代码有时用 ChatClient 做简单的一次性调用

选择的原则是：需要细粒度控制用 ChatModel，追求开发效率用 ChatClient。

参考答案版本 2：

ChatModel 是直接和 LLM 交互的底层接口，定义了最基础的调用方法：

public interface ChatModel {
    ChatResponse call(Prompt prompt);
    Flux stream(Prompt prompt);
}

它关注的是：把 Prompt 发给 LLM，拿回 Response。很原始，很直接。使用时要自己构建 Prompt、解析 Response：

@Autowired
private ChatModel chatModel;

public String chat(String message) {
    Prompt prompt = new Prompt(new UserMessage(message));
    ChatResponse response = chatModel.call(prompt);
    return response.getResult().getOutput().getContent();
}

ChatClient 是 Spring AI 1.0 引入的 API，提供了流式（Fluent）调用方式，用起来更舒服：

@Autowired
private ChatClient chatClient;

public String chat(String message) {
    return chatClient.prompt()
        ....