【AI大模型】SpringBoot整合Spring AI 核心组件使用详解

一、前言

[二、Spring AI介绍](#二、Spring AI介绍)

[2.1 Spring AI介绍](#2.1 Spring AI介绍)

[2.2 Spring AI主要特点](#2.2 Spring AI主要特点)

[2.3 Spring AI核心组件](#2.3 Spring AI核心组件)

[2.4 Spring AI应用场景](#2.4 Spring AI应用场景)

[2.5 Spring AI优势](#2.5 Spring AI优势)

[2.5.1 与 Spring 生态无缝集成](#2.5.1 与 Spring 生态无缝集成)

[2.5.2 模块化设计](#2.5.2 模块化设计)

[2.5.3 简化 AI 集成](#2.5.3 简化 AI 集成)

[2.5.4 支持云原生和分布式计算](#2.5.4 支持云原生和分布式计算)

[2.5.5 安全性保障](#2.5.5 安全性保障)

[2.5.6 高性能和可扩展性](#2.5.6 高性能和可扩展性)

[2.5.7 降低开发成本](#2.5.7 降低开发成本)

[三、SpringBoot 整合 Spring AI 核心组件使用](#三、SpringBoot 整合 Spring AI 核心组件使用)

[3.1 前置准备](#3.1 前置准备)

[3.1.1 准备一个springboot工程](#3.1.1 准备一个springboot工程)

[3.1.2 导入核心依赖](#3.1.2 导入核心依赖)

[3.1.3 选择大模型并申请apikey](#3.1.3 选择大模型并申请apikey)

[3.1.4 配置文件信息](#3.1.4 配置文件信息)

[3.2 对话能力使用](#3.2 对话能力使用)

[3.2.1 自定义配置类](#3.2.1 自定义配置类)

[3.2.2 添加一个测试接口](#3.2.2 添加一个测试接口)

[3.2.3 流式输出](#3.2.3 流式输出)

[3.3 设置角色](#3.3 设置角色)

[3.4 会话记忆能力](#3.4 会话记忆能力)

[3.4.1 理解Advisor](#3.4.1 理解Advisor)

[3.4.2 Spring AI内置Advisor](#3.4.2 Spring AI内置Advisor)

[3.4.3 ChatMemory使用案例](#3.4.3 ChatMemory使用案例)

[3.4.4 会话记忆注意点](#3.4.4 会话记忆注意点)

[3.5 RAG与向量数据库](#3.5 RAG与向量数据库)

[3.5.1 为什么需要向量数据库](#3.5.1 为什么需要向量数据库)

[3.5.2 向量数据库的好处](#3.5.2 向量数据库的好处)

[3.5.3 RAG 流程介绍](#3.5.3 RAG 流程介绍)

[3.5.4 spring ai rag 核心代码实现](#3.5.4 spring ai rag 核心代码实现)

四、写在文末

一、前言

人工智能发展到今天，与各个AI大模型的强大能力有着密切的关系，为了适配上层各类应用的AI能力，各种编程语言也在积极降低对接大模型的成本，可以肯定的是，在大模型能力和生态渐臻完善的情况下，接下来就是在应用层的接入、商用和市场化进程，基于此，以Java生态spring框架为例，从一开始推出spring ai，就是在积极布局与各个大模型的通用对接能力，基于spring ai 可以快速对接chatgpt模型，也可以对接主流厂商的大模型，从而快速接入AI能力，本文以springboot 为例，详细介绍如何对接并深度使用spring ai 的各项组件能力。

二、Spring AI介绍

2.1 Spring AI介绍

Spring AI 是 Spring 生态系统中的一个新兴项目，旨在将人工智能（AI）能力集成到 Spring 应用程序中。它提供了一套工具和框架，帮助开发者轻松地将 AI 功能（如机器学习、自然语言处理、计算机视觉等）整合到 Spring 应用中。官往地址：Prompts :: Spring AI Reference

2.2 Spring AI主要特点

Spring AI具备如下特点：

简化集成：Spring AI 提供了简洁的 API 和注解，使得在 Spring 应用中集成 AI 功能更加容易。
模块化设计：支持多种 AI 框架和库（如 TensorFlow、PyTorch、Hugging Face 等），开发者可以根据需求选择合适的工具。
自动化配置：通过 Spring Boot 的自动配置机制，减少手动配置的复杂性。
与 Spring 生态无缝集成：与 Spring 的其他项目（如 Spring Data、Spring Security 等）无缝集成，提供一致的开发体验。
支持多种 AI 任务：包括但不限于文本生成、图像识别、语音处理、推荐系统等。

2.3 Spring AI核心组件

Spring AI提供了丰富的组件可供开发者快速使用，具体来说：

Spring AI Core：提供基础 API 和工具，支持常见的 AI 任务。
1. 它简化了 AI 模型的集成和管理，使得开发者可以专注于业务逻辑而不是底层实现。
2. 主要功能：
  - 提供统一的 API 接口，支持多种 AI 框架（如 TensorFlow、PyTorch、Hugging Face 等）。
  - 支持模型加载、推理和评估。
  - 提供工具类和方法，简化数据处理和预处理。
Spring AI Data：简化 AI 模型训练和推理过程中数据的处理和管理。
1. 它提供了数据加载、清洗、转换和存储的工具，确保数据在 AI 流程中的高效使用。
2. 主要功能：
  - 支持多种数据源（如数据库、文件、API 等）。
  - 提供数据预处理和增强工具。
  - 支持数据批处理和流处理。
Spring AI Security：确保 AI 模型和数据的安全性，支持模型加密和访问控制。
1. 它提供了模型加密、访问控制和数据隐私保护等功能，防止未经授权的访问和数据泄露。
2. 主要功能：
  - 支持模型加密和解密。
  - 提供基于角色的访问控制（RBAC）。
  - 支持数据脱敏和隐私保护。
Spring AI Cloud：提供与云平台（如 AWS、Google Cloud、Azure）的集成，支持分布式训练和推理。
1. 它简化了在云环境中部署和管理 AI 模型的过程。
2. 主要功能：
  - 支持主流云平台（如 AWS、Google Cloud、Azure）。
  - 提供分布式训练和推理的工具。
  - 支持自动扩展和负载均衡。

Spring AI 的核心组件为开发者提供了全面的工具和框架，使得在 Spring 应用中集成和实现 AI 功能变得更加简单和高效。通过 Spring AI Core、Spring AI Data、Spring AI Security 和 Spring AI Cloud，开发者可以轻松处理数据、确保安全性、并在云环境中部署 AI 模型。这些组件共同构成了 Spring AI 的强大功能，帮助开发者构建智能应用。

2.4 Spring AI应用场景

在下面的场景中，可以考虑选择使用Spring AI进行集成使用：

智能推荐系统：利用机器学习模型为用户提供个性化推荐。
1. 智能推荐系统广泛应用于电商、内容平台、社交媒体等领域，通过分析用户行为和偏好，为用户提供个性化的推荐。
自然语言处理：集成 NLP 模型，实现文本分类、情感分析、机器翻译等功能。
1. 自然语言处理广泛应用于聊天机器人、情感分析、文本分类、机器翻译等领域。
计算机视觉：集成 CV 模型，实现图像识别、目标检测等功能。
1. 计算机视觉广泛应用于图像识别、目标检测、人脸识别、自动驾驶等领域。
语音处理：集成语音识别和合成模型，实现语音助手等功能。
1. 语音处理广泛应用于语音助手、语音识别、语音合成等领域。
异常检测
1. 异常检测广泛应用于金融风控、网络安全、工业设备监控等领域，通过检测异常行为或事件，及时发出预警。

Spring AI 提供了丰富的工具和框架，支持多种 AI 应用场景，包括智能推荐系统、自然语言处理、计算机视觉、语音处理和异常检测等。通过 Spring AI Core、Spring AI Data、Spring AI Security 和 Spring AI Cloud 等核心组件，开发者可以轻松构建和部署智能应用，满足各种业务需求。

2.5 Spring AI优势

Spring AI 作为 Spring 生态系统中的一部分，旨在简化人工智能（AI）功能在 Spring 应用中的集成和开发。以下是 Spring AI 的主要优势：

2.5.1 与 Spring 生态无缝集成

Spring AI 完全兼容 Spring 生态系统（如 Spring Boot、Spring Data、Spring Security 等），开发者可以利用熟悉的 Spring 开发模式和工具，快速构建 AI 驱动的应用。

优势：
- 无需学习新的开发框架，降低学习成本。
- 与 Spring 的依赖注入、AOP、事务管理等特性无缝结合。
- 支持 Spring Boot 的自动配置，简化 AI 模型的集成。

2.5.2 模块化设计

Spring AI 采用模块化设计，支持多种 AI 框架和工具（如 TensorFlow、PyTorch、Hugging Face 等），开发者可以根据需求灵活选择技术栈。

优势：
- 支持多种 AI 任务（如自然语言处理、计算机视觉、语音处理等）。
- 提供统一的 API 接口，屏蔽底层框架的复杂性。
- 易于扩展，支持自定义模型和算法。

2.5.3 简化 AI 集成

Spring AI 提供了简洁的 API 和注解，使得在 Spring 应用中集成 AI 功能变得更加容易。

优势：
- 提供开箱即用的工具，减少开发工作量。
- 支持模型加载、推理、评估等常见操作。
- 提供数据预处理和增强工具，简化数据处理流程。

2.5.4 支持云原生和分布式计算

Spring AI 与云平台（如 AWS、Google Cloud、Azure）深度集成，支持分布式训练和推理，适合大规模 AI 应用。

优势：
- 支持分布式训练，加速模型训练过程。
- 提供自动扩展和负载均衡功能，适应高并发场景。
- 与 Kubernetes 等云原生技术兼容，便于部署和管理。

2.5.5 安全性保障

Spring AI 提供了完善的安全机制，确保 AI 模型和数据的安全性。

优势：
- 支持模型加密和解密，防止模型被篡改或盗用。
- 提供基于角色的访问控制（RBAC），限制对敏感数据的访问。
- 支持数据脱敏和隐私保护，符合 GDPR 等数据隐私法规。

2.5.6 高性能和可扩展性

Spring AI 针对高性能和可扩展性进行了优化，适合处理大规模数据和复杂模型。

优势：
- 支持 GPU 加速，提升模型推理速度。
- 提供批处理和流处理工具，适应不同规模的数据。
- 支持模型版本管理和热更新，便于维护和扩展。

2.5.7 降低开发成本

通过提供开箱即用的工具和框架，Spring AI 显著降低了 AI 功能的开发成本。

优势：
- 减少开发时间和人力成本。
- 提供预训练模型和工具，快速实现 AI 功能。
- 支持多种开源 AI 框架，避免昂贵的商业解决方案。

三、SpringBoot 整合 Spring AI 核心组件使用

接下来通过案例操作演示在SpringBoot项目中如何使用Spring AI的相关核心组件。

3.1 前置准备

3.1.1 准备一个springboot工程

本地搭建一个springboot工程，这里略过。

3.1.2 导入核心依赖

导入如下核心依赖

java 复制代码

<parent>
    <groupId>org.springframework.boot</groupId>
    <artifactId>spring-boot-starter-parent</artifactId>
    <version>3.2.4</version>
    <relativePath/>
</parent>

<properties>
    <docker.image.prefix>dcloud</docker.image.prefix>
    <junit.version>5.11.4</junit.version>
</properties>

<repositories>
    <repository>
        <id>spring-milestones</id>
        <name>Spring Milestones</name>
        <url>https://repo.spring.io/milestone</url>
        <snapshots>
            <enabled>false</enabled>
        </snapshots>
    </repository>
    <repository>
        <id>spring-snapshots</id>
        <name>Spring Snapshots</name>
        <url>https://repo.spring.io/snapshot</url>
        <releases>
            <enabled>false</enabled>
        </releases>
    </repository>
</repositories>

<dependencyManagement>

    <dependencies>
        <dependency>
            <groupId>org.springframework.ai</groupId>
            <artifactId>spring-ai-bom</artifactId>
            <version>1.0.0-SNAPSHOT</version>
            <type>pom</type>
            <scope>import</scope>
        </dependency>

        <dependency>
            <groupId>org.springframework.boot</groupId>
            <artifactId>spring-boot-dependencies</artifactId>
            <version>3.2.4</version>
            <type>pom</type>
            <scope>import</scope>
        </dependency>

    </dependencies>


</dependencyManagement>

<dependencies>

    <dependency>
        <groupId>org.springframework.boot</groupId>
        <artifactId>spring-boot-starter-web</artifactId>
    </dependency>


    <dependency>
        <groupId>org.springframework.ai</groupId>
        <artifactId>spring-ai-moonshot-spring-boot-starter</artifactId>
    </dependency>

    <dependency>
        <groupId>org.projectlombok</groupId>
        <artifactId>lombok</artifactId>
        <version>${lombok.version}</version>
    </dependency>

</dependencies>

<build>
    <finalName>boot-docker</finalName>
    <plugins>
        <plugin>
            <groupId>org.springframework.boot</groupId>
            <artifactId>spring-boot-maven-plugin</artifactId>
        </plugin>
    </plugins>
</build>

3.1.3 选择大模型并申请apikey

Spring AI 支持与多种大模型进行整合使用，这里提供下面几种作为选择：

moonshot：

https://platform.moonshot.cn/docs/intro#%E6%96%87%E6%9C%AC%E7%94%9F%E6%88%90%E6%A8%A1%E5%9E%8B

通义千问系列

阿里云登录 - 欢迎登录阿里云，安全稳定的云计算服务平台

智谱API

智谱AI开放平台

文心一言

百度智能云千帆大模型平台

聚合API

Home - AI工具集

这里比如选择第一个moonshot 为例，进入APIKEY申请页面：Moonshot AI - 开放平台，然后在这里创建一个apikey，后续在代码中集成使用；

3.1.4 配置文件信息

基于上面的操作和申请的apikey信息，在配置文件中添加如下信息：

注意，这里以moonshot这个大模型为例进行集成使用，你也可以更换为其他大模型，比如通义千问的，或者openai的都可以，只需要pom文件中导入相应的依赖，并调整这里的配置参数即可；

java 复制代码

server:
  port: 8081


spring:
  ai:
    moonshot:
      api-key: 你的apikey
      chat:
        options:
          model: moonshot-v1-8k
          temperature: 0.7

3.2 对话能力使用

首先尝试使用一下moonshot的对话模型能力，需要在工程中做下面几步操作

3.2.1 自定义配置类

添加一个自定义的配置类，为全局注册一个ChatClient的bean

java 复制代码

import lombok.RequiredArgsConstructor;
import org.springframework.ai.chat.client.ChatClient;
import org.springframework.ai.moonshot.MoonshotChatModel;
import org.springframework.context.annotation.Bean;
import org.springframework.context.annotation.Configuration;

@Configuration
@RequiredArgsConstructor
public class ChatConfig {

    final MoonshotChatModel model;

    @Bean
    public ChatClient chatClient() {
        return ChatClient.builder(model)
                .defaultSystem("假如你的身份是特朗普，接下里的对话你必须以特朗普的语气来进行")
                .build();
    }

}

3.2.2 添加一个测试接口

增加如下接口用于测试

java 复制代码

package com.congge.web;

import lombok.RequiredArgsConstructor;
import org.springframework.ai.chat.client.ChatClient;
import org.springframework.web.bind.annotation.GetMapping;
import org.springframework.web.bind.annotation.RequestParam;
import org.springframework.web.bind.annotation.RestController;

@RestController
public class ChatAPI {

    private ChatClient chatClient;

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

    //localhost:8081/ai/chat?message=你是如何看待拜登这个人
    @GetMapping("/ai/chat")
    public String chat(@RequestParam(value = "message") String message){
        return chatClient.prompt().user(message).call().content();
    }

    //localhost:8081/ai/common/chat?message=你是如何看待拜登这个人
    @GetMapping("/ai/common/chat")
    public String chatCommon(@RequestParam(value = "message") String message){
        return chatClient
                .prompt()
                .user(message)
                .call()
                .content();
    }

}

效果测试

启动工程后，调用下上述接口，可以看到下面的效果

3.2.3 流式输出

参考下面的代码

java 复制代码

/***
 * 流式方式实现聊天功能
 * localhost:8081/ai/chat/memory?message=你是如何看待拜登这个人
 * @param message 提示词
 * @return 聊天结果流
 */
@GetMapping(value = "/ai/chat/stream", produces = MediaType.TEXT_EVENT_STREAM_VALUE)
public Flux<String> stream(@RequestParam(value = "message") String message) {
    return chatClient.prompt().user(message).stream().content();
}

3.3 设置角色

LLM中常用的3种角色

System
- system角色用于设置AI的行为、角色、背景等，通常可以用于设定对话的语境，让AI在指定的语境下工作;
Assistant
- Assistant指的AI回复的信息，由API自动生成
User
- 代表用户的提问

基于上一步的整合，我们提前为ChatClient 设置一个系统角色，添加一个配置类

java 复制代码

package com.congge.config;

import lombok.RequiredArgsConstructor;
import org.springframework.ai.chat.client.ChatClient;
import org.springframework.ai.moonshot.MoonshotChatModel;
import org.springframework.context.annotation.Bean;
import org.springframework.context.annotation.Configuration;

@Configuration
@RequiredArgsConstructor
public class Init {

    final MoonshotChatModel model;

    @Bean
    public ChatClient chatClient() {
        return ChatClient.builder(model)
                .defaultSystem("假如你是特朗普。接下里的对话你必须以特朗普的语气来进行")
                .build();
    }

}

接口做简单的调整，如下：

java 复制代码

package com.congge.web;

import lombok.RequiredArgsConstructor;
import org.springframework.ai.chat.client.ChatClient;
import org.springframework.web.bind.annotation.GetMapping;
import org.springframework.web.bind.annotation.RequestParam;
import org.springframework.web.bind.annotation.RestController;

@RestController
@RequiredArgsConstructor
public class ChatAPI {

    private final ChatClient chatClient;

    //localhost:8081/ai/chat?message=你是如何看待拜登这个人
    @GetMapping("/ai/chat")
    public String chat(@RequestParam(value = "message") String message){
        return chatClient.prompt().user(message).call().content();
    }

}

再次调用接口，观察效果如下，不难发现，为ChatClient 设置了默认身份之后，回答问题的时候就会以符合这个身份的方式进行回答

3.4 会话记忆能力

会话记忆，即让AI能够记住上下文的对话信息，具备记忆能力，语言模型本身其实是没有会话记忆的，所有的会话记忆其实都是在每一次发送请求时，将之前所有的上下文信息都携带到这个请求中来。

3.4.1 理解Advisor

Advisor的设计与spring中的filter的设计非常相似，通过添加不同的advisor来为会话提供不同的能力

3.4.2 Spring AI内置Advisor

Spring AI内置了3种Advisor

3.4.3 ChatMemory使用案例

自定义一个ChatMemory的bean，然后配置到ChatClient中，如下：

java 复制代码

package com.congge.config;

import lombok.RequiredArgsConstructor;
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.moonshot.MoonshotChatModel;
import org.springframework.context.annotation.Bean;
import org.springframework.context.annotation.Configuration;

@Configuration
@RequiredArgsConstructor
public class Init {

    final MoonshotChatModel model;

    @Bean
    public InMemoryChatMemory chatMemory(){
        return new InMemoryChatMemory();
    }

    @Bean
    public ChatClient chatClient(ChatMemory chatMemory) {
        return ChatClient.builder(model)
                //.defaultSystem("你是一个数据库专家，接下来请以这个身份进行回答")
                .defaultAdvisors(new MessageChatMemoryAdvisor(chatMemory))
                .build();
    }

}

提供如下的测试接口

java 复制代码

package com.congge.web;

import lombok.RequiredArgsConstructor;
import org.springframework.ai.chat.client.ChatClient;
import org.springframework.web.bind.annotation.GetMapping;
import org.springframework.web.bind.annotation.RequestParam;
import org.springframework.web.bind.annotation.RestController;

@RestController
@RequiredArgsConstructor
public class ChatAPI {

    private final ChatClient chatClient;

    //localhost:8081/ai/chat?message=你是如何看待拜登这个人
    @GetMapping("/ai/chat")
    public String chat(@RequestParam(value = "message") String message){
        return chatClient.prompt().user(message).call().content();
    }

    //localhost:8081/ai/chat/memory?message=java8之后创建线程有哪些方式
    @GetMapping("/ai/chat/memory")
    public String chatMemory(@RequestParam(value = "message") String message){
        return chatClient.prompt().user(message).call().content();
    }

}

为了测试我们的会话记忆是否生效，先后提两个问题，先看问题一

基于上面的回答，我们接着问第二个问题

3.4.4 会话记忆注意点

目前会话记忆可能存在下面的问题点：

所有的AI语言模型支持的上下文都是有限制的，比如moonshot-v1-8k这个模型支持的最大上下文是8k,因此当会话的内容超过上下文的限制，就会产生信息丢失；
较大的上下文信息意味着更高额的价格和算力支出；

3.5 RAG与向量数据库

3.5.1 为什么需要向量数据库

任何一个AI大模型都做不到能够对你的私人文档，或者企业内部的资料库进行检索，假如现在你所在的团队有一个内部的培训文档，而你又希望AI在回答你的问题时能够参考你的文档，这个时候就需要结合向量数据库进行使用了。

大语言模型（如GPT系列）通常仅依赖其训练数据中的知识，缺乏实时更新能力。当用户询问超出训练数据范围的问题时，模型的回答可能不准确或无关。
通过将外部文档或数据库（如知识库、网页或文献等）纳入到模型的生成过程中，RAG允许模型检索实时信息并将其作为上下文生成答案，从而增强生成模型的知识覆盖面。

3.5.2 向量数据库的好处

大语言模型生成长篇内容时，会因为模型上下文窗口的限制（通常为几千个tokens）而丢失前面提到的关键信息。

bash 复制代码

RAG解决方案：通过检索外部信息源（例如相关文档或数据库条目），RAG能动态地为模型提供更多的上下文，减少生成过程中的信息丢失问题，尤其对于需要综合大量信息的任务（如法律文件解读、科研论文分析等）效果尤为显著。

3.5.3 RAG 流程介绍

在真实的业务场景中，RAG的典型应用主要包括三个步骤：

Indexing（索引）：将文档分割成chunk，编码成向量，并存储在向量数据库中
- 这个即文本向量化的过程，向量数据库的选择也很多，比如Chroma，pg，es等
Retrieval（检索）：根据语义相似度检索与问题最相关的前k个chunk
- 类似于使用es时，根据关键字进行检索的过程；
Generation（生成）：将原始问题和检索到的chunk一起输入到LLM中，生成最终答案
- 实际应用中，将上一步检索得到的结果，并组装成完整的提示词发给大模型生成最终的结果。

3.5.4 spring ai rag 核心代码实现

添加一个配置类，该配置类主要提供如下功能：

配置 ChatClient 作为 spring bean，设置系统默认角色为机器人产品专家，负责处理用户查询并生成回答向量存储配置；
初始化 SimpleVectorStore，加载机器人产品说明书文档，将文档转换为向量形式存储；

SimpleVectorStore 是将向量保存在内存 ConcurrentHashmap 中，Spring AI 提供多种可以存储向量数据的方式，比如 Redis、MongoDB、PG 等，可根据实际情况选择适合的存储方式，这里为了演示先放在内存中。

java 复制代码

package com.congge.config;

import org.springframework.ai.chat.client.ChatClient;
import org.springframework.ai.document.Document;
import org.springframework.ai.embedding.EmbeddingModel;
import org.springframework.ai.vectorstore.SimpleVectorStore;
import org.springframework.ai.vectorstore.VectorStore;
import org.springframework.context.annotation.Bean;
import org.springframework.context.annotation.Configuration;

import java.util.List;

@Configuration
public class RagConfig {

    @Bean
    ChatClient chatClient(ChatClient.Builder builder) {
        return builder.defaultSystem("你将作为一名机器人产品的专家，对于用户的使用需求作出解答")
                .build();
    }

    @Bean
    VectorStore vectorStore(EmbeddingModel embeddingModel) {
        SimpleVectorStore simpleVectorStore = new SimpleVectorStore(embeddingModel);

        // 生成一个机器人产品说明书的文档
        List<Document> documents = List.of(
                new Document("产品说明书:产品名称：智能机器人\n" +
                        "产品描述：智能机器人是一个智能设备，能够自动完成各种任务。\n" +
                        "功能：\n" +
                        "1. 自动导航：机器人能够自动导航到指定位置。\n" +
                        "2. 自动抓取：机器人能够自动抓取物品。\n" +
                        "3. 自动放置：机器人能够自动放置物品。\n"));

        simpleVectorStore.add(documents);
        return simpleVectorStore;
    }

}

提供一个测试接口，参考下面的代码

java 复制代码

package com.congge.web;

import org.springframework.ai.chat.client.ChatClient;
import org.springframework.ai.chat.client.advisor.QuestionAnswerAdvisor;
import org.springframework.ai.vectorstore.VectorStore;
import org.springframework.beans.factory.annotation.Autowired;
import org.springframework.web.bind.annotation.*;

@RestController
@RequestMapping("/rag")
public class RagController {

    @Autowired
    private ChatClient chatClient;

    @Autowired
    private VectorStore vectorStore;

    //localhost:8081/rag/chat?message=机器人有哪些功能？
    @GetMapping(value = "/chat", produces = "text/plain; charset=UTF-8")
    public String generation(@RequestParam String message) {
        // 发起聊天请求并处理响应
        return chatClient.prompt()
                .user(message)
                .advisors(new QuestionAnswerAdvisor(vectorStore))
                .call()
                .content();
    }
}

启动工程后，调用下接口做一下测试，可以看到，通过这种方式就能够获取到本地知识库文档的数据

四、写在文末

本文通过较大的篇幅详细介绍了Spring AI核心组件的使用，并通过案例操作展示了其在实际应用中的细节点，希望对看到的同学有用哦，本篇到此结束，感谢观看。