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:
java
// 基础用法(ChatModel)
ChatResponse response = chatModel.call(new Prompt("你好"));
// 高级用法(ChatClient)
ChatClient chatClient = ChatClient.builder(chatModel)
.defaultSystem("你是历史顾问")
.build();
String response = chatClient.prompt().user("你好").call().content();
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:
java
// 方式1:使用构造器注入
@Service
public class ChatService {
private final ChatClient chatClient;
public ChatService(ChatClient.Builder builder) {
this.chatClient = builder
.defaultSystem("你是历史顾问")
.build();
}
}
// 方式2:使用建造者模式
ChatClient chatClient = ChatClient.builder(chatModel)
.defaultSystem("你是历史顾问")
.build();
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。
java
// ChatClient支持多种响应格式
// 1. 返回 ChatResponse 对象(包含元数据如 token 使用量)
ChatResponse chatResponse = chatClient.prompt()
.user("Tell me a joke")
.call()
.chatResponse();
// 2. 返回实体对象(自动将 AI 输出映射为 Java 对象)
// 2.1 返回单个实体
record ActorFilms(String actor, List<String> movies) {}
ActorFilms actorFilms = chatClient.prompt()
.user("Generate the filmography for a random actor.")
.call()
.entity(ActorFilms.class);
// 2.2 返回泛型集合
List<ActorFilms> multipleActors = chatClient.prompt()
.user("Generate filmography for Tom Hanks and Bill Murray.")
.call()
.entity(new ParameterizedTypeReference<List<ActorFilms>>() {});
// 3. 流式返回(适用于打字机效果)
Flux<String> streamResponse = chatClient.prompt()
.user("Tell me a story")
.stream()
.content();
// 也可以流式返回ChatResponse
Flux<ChatResponse> streamWithMetadata = chatClient.prompt()
.user("Tell me a story")
.stream()
.chatResponse();
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。
java
// 定义默认系统提示词
ChatClient chatClient = ChatClient.builder(chatModel)
.defaultSystem("You are a friendly chat bot that answers question in the voice of a {voice}")
.build();
// 对话时动态更改系统提示词的变量
chatClient.prompt()
.system(sp -> sp.param("voice", voice))
.user(message)
.call()
.content());
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"。
java
var chatClient = ChatClient.builder(chatModel)
.defaultAdvisors(
new MessageChatMemoryAdvisor(chatMemory), // 对话记忆 advisor
new QuestionAnswerAdvisor(vectorStore) // RAG 检索增强 advisor
)
.build();
String response = this.chatClient.prompt()
// 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
.advisors(advisor -> advisor.param("chat_memory_conversation_id", "678")
.param("chat_memory_response_size", 100))
.user(userText)
.call()
.content();
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
。
java
/**
* @author 程序员NEO
* @version 1.0
* @description 历史知识专家应用
* @since 2025-07-07
**/
@Component
@Slf4j
public class HistoryExpertApp {
private final ChatClient chatClient;
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。" +
"你需要根据用户的提问,生动、清晰地回答相关的历史知识。" +
"如果用户的问题不清晰,你需要引导用户提供更多信息。";
public HistoryExpertApp(ChatModel chatModel) {
// 初始化基于内存的对话记忆
ChatMemory chatMemory = new InMemoryChatMemory();
chatClient = ChatClient.builder(chatModel)
.defaultSystem(SYSTEM_PROMPT)
.defaultAdvisors(
new MessageChatMemoryAdvisor(chatMemory)
)
.build();
}
// ... doChat 方法
}
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。
java
/**
* 执行聊天操作,处理用户消息并返回 AI 的响应。
*
* @param message 用户发送的消息
* @param chatId 对话 ID,用于标识当前会话
* @return AI 的响应内容
*/
public String doChat(String message, String chatId) {
ChatResponse chatResponse = chatClient
.prompt()
.user(message)
.advisors(spec -> spec
.param(MessageChatMemoryAdvisor.CHAT_MEMORY_CONVERSATION_ID_KEY, chatId) // 设置对话 ID
.param(MessageChatMemoryAdvisor.CHAT_MEMORY_RETRIEVE_SIZE_KEY, 10)) // 设置记忆容量
.call()
.chatResponse();
String content = chatResponse.getResult().getOutput().getContent();
log.info("AI Response: {}", content);
return content;
}
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。
java
@SpringBootTest
public class HistoryExpertAppTest {
@Resource
private HistoryExpertApp historyExpertApp;
@Test
void testChat() {
String chatId = UUID.randomUUID().toString();
// 第一轮对话
System.out.println("--- 第一轮对话 ---");
String message1 = "我叫NEO,我最喜欢的数字是7。";
System.out.println("我: " + message1);
String answer1 = historyExpertApp.doChat(message1, chatId);
Assertions.assertNotNull(answer1);
System.out.println("AI: " + answer1);
// 第二轮对话
System.out.println("\n--- 第二轮对话 ---");
String message2 = "我叫什么名字?我最喜欢的数字是几?";
System.out.println("我: " + message2);
String answer2 = historyExpertApp.doChat(message2, chatId);
Assertions.assertNotNull(answer2);
System.out.println("AI: " + answer2);
}
}
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:
--- 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》?😄
说说看,你是更喜欢历史中的神秘"七",还是生活里有趣的"七"呢?我可以从任何方向展开聊聊!
--- 第二轮对话 ---
我: 我叫什么名字?我最喜欢的数字是几?
AI: 哎呀!这像是在考考我这个"博学多才"的历史专家了是不是?🤔
让我想想...上一秒钟我还记得清清楚楚来着...哦对了!你叫NEO,跟我分享过你最喜欢数字7的奥秘。就像《黑客帝国》里的主角一样充满传奇色彩的名字,配上神秘的7,简直完美搭配!
不过说真的,能告诉我你是从哪部《黑客帝国》开始认识NEO这个角色的呢?是第一部经典之作,还是后来的续集?还有,为什么偏偏是7这个数字吸引了你?我觉得这里面一定有段有趣的故事要听!🎧

成功了!AI 准确地记住了我们的信息。
场景二:秒变"金鱼记忆"
现在,我们将记忆容量改为 1
,这意味着 AI 只能看到当前用户的提问,完全不记得之前的对话。
java
.param(MessageChatMemoryAdvisor.CHAT_MEMORY_RETRIEVE_SIZE_KEY, 1)
再次运行测试,看看会发生什么。
测试结果(失忆版):
--- 第一轮对话 ---
我: 我叫NEO,我最喜欢的数字是7。
AI: 哎呀,欢迎Neo!让我猜猜...你喜欢数字7是不是因为"Matrix"里的第七号巧合?不过既然你提到了数字7,让我告诉你一个有趣的历史故事吧!
你知道吗?在古希腊人眼中,7可是个神奇的数字组合 - 就像我这个历史专家平时吃着橄榄,看着帕特农神庙时想的那样。他们发现了七个智慧贤人,观察到天空中有七颗可见的行星(当然那是没有望远镜的时代),甚至连他们的神话里都有七重天的说法。
嘿,作为一个喜欢解密历史的人,我发现你这个名字和数字7的组合让我想起了一些有意思的东西。比如,柏拉图在他的著作里经常提到"理想国",而那个国家正好有七个等级制度。或者亚历山大图书馆,它可是古代世界七大奇迹之一!
说起来,你是更喜欢探索数字7在数学上的独特性质,还是它在不同文化中的神秘象征?让我们一起揭开这个数字背后的更多秘密吧!
--- 第二轮对话 ---
我: 我叫什么名字?我最喜欢的数字是几?
AI: 哎呀,这可真是个让人摸不着头脑的问题!让我这个历史专家翻遍了古希腊的羊皮卷、巴比伦的泥板和中国的甲骨文都没找到答案。难道你是想让我展示特洛伊木马式的惊喜?还是像斯芬克斯谜语那样考考我?
不过作为一个精通历史的学者,我可以告诉你一些有趣的背景:在古代埃及,人们会给新生儿起非常特别的名字,有时候是根据他们出生的日子来取的。而说到数字,毕达哥拉斯可是坚信万物皆数呢!

看到了吗?仅仅是一个参数的差别,AI 就从"智能"变成了"智障"。这个对比鲜明地展示了对话记忆的重要性。
希望这篇文章对你有帮助!如果你觉得内容不错,点个赞👍 ,分享给更多朋友吧!有任何问题,欢迎在评论区留言交流。
关注公众号【程序员NEO】,第一时间获取更多 AIGC 实战干货!