精控Spring AI日志

还在为 Spring AI 默认的日志抓狂吗？想看日志却看不到，一开 DEBUG 就刷屏... 别慌！

今天 NEO 带你解锁一个神级操作：自定义 Advisor，让你轻松掌控 AI 调用的每一个细节！

Advisor 是什么？Spring AI 的"拦截器"

如果你玩过 Servlet 的 Filter 或者 Spring AOP 的切面，那 Advisor 对你来说就是老朋友了。

简单来说，Spring AI 的 Advisor 就是一个调用拦截器 。它能在你的代码调用大模型之前和之后"插一脚"，执行一些额外的操作。

想在调用前做个权限校验？或者在调用后记个详细日志？用 Advisor 就对了！

官方虽然提供了一些现成的 Advisor，但实际业务场景千变万化，总有不满足需求的时候。这时候，我们就需要自己动手，丰衣足食！

四步搞定！定制你的专属 Advisor

想拥有自己的 Advisor？跟着下面四步走，轻松搞定！

1）选择"岗哨"接口

根据你的需求，选择实现一个或两个接口：

CallAroundAdvisor：处理普通的同步请求（非流式）。
StreamAroundAdvisor：处理酷炫的流式请求。

强烈建议两个都实现，全方位无死角！

java 复制代码

public class MyCustomAdvisor implements CallAroundAdvisor, StreamAroundAdvisor {
    // 实现方法...
}

2）实现核心"拦截"方法

这是 Advisor 的灵魂所在，你可以在这里对请求和响应为所欲为。

非流式处理 (aroundCall) ：

java 复制代码

@Override
public AdvisedResponse aroundCall(AdvisedRequest advisedRequest, CallAroundAdvisorChain chain) {
    // 1. 请求到达，先处理一下（前置处理）
    AdvisedRequest modifiedRequest = processRequest(advisedRequest);
    
    // 2. 放行，让请求继续前进
    AdvisedResponse response = chain.nextAroundCall(modifiedRequest);
    
    // 3. 响应返回，再处理一下（后置处理）
    return processResponse(response);
}

流式处理 (aroundStream) ：

java 复制代码

@Override
public Flux<AdvisedResponse> aroundStream(AdvisedRequest advisedRequest, StreamAroundAdvisorChain chain) {
    // 1. 处理请求
    AdvisedRequest modifiedRequest = processRequest(advisedRequest);
    
    // 2. 调用链并处理流式响应
    return chain.nextAroundStream(modifiedRequest)
               .map(response -> processResponse(response)); // 对流中每个元素进行处理
}

3）排个队，定个序

通过 getOrder() 方法告诉 Spring AI 你的 Advisor 应该在什么时候执行。数字越小，优先级越高，越先被执行。

java 复制代码

@Override
public int getOrder() {
    // 值越小优先级越高，越先执行
    return 100; 
}

4）取个独一无二的名字

给你的 Advisor 一个响亮的名号！

java 复制代码

@Override
public String getName() {
    return "NEO自定义的 Advisor";
}

下面，进入实战环节！

实战：告别 DEBUG！打造 INFO 级日志神器

Spring AI 自带的 SimpleLoggerAdvisor 日志拦截器，看似贴心，实则有点"坑"------它用的是 Debug 级别输出日志。

而 Spring Boot 项目默认的日志级别是 Info，导致我们根本看不到任何日志输出！

（默认 Info 级别，看不到任何日志）

当然，你可以粗暴地修改配置文件，把日志级别调成 Debug：

yaml 复制代码

logging:
  level:
    org.springframework.ai.chat.client.advisor.SimpleLoggerAdvisor: debug

日志是出来了，但又带来了新的问题：信息太杂乱！

（Debug 级别日志，信息过于繁杂）

为了更优雅地解决问题，我们来自己实现一个日志 Advisor：默认打印 Info 级别日志，并且只输出我们最关心的用户提问和 AI 回复。

在自己项目根包下新建 advisor 包，编写我们的日志神器 MyLoggerAdvisor：

java 复制代码

/**
 * 自定义日志 Advisor 打印 info 级别日志、只输出单次用户提示词和 AI 回复的文本
 **/
@Slf4j
public class MyLoggerAdvisor implements CallAroundAdvisor, StreamAroundAdvisor {

    /**
     * 获取 Advisor 的唯一名称
     */
    @NotNull
    @Override
    public String getName() {
        return this.getClass().getSimpleName();
    }

    /**
     * 设置执行顺序，0 表示较高优先级
     */
    @Override
    public int getOrder() {
        return 0;
    }

    /**
     * 调用前置处理：记录用户请求
     */
    private AdvisedRequest before(AdvisedRequest request) {
        log.info("AI Request: {}", request.userText());
        return request;
    }

    /**
     * 调用后置处理：记录 AI 响应
     */
    private void observeAfter(AdvisedResponse advisedResponse) {
        log.info("AI Response: {}", advisedResponse.response().getResult().getOutput().getContent());
    }

    /**
     * 环绕处理（非流式）
     */
    public AdvisedResponse aroundCall(AdvisedRequest advisedRequest, CallAroundAdvisorChain chain) {
        // 1. 调用前
        advisedRequest = this.before(advisedRequest);

        // 2. 放行
        AdvisedResponse advisedResponse = chain.nextAroundCall(advisedRequest);

        // 3. 调用后
        this.observeAfter(advisedResponse);

        return advisedResponse;
    }

    /**
     * 环绕处理（流式）
     */
    public Flux<AdvisedResponse> aroundStream(AdvisedRequest advisedRequest, StreamAroundAdvisorChain chain) {
        // 1. 调用前
        advisedRequest = this.before(advisedRequest);

        // 2. 放行
        Flux<AdvisedResponse> advisedResponses = chain.nextAroundStream(advisedRequest);

        // 3. 调用后，使用 MessageAggregator 聚合流式响应，然后统一记录
        return (new MessageAggregator())
                .aggregateAdvisedResponse(
                        advisedResponses,
                        this::observeAfter
                );
    }
}

代码小贴士 ：在流式处理 aroundStream 中，我们用 MessageAggregator 工具类将零散的 Flux 响应聚合成一个完整的响应，这样就能在日志中打印出最终的、完整的 AI 回复，而不是一堆零散的数据块。

最后，在 App 中"装备"上我们刚出炉的日志神器：

java 复制代码

public App(ChatModel ollamaChatModel) {
    // 初始化基于内存的对话记忆
    ChatMemory chatMemory = new InMemoryChatMemory();
    chatClient = ChatClient.builder(ollamaChatModel)
            .defaultSystem(SYSTEM_PROMPT)
            .defaultAdvisors(
                    new MessageChatMemoryAdvisor(chatMemory),
                    // 替换掉官方的 SimpleLoggerAdvisor
                    // new SimpleLoggerAdvisor()
                    // 使用我们自定义的日志 Advisor
                    new MyLoggerAdvisor()
            )
            .build();
}

现在再运行程序，看看效果如何？

（效果拔群！清爽的 Info 级别日志）

看！日志变得如此清爽，只留下了我们最需要的信息。

通过自定义 Advisor，我们不仅解决了日志记录的痛点，更解锁了 Spring AI 的一个强大扩展点。无论是鉴权、计费、还是更复杂的业务逻辑，都可以通过 Advisor 优雅地实现，让你的 AI 应用更加健壮和灵活。

你还有哪些使用 Advisor 的奇思妙想？欢迎在评论区留言讨论！

如果觉得这篇文章对你有帮助，别忘了点赞、在看、分享三连哦！