SpringAI基础对话机器人实现全攻略

基于SpringAI的对话机器人实现指南

本文基于黑马教程，结合个人理解，通过SpringAI框架对接云服务大模型API，实现一个具备对话记忆功能的智能机器人。

引言

使用SpringAI接入AI大模型主要有两种方式：一是部署大模型在本地服务器，二是直接调用云服务商提供的API。本文将采用第二种方式，重点介绍如何配置和使用云服务大模型。

一、引入依赖

首先，在项目的pom.xml中引入SpringAI的OpenAI标准依赖。虽然名为openai，但该starter兼容遵循OpenAI API标准的各类大模型服务。

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

关键步骤说明：

1. 选择模型服务商 ：例如阿里的通义千问、DeepSeek等，并完成注册获取API-KEY。
2. 初始化客户端：通过配置连接至服务商的API地址。
3. 发送请求：通过客户端向大模型发送HTTP请求并获取响应。

二、配置模型参数

在application.yml配置文件中设置连接参数。

spring:
  ai:
    openai:
      # 替换为对应云服务商的API地址（以阿里云为例）
      base-url: https://dashscope.aliyuncs.com/compatible-mode/v1
      api-key: ${your-api-key} # 替换为你的真实API-KEY
      chat:
        options:
          model: qwen-max # 指定使用的模型名称
          temperature: 0.8 # 控制生成结果的随机性（0-1，值越大越随机）

• base-url: 目标大模型服务商的API端点地址。
• api-key: 用于身份验证的密钥。
• model: 指定需要调用的具体模型。
• temperature: 影响AI回答的创造性，通常0.8左右平衡了确定性和创造性。

三、配置客户端与对话记忆 (CommonConfiguration)

​ 为了实现类似ChatGPT的多轮对话能力，需要配置客户端并管理对话历史（上下文）。

@Configuration
public class CommonConfiguration {

    @Bean
    public ChatMemory chatMemory(){
        // 使用内存存储对话历史，适合开发和短对话场景
        return new InMemoryChatMemory();
    }

    @Bean
    public ChatClient chatClient(OpenAiChatModel model, ChatMemory chatMemory){
        return ChatClient.builder(model)
                .defaultSystem("你是一个热心、可爱的智能助手，你的名字叫小团团。") // 系统提示词，设定AI角色
                .defaultAdvisors(
                        new SimpleLoggerAdvisor(), // 日志记录增强
                        new MessageChatMemoryAdvisor(chatMemory) // 对话记忆增强
                )
                .build();
    }
}

核心组件解析：

1. ChatMemory ：负责存储和管理对话历史。
   • InMemoryChatMemory：基于内存，简单易用，重启后记录丢失，适用于测试。
   • VectorStoreChatMemory：使用向量数据库，能进行智能检索，适用于复杂对话。
   • TokenWindowChatMemory：基于Token数量限制历史记录长度，有助于控制成本。
2. ChatClient ：核心客户端，用于与AI模型交互。
   • prompt().user("问题").call()：发送单次请求。
   • prompt().stream()：以流式方式接收响应，实现打字机效果。
   • defaultAdvisors()：配置拦截器，提供如日志、记忆管理等增强功能。

四、实现对话接口 (ChatController)

​ 创建一个Controller来处理前端发送的聊天请求。

@RequiredArgsConstructor
@RestController
@RequestMapping("/ai")
public class ChatController {
    private final ChatClient chatClient;

    @RequestMapping(value = "/chat", produces = "text/event-stream;charset=UTF-8")
    public Flux<String> chat(
            @RequestParam String prompt,
            @RequestParam String chatId) { // 前端生成并传递会话ID，用于区分不同对话

        return chatClient.prompt()
                .user(prompt)
                .adviser(a -> a.param(ChatMemory.CONVERSATION_ID_KEY, chatId)) // 关键：将当前会话ID告知记忆管理器
                .stream()
                .content();
    }
}

• Flux<String> 和 produces = "text/event-stream" 用于支持流式输出，数据一边生成一边返回给前端。
• chatId 是区分不同对话会话的关键。通过Advisor将其设置到上下文中，MessageChatMemoryAdvisor会自动根据此ID存储和读取对应的历史记录。

五、会话日志与监控

​ 通过配置的SimpleLoggerAdvisor，可以在日志中查看详细的AI请求和响应信息。如需查看，可在application.yml中调整日志级别：

logging:
  level:
    org.springframework.ai.chat.client.advisor: DEBUG
    com.yourpackage.ai: DEBUG

六、解决跨域问题

​ 前端开发服务器（如Vite on port 5173）与后端API（如SpringBoot on port 8080）端口不同，会产生跨域错误。需配置CORS。

@Configuration
public class MvcConfiguration implements WebMvcConfigurer {
    @Override
    public void addCorsMappings(CorsRegistry registry) {
        registry.addMapping("/**") // 拦截所有请求
                .allowedOriginPatterns("*") // 允许所有来源（生产环境应指定具体域名）
                .allowedMethods("GET", "POST", "PUT", "DELETE", "OPTIONS")
                .allowedHeaders("*")
                .allowCredentials(false);
    }
}

七、实现会话历史记录功能

​ 大模型本身无状态，要实现"历史记录"功能，需要我们将过去的对话数据持久化，并在查询时提供。

1. 定义历史记录存储接口

public interface ChatHistoryRepository {
    void save(String type, String chatId); // 保存会话ID，按业务类型分类（如'chat'）
    List<String> getChatIds(String type); // 获取某类型下的所有会话ID列表
}

2. 实现历史记录查询接口

@RequiredArgsConstructor
@RestController
@RequestMapping("/ai/history")
public class ChatHistoryController {

    private final ChatHistoryRepository chatHistoryRepository;
    private final ChatMemory chatMemory;

    // 1. 获取某个类型下的所有会话ID列表
    @GetMapping("/{type}")
    public List<String> getChatIds(@PathVariable("type") String type) {
        return chatHistoryRepository.getChatIds(type);
    }

    // 2. 根据会话ID获取具体的对话内容
    @GetMapping("/{type}/{chatId}")
    public List<MessageVO> getChatHistory(@PathVariable("type") String type, @PathVariable("chatId") String chatId) {
        // 从ChatMemory中获取该会话ID下的完整历史消息
        List<Message> messages = chatMemory.get(chatId, Integer.MAX_VALUE);
        if (messages == null) {
            return List.of(); // 返回空列表
        }
        // 将Spring AI的Message对象转换为前端需要的VO对象
        return messages.stream().map(MessageVO::new).toList();
    }
}

// 前端需要的消息视图对象
@Data
@NoArgsConstructor
public class MessageVO {
    private String role; // "user", "assistant", "system"
    private String content;

    public MessageVO(Message message) {
        this.role = message.getMessageType().name().toLowerCase();
        this.content = message.getText();
    }
}

3. 在对话接口中保存会话ID

​ 修改之前的ChatController，在开始对话前保存会话ID。

public Flux<String> chat(...) {
    // 在对话开始前，保存本次会话的ID
    chatHistoryRepository.save("chat", chatId);

    return chatClient.prompt()
            .user(prompt)
            .adviser(a -> a.param(ChatMemory.CONVERSATION_ID_KEY, chatId))
            .stream()
            .content();
}

实现总结

通过以上步骤，我们实现了一个功能相对完整的对话机器人后端服务。它支持：

1. 流式对话：与前端实现打字机效果。
2. 多轮对话记忆：基于会话ID管理上下文。
3. 会话历史记录：可查看过往对话列表和详情。
4. 跨域支持：方便前后端分离开发。

待改进点：

• 当前的InMemoryChatMemory和简易ChatHistoryRepository在应用重启后数据会丢失。生产环境应集成Redis或数据库进行持久化。
• 可进一步扩展文件上传、多模态对话等功能。

---

希望这篇博客对你巩固知识有帮助！新手书写难免有错，如果有错麻烦告知🙏