文章目录
-
- [一、基础概念（必问 5 道）](#一、基础概念（必问 5 道）)
-
- [1. 什么是 Spring AI？](#1. 什么是 Spring AI？)
- [2. Spring AI 的核心设计目标是什么？](#2. Spring AI 的核心设计目标是什么？)
- [3. Spring AI 核心模块有哪些？](#3. Spring AI 核心模块有哪些？)
- [4. Spring AI 支持哪些大模型？](#4. Spring AI 支持哪些大模型？)
- [5. Spring AI 和 LangChain 的区别？](#5. Spring AI 和 LangChain 的区别？)
- [二、RAG 相关（面试超级高频）](#二、RAG 相关（面试超级高频）)
-
- [6. 什么是 RAG？](#6. 什么是 RAG？)
- [7. RAG 完整流程是什么？（标准 6 步）](#7. RAG 完整流程是什么？（标准 6 步）)
- [8. 为什么要用向量数据库？](#8. 为什么要用向量数据库？)
- [9. Spring AI 中 VectorStore 作用是什么？](#9. Spring AI 中 VectorStore 作用是什么？)
- [10. Spring AI 如何实现 RAG？](#10. Spring AI 如何实现 RAG？)
- 三、核心组件原理（必背）
-
- [11. ChatModel 是什么？](#11. ChatModel 是什么？)
- [12. EmbeddingModel 作用？](#12. EmbeddingModel 作用？)
- [13. 什么是 PromptTemplate？](#13. 什么是 PromptTemplate？)
- [14. Spring AI 流式响应原理？](#14. Spring AI 流式响应原理？)
- [15. Spring AI 函数调用（FunctionCall）原理？](#15. Spring AI 函数调用（FunctionCall）原理？)
- 四、生产/实战类（进阶）
-
- [16. RAG 如何优化？](#16. RAG 如何优化？)
- [17. Spring AI 支持哪些向量数据库？](#17. Spring AI 支持哪些向量数据库？)
- [18. Spring AI 适合什么场景？](#18. Spring AI 适合什么场景？)
- 五、你面试可以直接背的万能总结
一、基础概念（必问 5 道）
1. 什么是 Spring AI？
Spring AI 是 Spring 官方推出的 AI 应用开发框架 ，目标是简化 Java 开发者接入大模型、向量数据库、RAG、函数调用等能力，提供统一 API、模型无关、开箱即用的体验。
2. Spring AI 的核心设计目标是什么？
- 模型无关性：一套代码，切换模型不用改业务
- Spring 生态原生集成：自动配置、依赖注入、Starter
- 简化 AI 工程化：封装 Prompt、Embedding、VectorStore、RAG
- 低学习成本：Java 开发者不用懂 AI 底层也能快速开发
3. Spring AI 核心模块有哪些？
- Chat Model：对话模型（OpenAI、通义、Ollama 等）
- Embedding Model：文本转向量
- VectorStore：向量数据库抽象
- Prompt / PromptTemplate：提示词管理
- DocumentReader / TextSplitter：文档读取与切片
- RAG：检索增强生成
- FunctionCall：AI 调用 Java 方法
4. Spring AI 支持哪些大模型？
- OpenAI
- 阿里云通义千问
- 百度文心一言
- 讯飞星火
- Ollama（本地大模型）
- ZhipuAI 等
特点：统一接口，换配置不换代码。
5. Spring AI 和 LangChain 的区别？
- Spring AI：Java 第一、Spring 生态、简单轻量、工程化强
- LangChain：Python 为主、功能极多、复杂、Java 支持弱
二、RAG 相关（面试超级高频）
6. 什么是 RAG？
Retrieval-Augmented Generation 检索增强生成
先从外部知识库检索相关内容，把内容拼到提示词里，再让大模型回答，解决幻觉、知识过时、无业务数据问题。
7. RAG 完整流程是什么？（标准 6 步）
离线构建：
- 加载文档（PDF/TXT/MD）
- 文本分块（Chunk）
- 向量化（Embedding）
- 存入向量库
在线问答：
-
用户问题转向量 → 向量库做相似度检索
-
拼接上下文 → 给大模型生成回答
8. 为什么要用向量数据库？
- 普通数据库只能精确匹配
- 向量数据库可以做语义相似度检索
- 是 RAG 的核心基础设施
- 支持高效 Top-K 相似查询
9. Spring AI 中 VectorStore 作用是什么？
统一抽象向量库，屏蔽底层实现差异：
- SimpleVectorStore（内存）
- Milvus
- PGVector
- Chroma
- ElasticSearch
10. Spring AI 如何实现 RAG？
- 用
DocumentReader读取文档 - 用
TextSplitter切片 - 用
EmbeddingModel转向量 - 存入
VectorStore - 用户提问 →
similaritySearch - 拼接上下文 →
ChatModel生成回答
三、核心组件原理（必背）
11. ChatModel 是什么？
对话模型的统一顶层接口 。
不管底层是 OpenAI 还是通义，上层调用都一样。
12. EmbeddingModel 作用？
把文本 → 向量（一串数字）
用于语义检索、RAG、相似度计算。
13. 什么是 PromptTemplate？
提示词模板，支持变量替换，让提示词可复用、可管理。
14. Spring AI 流式响应原理？
- 模型返回 SSE 流式数据
- Spring AI 使用
StreamingChatModel - 返回
Flux<ChatResponse> - 前端逐字接收（打字机效果）
15. Spring AI 函数调用（FunctionCall）原理？
- Java 方法上加
@Tool - Spring AI 自动生成 Function Schema
- 传给大模型
- 模型判断是否需要调用工具
- Spring AI 自动反射执行方法
- 结果返回给模型，生成最终回答
四、生产/实战类（进阶）
16. RAG 如何优化？
- 合理切片（大小、重叠）
- 增加召回数量（topK）
- 加入重排（Rerank）
- 元数据过滤（Metadata Filtering）
- 多向量库混合检索
- 提示词工程优化
17. Spring AI 支持哪些向量数据库？
- SimpleVectorStore
- Milvus
- PGVector
- Chroma
- ElasticSearch
- Pinecone
18. Spring AI 适合什么场景？
- 企业知识库
- 智能客服
- 内部 RAG 应用
- AI 助手
- 文档问答
- 推荐/语义检索系统
五、你面试可以直接背的万能总结
Spring AI 是 Spring 官方的 AI 开发框架，通过统一抽象 屏蔽大模型差异，提供 Chat、Embedding、VectorStore、RAG、FunctionCall 等能力，让 Java 开发者可以快速、低成本构建企业级 AI 应用，是目前 Java 后端接入 AI 的主流方案。