Spring AI 面试题

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。