文章目录
-
- [1. 什么是 Spring AI？它解决什么问题？](#1. 什么是 Spring AI？它解决什么问题？)
- [2. Spring AI 的核心组件有哪些？](#2. Spring AI 的核心组件有哪些？)
- [3. Spring AI 和 LangChain 的区别？](#3. Spring AI 和 LangChain 的区别？)
- [4. 什么是 RAG？为什么要用 RAG？](#4. 什么是 RAG？为什么要用 RAG？)
- [5. RAG 的完整流程是什么？](#5. RAG 的完整流程是什么？)
- [6. 为什么要用向量数据库？普通数据库不行吗？](#6. 为什么要用向量数据库？普通数据库不行吗？)
- [7. Spring AI 中 VectorStore 是干嘛的？支持哪些库？](#7. Spring AI 中 VectorStore 是干嘛的？支持哪些库？)
- [8. Spring AI 如何实现流式输出（打字机效果）？](#8. Spring AI 如何实现流式输出（打字机效果）？)
- [9. Spring AI 函数调用（FunctionCall）原理？](#9. Spring AI 函数调用（FunctionCall）原理？)
- [10. 生产上 RAG 怎么优化？（高频加分题）](#10. 生产上 RAG 怎么优化？（高频加分题）)
1. 什么是 Spring AI？它解决什么问题？
答：
Spring AI 是 Spring 官方推出的 AI 应用开发框架，用来简化 Java 后端接入大模型 。
它统一了对话、向量、文档、RAG 等接口，让开发者不用关心底层是 OpenAI、通义还是文心，一套代码通用，快速做企业 AI 应用。
2. Spring AI 的核心组件有哪些？
答：
- ChatModel：对话模型统一接口
- EmbeddingModel：文本转向量
- VectorStore：向量数据库抽象
- DocumentReader & TextSplitter：文档读取与切片
- PromptTemplate：提示词模板
- RAG：检索增强生成
- FunctionCall：让 AI 调用 Java 方法
3. Spring AI 和 LangChain 的区别？
答：
- Spring AI：Java 优先、轻量、Spring 生态强、工程化友好、学习成本低
- LangChain：Python 为主，功能多但复杂，Java 支持弱
4. 什么是 RAG？为什么要用 RAG？
答：
RAG = 检索增强生成。
先从知识库检索相关内容，再把内容给大模型，让它基于资料回答 。
解决大模型三大问题：
- 不知道企业私有数据
- 会胡说八道（幻觉）
- 知识过时
5. RAG 的完整流程是什么？
答：
离线构建知识库：
- 加载文档（PDF/TXT/MD）
- 文本分块 Chunk
- 向量化 Embedding
- 存入向量库
用户提问：
-
问题转向量
-
向量库做相似度检索
-
拼接上下文给大模型
-
大模型生成回答
6. 为什么要用向量数据库？普通数据库不行吗？
答：
- 普通数据库做精确匹配
- 向量数据库做语义相似度匹配
- 能理解"意思相近"，而不只是关键词一样
- 是 RAG 的核心基础设施
7. Spring AI 中 VectorStore 是干嘛的？支持哪些库？
答：
VectorStore 是向量数据库的统一抽象 。
支持：
- SimpleVectorStore（内存）
- Milvus
- PGVector
- Chroma
- ElasticSearch
8. Spring AI 如何实现流式输出（打字机效果）？
答：
- 使用
StreamingChatModel - 模型返回 SSE 流式数据
- 返回
Flux<ChatResponse> - 前端逐字接收展示
9. Spring AI 函数调用（FunctionCall）原理？
答：
- 给 Java 方法加
@Tool - Spring AI 自动生成函数描述 Schema
- 把函数信息传给大模型
- 模型判断是否需要调用
- Spring AI 自动反射执行方法
- 结果返回给模型，生成最终回答
10. 生产上 RAG 怎么优化？（高频加分题）
答：
- 合理文本分块（大小、重叠）
- 调整 TopK 召回数量
- 加入重排 Rerank
- 元数据过滤，缩小检索范围
- 提示词优化，限制模型只看资料
- 向量库使用 Milvus / PGVector 提高性能