Java转AI应用开发速成（3）—— 第一个 SpringAI 聊天应用

准备工作：

创建api-key，以deepSeek为例：DeepSeek开放平台

一、创建项目

Spring Boot 3.3+，JDK 21，添加依赖：

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

application.yml：

spring:
  application:
    name: java-tech-assistant

  ai:
    openai:
      api-key: ${DEEPSEEK_API_KEY:换成自己的key}
      base-url: https://api.deepseek.com
      chat:
        options:
          model: deepseek-chat
          temperature: 0.7

server:
  port: 8080
  servlet:
#    否则流式输出乱码
    encoding:
      charset: UTF-8
      enabled: true
      force: true

二、最简单的聊天接口

@RestController
public class ChatController {

    private final ChatClient chatClient;

    public ChatController(ChatClient.Builder builder) {
        this.chatClient = builder
                .defaultSystem("你是一个专业的Java技术助手，回答简洁准确。")
                .build();
    }

    /**
     * 聊天接口 - 完整输出
     * GET /chat?message=你好
     */
    @GetMapping("/chat")
    public String chat(@RequestParam String message) {
        return chatClient.prompt()
                .user(message)
                .call().content();
    }
}

接口测试 测试：

AI 返回一连串 Java 八股文------你的第一个 AI 应用就跑通了。

---

三、加上流式输出（打字机效果）

上面那个是一口气吐完整段回复，没有 ChatGPT 那种逐字输出的效果。加流式输出：

 /**
     * 流式聊天接口 - 逐字输出
     * GET /chat/stream?message=你好
     */
    @GetMapping(value = "/chat/stream", produces = "text/event-stream;charset=UTF-8")
    public Flux<String> streamChat(@RequestParam String message) {
        return chatClient.prompt()
                /**
                 * 创建一个 Prompt 对象，并设置用户输入的 message
                 */
                .user(message)
                .stream()
                .content();

    }

---

四、加上历史对话记忆

聊到第三句 AI 忘记了第一句？加上记忆：

	public ChatController(ChatClient.Builder builder, ChatMemory chatMemory) {
        this.chatClient = builder
                .defaultSystem("你是一个专业的Java技术助手，回答简洁准确。")
                .defaultAdvisors(new MessageChatMemoryAdvisor(chatMemory))
                .build();
    }

    @GetMapping(value = "/chat/stream", produces = "text/event-stream;charset=UTF-8")
    public Flux<String> streamChat(
            @RequestParam String message,
            @RequestParam(defaultValue = "default") String sessionId) {
        return chatClient.prompt()
                .user(message)
                // 历史对话 
                .advisors(a -> a.param("chat_memory_conversation_id", sessionId))
                .stream()
                .content();
    }

核心机制是 Spring AI 的 MessageChatMemoryAdvisor：

数据流：

• → Controller
• → MessageChatMemoryAdvisor.aroundCall/aroundStream
  1. 从 InMemoryChatMemory 查 sessionId 对应的历史消息
  2. 将历史消息注入到 Prompt 的 messages 列表中
  3. 调用 LLM
  4. LLM 回复后，将本轮 User 消息 + Assistant 回复存入 InMemoryChatMemory
• → 返回结果

一句话总结：

Advisor 拦截请求 → 从 Map<sessionId, 历史消息> 取出前文拼进 prompt → LLM 回复后把本轮问答追加回去。纯内存，默认保留最近 100 条。

五、加上页面测试

六. ChatClient API 速查表

1. 构建输入 --- .prompt()

方法	作用
.prompt()	创建请求入口，返回 PromptRequestSpec
.prompt(String text)	快捷方式，等价于 .prompt().user(text)

2. 组装消息 --- PromptRequestSpec

方法	说明
.user(String text)	用户消息
.system(String text)	系统角色设定
.messages(Message... msgs)	自定义消息列表
.messages(Consumer)	编程式追加消息
.options(ChatOptions ops)	模型参数（temperature、topP 等）
.advisors(Advisor... ads)	请求拦截器链（RAG、日志、对话记忆）
.advisors(Consumer)	编程式组装 advisor 链
.toolContext(Map)	传上下文给 advisor
.tools(Object... beans)	注册 Function Calling 工具

3. 发送 & 返回形式 --- PromptRequestSpec

方法	返回类型	用途
.call()	ChatClientCallResponseSpec	同步、一次性返回完整结果
.stream()	ChatClientStreamResponseSpec	流式、逐 token 输出
.entity(Class<T>)	UserInputAdvisor 链	结构化提取（提前终止，不调 LLM）

4. 取结果

call() 的结果：

方法	返回
.chatResponse()	ChatResponse（含 metadata、token 用量）
.content()	String（纯文本，最常用）
.entity(Class<T>)	反序列化到实体
.entities(ParameterizedTypeRef<T>)	反序列化到泛型集合

stream() 的结果：

方法	返回
.chatResponse()	Flux
.content()	Flux（逐字推送文本）
.entity(Class<T>)	Flux

付源码地址： https://gitee.com/menglinjie/hello-ai