AI 大模型应用遇到的问题及解决方案

面向生产级进阶工程师的实战手册：把 LLM 当生产组件时，你会踩到的坑、怎么排查、怎么兜底，以及这套方法论如何落到 Spring AI / Spring AI Alibaba 上。

版本基线声明

本文所有代码示例基于以下版本，读者照抄前请先对齐：

组件	版本
Spring AI	1.1.2
Spring AI Alibaba	1.1.2.2
Spring Boot	3.5.9
JDK	21+

⚠️ 提示：Spring AI 在 1.x → 2.0 之间对工具调用与 RAG Advisor 做了较大重构（详见第 1、2 章标注）。本文以 1.1.x 为准，2.0 的差异点用提示框单独标注。文中 API 名请以 1.1.2 官方文档做最终核对。

0. 前言：一张"问题地图"

大模型应用在 demo 阶段往往很惊艳，一上生产就暴露出各种问题。原因在于：LLM 是一个非确定性的、有状态的、有延迟和成本的远程服务，它既不是普通数据库，也不是普通 HTTP 接口。把它的特性不当回事，就会在工具调用、检索、稳定性、模型能力四个维度反复踩坑。

下面是典型链路的"问题地图"，每个环节都标注了高频故障点：

javascript 复制代码

用户输入
  │
  ▼
① 意图识别 / 工具调用  ── 选错工具、参数幻觉、不调用、死循环
  │
  ▼
② 检索（RAG）        ── 匹配度低、内容杂乱、漏召、文档解析差
  │
  ▼
③ 生成               ── 幻觉、格式不稳定、超时、限流、中途失败
  │
  ▼
④ 输出校验/结构化     ── JSON 非法、字段缺失、引用错误
  │
  ▼
返回

全文按链路环节 + 主题双轨组织：

第 1 章 Function Calling 、第 2 章 RAG 、第 3 章稳定性与容量 、第 4 章微调 对应上图的四个环节；
第 5 章 是横切的工程化治理主题（Prompt 治理、模型漂移、多轮对话、安全等）。

贯穿全文的两条横切约定，读者需要记住：

同步 vs 流式 ：凡是涉及工具调用、超时、重试、错误处理、结构化输出的地方，.call()（同步）和 .stream()（流式）语义有本质区别------流式一旦开始下发 token，"失败"和"重试"的含义就变了（详见第 1、3 章）。
评测（Eval）：任何优化都应该是"先测基线、改后看增益"。每个主题末尾都附一句"如何评测"，第 5.3 节统一汇总。

1. Function Calling 核心逻辑与生产问题

1.1 核心逻辑：模型到底如何"精准匹配"工具

先破除一个常见误解：模型并不会"调用"你的工具，它只输出一个结构化的"调用意图"------一个工具名加一串参数 JSON。

scss 复制代码

system + tools(定义) + user
        │
        ▼
模型输出  tool_call { name: "get_weather", arguments: { "city": "杭州" } }
        │
        ▼
【应用侧】真正执行 get_weather("杭州")  ← 执行权在你手里，不在模型手里
        │
        ▼
把执行结果回填进消息，模型续写最终答案

"执行权在应用侧"是整个 Function Calling 认知的地基。它意味着：模型只能"请求"，不能"执行"，所有副作用（查库、调外部 API、发消息）都由你的代码完成，因此也由你的代码负责校验、鉴权和兜底。

那么模型为什么有时"选得准"、有时"选得离谱"？"精准匹配"由四件事共同决定：

工具 description 的质量------不仅要写"做什么"，更要写"什么时候该用、什么时候不该用"；
参数 JSON Schema 的质量 ------required、enum、类型、参数描述是否清晰；
命名清晰度------工具名和参数名是否无歧义、不重叠；
提示词里的引导------是否给出了调用时机、约束和反例。

1.2 生产常见问题 → 解决方案

先给一张总览表，下面 1.3 逐个展开------每个问题都附具体的"现象"例子和对应的 Spring AI 落地代码：

问题现象	根因	解决方案
选错工具 / 该调用却不调用	描述模糊、语义重叠、缺"何时用"指引	重写 description 为"做什么+何时用"；拆分重叠工具；few-shot 示例
参数幻觉 / 缺失必填项	schema 约束不清、无示例、枚举未闭合	补 `required`/`enum`/参数描述；应用侧参数校验与二次补全
多工具混淆	功能边界重叠	合并为单工具+枚举参数，或加"选择准则"说明
工具结果过大撑爆上下文	工具返回未裁剪	结果裁剪/摘要、只保留关键字段、分页
多步/并行调用编排失控	未设调用次数与依赖控制	设 max_iterations、并行调用合并、结果聚合
工具互相调用导致死循环	缺少终止条件	次数上限 + 终止标记 + 超时兜底

1.3 六类问题逐一拆解

① 选错工具 / 该调用却不调用

现象：用户问"帮我看看明天杭州会不会下雨"，结果模型没调 get_weather ，直接编了一个"杭州明天晴转多云，25℃"。更糟的是系统里还挂着 search_stock（查股票），模型把"天气"听岔了，调了 search_stock，回了一串股票代码。
根因：工具 description 只写了"查询天气"四个字，没告诉模型"什么时候该用、什么时候不该用"；get_weather 和 search_stock 的描述都含糊，模型只能靠猜。
排查：同一个 query 固定 temperature=0 连跑 20 次，统计每次调了哪个工具；命中分散、时对时错，基本是工具定义质量问题，而不是模型能力问题。
方案：description 重写为"做什么 + 何时用 + 何时不用"三要素；拆开语义重叠的工具；补 few-shot 示例。

java 复制代码

// ① 对应落地：description 三要素，直接决定"选得准不准"
@Tool(description = "查询指定城市当天天气。当用户询问某地天气/气温/是否下雨时调用；当用户只问穿衣建议、或未提及具体城市时不要调用。")
public String getWeather(@ToolParam(description = "城市名，如'杭州'") String city) {
    return weatherService.fetch(city);
}

生产注意点：few-shot 是提高稳定性的最廉价手段，但示例要放进工具描述而非仅靠 system prompt，否则工具增多后仍然漂移。

② 参数幻觉 / 缺失必填项

现象：工具 get_order 声明 order_id 必填，但模型调用时返回 {"order_id": null}；或者更隐蔽------用户根本没提供单号，模型却"自信地"填了个 order_id=88888888，你的代码真拿这个值去查库，返回一条错误订单。
根因：schema 没标 required、没给 enum、参数描述没说清"这个值该从哪来"，模型就自由发挥。
方案：补齐 schema（required/enum）；应用侧做参数校验------不要信任模型给的参数，校验不通过就返回提示让模型去反问用户，而不是硬执行。

java 复制代码

// ② 对应落地：方法体里做参数校验，不信任模型给的参数
@Tool(description = "按订单号查询订单。仅当用户明确给出订单号时调用。")
public String getOrder(@ToolParam(description = "订单号，必须来自用户原话，不可猜测") String orderId) {
    if (orderId == null || orderId.isBlank()) {            // 应用侧校验
        return "缺少订单号，请向用户询问订单号后再查";        // 返回提示，引导模型反问
    }
    Order order = orderService.findById(orderId);
    return order != null ? order.toString() : "未找到该订单，请向用户确认订单号是否正确";
}

生产注意点：校验逻辑放应用侧（不是模型侧），这是唯一可靠的兜底；对高危操作（转账、删除）必须二次确认。

③ 多工具混淆

现象：系统里有 search_news（新闻）和 search_docs（内部文档）两个工具，用户问"查一下最近公司有没有关于绩效考核的通知"，模型一会儿调 news、一会儿调 docs，甚至两个都调然后把结果拼错。你改了好几版 description 还是不稳。
根因：两个工具功能边界重叠，description 再怎么改都难做到"互斥"。
方案：优先合并为单工具 + 枚举参数 （search(source=NEWS|DOCS)），让模型只需选参数、不必在两个工具之间二选一。

java 复制代码

// ③ 对应落地：合并为单工具 + 枚举参数，收窄模型的选择空间
public enum SearchSource { NEWS, DOCS }

@Tool(description = "搜索内容。当用户想查找某主题的信息时调用。")
public String search(@ToolParam(description = "关键词") String keyword,
                     @ToolParam(description = "来源：NEWS=新闻，DOCS=内部文档") SearchSource source) {
    return source == SearchSource.NEWS ? newsService.search(keyword) : docService.search(keyword);
}

④ 工具结果过大撑爆上下文

现象：get_logs 工具一次返回 2 万行日志，回填给模型后上下文直接爆掉------模型开始"前言不搭后语"，token 账单也暴涨；get_doc 则返回了整篇 5 万字的文档。
根因：工具返回未裁剪，把"查询"和"精读全文"混在了一次调用里。
方案：工具层就做裁剪/摘要------只返回关键字段、截断超长内容、分页返回，把"要不要看全文"留给下一轮对话。

java 复制代码

// ④ 对应落地：在工具方法内部裁剪，别把原始大结果直接回填
@Tool(description = "查询系统日志。返回最近的关键日志摘要。")
public String getLogs(@ToolParam(description = "服务名") String service) {
    List<Log> logs = logService.query(service, 1000);      // 最多取 1000 条
    String summary = LogSummarizer.summarize(logs, 20);     // 只返回 20 条关键摘要 + 统计
    return summary + "\n（共 " + logs.size() + " 条，如需明细可继续查询）";
}

⑤ 多步/并行调用编排失控

现象：用户问"帮我对比 A、B 两个产品的价格和评价"，本该并行调 get_price(A)、get_price(B)、get_reviews(A)、get_reviews(B) 四个互不依赖的调用，结果模型一轮一轮串行调，一次请求跑了 30 多轮、一分多钟才返回。
根因：没有调用次数上限，也没有对"独立调用并行化"的处理。
方案：设置 max_iterations（如 5~10）；能并行的调用合并一次下发、并发执行；有依赖的串行执行 + 结果聚合。

java 复制代码

// ⑤ 对应落地：toolCalls 从哪来 + 如何并行执行

// 先说结论：默认 ChatClient.call() 由 DefaultToolCallingManager 顺序执行完整个循环，
// 你拿不到中间的 toolCalls，也不需要拿。只有要"并行/自定义编排"时才手动驱动。

Map<String, ToolCallback> callbacks = buildCallbacks();  // @Tool 方法 → 按工具名索引的 ToolCallback

ChatResponse response = chatModel.call(prompt);            // ① 直接调 chatModel，不自动执行工具
AssistantMessage output = response.getResult().getOutput();

if (output.hasToolCalls()) {
    List<ToolCall> toolCalls = output.getToolCalls();      // ② ← toolCalls 的来源在这里

    // ③ 并行执行所有 tool_call（ToolCall 只有 name + arguments）
    List<CompletableFuture<String>> futures = toolCalls.stream()
            .map(tc -> CompletableFuture.supplyAsync(() ->
                    callbacks.get(tc.name()).call(tc.arguments())))
            .toList();
    List<String> results = futures.stream().map(CompletableFuture::join).toList();

    // ④ 把结果包装成 tool message 拼回历史，再调模型进入下一轮循环
    //    （顺序执行时这一步由 ToolCallingManager.executeToolCalls() 替你完成；
    //      并行执行需自己按 tool_call.id 组装 ToolResponseMessage）
}

说明：

buildCallbacks()：用 MethodToolCallbackProvider 把 @Tool 方法包装成 ToolCallback，再按 getToolDefinition().name() 建立 Map<String, ToolCallback>。

默认模式（推荐 90% 场景） ：.call() 自动把工具循环跑完，无需关心 toolCalls。

手动模式（要并行/自定义） ：直接 chatModel.call(prompt)，从 response.getResult().getOutput().getToolCalls() 取 List<ToolCall>；每个 ToolCall 只有 name() 和 arguments()，用 name() 查 ToolCallback、传 arguments() 执行。

Spring AI 1.x 默认顺序执行；并行只能手动 CompletableFuture（或升级 2.0 的异步工具调用，Issue #4755）。调用次数上限见 ⑥。

⑥ 工具互相调用导致死循环

现象：工具 A 返回的内容让模型又调了工具 B，B 返回的内容又触发 A，循环往复。用户永远等不到答案，直到你的服务超时、token 打满、账单爆炸。
根因：缺少终止条件。
方案：三层兜底------调用次数上限 （硬终止）、终止标记 （检测到重复工具+参数组合即停）、超时兜底。

vbnet 复制代码

# 示意：带终止条件的工具执行循环（通用思路）
max_iterations = 8
seen = set()
for i in range(max_iterations):
    call = model.generate(messages)
    if not call.has_tool_call:
        return call.text
    key = (call.name, json(call.arguments))
    if key in seen:          # 检测到循环
        return fallback("检测到重复调用，终止并返回提示")
    seen.add(key)
    result = execute(call)
    messages.append(tool_result(result))
return fallback("超出最大调用次数")

java 复制代码

// ⑥ 对应落地：Spring AI 已内置调用次数上限------
// DefaultToolCallingManager 默认 per-tool 40 次、整轮总调用 150 次，默认即可挡住绝大多数死循环。
// 如需更严格，可自定义 ToolCallingManager 在其 builder 上调低上限。
// "重复工具+参数即停"的终止标记默认不内置，需在工具侧自行实现（对应上方伪代码的 seen 逻辑）。

1.4 Spring AI 通用机制：一次工具调用到底发生了什么

1.3 讲的是"每类问题怎么写工具"，这一节讲"工具调用的底层怎么运转"------理解这个，前面很多做法（校验、裁剪、兜底）就顺理成章了。

从一个最小例子讲起：

java 复制代码

@Tool(description = "查询指定城市当天天气")
public String getWeather(@ToolParam(description = "城市名") String city) {
    return weatherService.fetch(city);   // 你只写了这一行真正的业务逻辑
}

String answer = ChatClient.builder(chatModel)
        .defaultTools(new WeatherTools())
        .build()
        .prompt()
        .user("杭州天气怎么样？")
        .call()
        .content();

你只写了 getWeather 一个方法，剩下整轮循环都是 Spring AI 替你做的。背后实际发生的是：

swift 复制代码

第 1 轮：把「getWeather 的定义」+「用户问题」一起发给模型
        → 模型不直接回答，返回一个 tool_call：{"name":"getWeather","arguments":"{\"city\":\"杭州\"}"}

第 2 步：ToolCallingManager 拿到 tool_call，按 name 找到你的 getWeather（已包装成 ToolCallback），
        把 arguments 转成入参，真正执行 weatherService.fetch("杭州")     ← 执行权在应用侧

第 3 轮：把执行结果（"杭州 25℃，晴"）作为 tool message 回填，连同历史再次发给模型
        → 模型给出最终回答："杭州今天晴，25℃"

这一流程里的三个组件各司其职：

组件	职责
`@Tool` 方法 → `ToolCallback`	一半是"给模型看的定义"（name/description/schema），一半是"给应用执行的方法"
`ToolCallingManager`（默认 `DefaultToolCallingManager`）	上面的"调度器"：发请求 → 收 tool_call → 执行 → 回填 → 再发请求，直到模型不再要工具
`ToolExecutionExceptionProcessor`	工具方法抛异常时，决定"把异常回传给模型让它解释"还是"直接抛给调用方"

工具方法抛异常怎么办 ：由 ToolExecutionExceptionProcessor（默认 DefaultToolExecutionExceptionProcessor）统一处理，alwaysThrow 决定走哪条路：

回传给模型（默认，alwaysThrow=false）：把异常信息转成字符串回填给模型，模型看到错误后会换种方式重试或如实告知用户。适合"可恢复"的错误（参数不对、资源暂时不可用等）。
直接抛出（alwaysThrow=true）：异常中断整次调用，由你的代码兜底（记日志、返回降级答案等）。适合"不想让模型看到内部错误细节"或"必须让调用方感知"的场景。

java 复制代码

// 方式一：自定义 Bean，全局改成"直接抛出"
@Bean
ToolExecutionExceptionProcessor toolExecutionExceptionProcessor() {
    return new DefaultToolExecutionExceptionProcessor(true);   // true = 直接抛出
}

// 方式二：只对特定异常直接抛出，其余回传给模型
@Bean
ToolExecutionExceptionProcessor toolExecutionExceptionProcessor() {
    return new DefaultToolExecutionExceptionProcessor(
            false,                                    // 默认回传模型
            List.of(PermissionDeniedException.class)  // 白名单：这些异常直接抛出
    );
}

properties 复制代码

# 方式三：Spring Boot 属性配置（最简单）
spring.ai.tools.throw-exception-on-error=true   # true=直接抛出；false(默认)=回传模型

注意：默认只对 RuntimeException 的 message 做"回传模型"处理；受检异常和 Error（如 IOException、OutOfMemoryError）无论如何都会直接抛出，不经过回传。

ToolContext：给工具传"模型不该知道"的数据：

java 复制代码

@Tool(description = "查询当前用户的订单")
public String getMyOrders(ToolContext context) {
    String tenantId = (String) context.getContext().get("tenantId");  // 应用侧注入
    String userId   = (String) context.getContext().get("userId");
    return orderService.find(tenantId, userId);   // 模型看不到这些值，也无法伪造
}

租户 ID、用户 ID 这类数据不该写进工具描述或 prompt------否则模型能看到、甚至被诱导串租户；而是通过 ToolContext 在调用时由应用侧注入，模型全程无感知。

同步 vs 流式：

同步 .call()：上面的循环整轮跑完才返回，异常直接抛、可整体重试。
流式 .stream()：返回 Flux<ChatResponse>，模型逐字输出。普通文本"来一段显示一段"即可，但工具调用的参数是 JSON，流式下它会分片到达 ------比如 {"city":"杭州","date":"明天"} 可能先到 {"city":"杭、再到 州","date":"明、再到 天"}。谁在碎片还碎着时就急着解析/执行，谁就拿到"半截参数"（不完整的 JSON）。1.x 流式工具调用的自动聚合不完善 ，所以生产上要么改用同步封装（.call() 内部攒齐了才返回，绕开分片），要么走 user-controlled 模式自己攒分片 → 解析 → 执行 → 续流。

MCP 工具生态 ：Spring AI 支持 MCP（Model Context Protocol），通过 McpToolCallback 接入外部 MCP Server 暴露的工具，统一工具来源、鉴权与生命周期，避免各工具来源碎片化。

1.5 评测

构建一个小型标注集（query → 期望调用的工具 + 期望参数），用工具选择准确率 和参数正确率两个指标度量。任何工具定义的改动都跑一遍这个集，防止"改好了一个、改坏了三个"。

2. RAG：检索质量问题的排查与优化

2.1 排查路径：按链路逐层定位

RAG 出问题，最忌讳"上来就换 embedding 模型"。先按链路逐层定位，确定是哪一层出的问题：

scss 复制代码

数据解析 → 切分 → 索引 → Query → 查询增强 → 召回(向量/关键词) → 重排序 → 生成
   │          │       │       │        │             │              │       │
   │          │       │       │        │             │              │       └─ 生成为什么没用上
   │          │       │       │        │             │              └─ 重排有没有帮倒忙
   │          │       │       │        │             └─ 召回阶段有没有召到
   │          │       │       │        └─ query 本身有没有写清楚
   │          │       │       └─ 索引建对了吗
   │          │       └─ 切分颗粒度对吗
   │          └─ 文档解析干净吗
   └─ 原始数据本身质量够吗

判断"哪层出问题"的通用手法 ：手动取回 top-k，人工看相关性；算召回率/命中率；对比 embedding 模型在你自己的语料上的表现。先定位再优化，否则就是盲改。

2.2 RAG 常见问题 → 解决方案

先给一张总览表，下面 2.3 逐个展开------每个问题都附具体的"现象"例子和对应的 Spring AI 落地代码：

问题现象	根因	解决方案
召回命中率低（该召到的没召到）	切分/embedding/查询增强不当	对齐切分、换适配 embedding、查询改写
检索内容杂乱	切分不合理、索引脏、无去重	对齐切分、去重、混合检索、重排
文档解析质量差	扫描件/表格/乱码	按类型选解析器、OCR、清洗
口语化 query 召不准	口语与文档用词不一致	查询改写 / 扩展 / HyDE
漏召精确实体	纯向量召回	BM25 混合 + RRF
粗排噪声多	只用 embedding 相似度	rerank 精排
查不到就瞎编	空上下文未处理	`allowEmptyContext(false)`

2.3 七类问题逐一拆解

① 文档解析质量差（数据前置）

现象：知识库里 300 份 PDF，一半是扫描件、另一半带复杂表格。用户问"这个季度华南区的销售额"，召回的全是乱码和错行片段，永远"够不到"表格里的数字。
根因：检索质量的上限由解析质量决定，解析烂，后面全白搭。
排查：抽样人工比对"解析结果 vs 原文"，看表格结构、标题层级是否丢失。
方案：按文档类型选解析器（文本型 PDF 直接抽、扫描件走 OCR、表格保留结构）；解析后清洗（去页眉页脚、去乱码、合并断行）。

java 复制代码

// ① 对应落地：按类型选 reader 读取 → 切分 → 入库
DocumentReader reader = new PagePdfDocumentReader(new FileSystemResource("docs/sales.pdf"));
// Word/HTML 用 TikaDocumentReader；扫描件先走 OCR

TokenTextSplitter splitter = TokenTextSplitter.builder()
        .withChunkSize(600)          // 按自身语料标定，过碎/过大都会漏召
        .withKeepSeparator(true)
        .build();

List<Document> docs = splitter.apply(reader.get());
vectorStore.add(docs);

生产注意点：解析质量要进评测------对每类文档各抽 N 条做解析准确率基线，新文档类型入库前先验证。

② 匹配度低：该召到的没召到

现象：用户问"怎么配置告警阈值"，知识库里明明有这段文档，但 top-k 结果里没有它，模型只能瞎答。
根因：可能是"召回阶段没召到"，也可能是"召到了但生成没用上"------两者排查方向完全不同。
排查：先手动取 top-k 看有没有相关内容。
- 有内容但生成没用上 → 问题在生成/提示词，不在检索；
- 没有内容 → 问题在召回，继续往下查 embedding、切分、查询增强。
方案：对齐 chunk 切分（避免跨段落割裂）、换适配语料的 embedding、加查询增强。

java 复制代码

// ② 对应落地：先手动取 top-k 看召回质量，再调参
List<Document> hits = vectorStore.similaritySearch(
        SearchRequest.builder().query("如何配置告警阈值").topK(10).build());
hits.forEach(d -> System.out.println(d.getText().substring(0, 80)));   // 逐条人工看相关性

// 召回太少：调大 topK / 放低 similarityThreshold（阈值按你的 embedding 标定）
SearchRequest req = SearchRequest.builder()
        .query("如何配置告警阈值")
        .topK(20)
        .similarityThreshold(0.3)
        .build();

③ 检索内容杂乱

现象：召回了一堆相关性不高、来源混杂的内容，拼进 prompt 反而污染生成，模型被无关信息带偏。
常见根因：chunk 切分不合理（过碎/跨段落）、索引脏数据（重复、过期、未清洗）、向量与关键词召回不平衡、多源未去重。
排查：取回 top-k 逐条标注"相关/无关/重复"，定位是哪种根因。
方案：切分对齐语义边界；索引去重与定期对账；混合检索；召回后去重。

java 复制代码

// ③ 对应落地：documentPostProcessors 在召回后做去重/过滤
RetrievalAugmentationAdvisor advisor = RetrievalAugmentationAdvisor.builder()
        .documentRetriever(VectorStoreDocumentRetriever.builder()
                .vectorStore(vectorStore)
                .topK(20)
                .build())
        .documentPostProcessors(docs -> dedup(docs))   // 自定义去重逻辑
        .build();

④ 口语化 query 召不准（查询增强）

现象：用户问"这玩意儿怎么装"，知识库里写的是"安装步骤"，直接检索召回不到。
根因：口语 query 与文档用词不一致。
方案：改写、扩展、HyDE、子问题分解、指代补全。

java 复制代码

// ④ 对应落地：查询改写 + 多查询扩展，召回前"改造 query"
// 流水线顺序：原始 query → 改写(1→1) → 扩展(1→3) → 3 个变体分别检索 → 合并去重

// ① 查询改写器：把口语改成检索友好语（"这玩意儿怎么装" → "软件安装步骤"）
QueryTransformer rewriter = RewriteQueryTransformer.builder()
        .chatClientBuilder(ChatClient.builder(chatModel))   // 改写器内部要调 LLM，需传入能调模型的 ChatClient
        .targetSearchSystem("vector store")                 // 可配置（默认 "vector store"）：告诉 LLM 改写后喂给什么检索系统，填进 {target} 占位符
        .build();

// ② 多查询扩展器：1 个 query 扩成 3 个语义变体，多角度检索提高命中
QueryExpander expander = MultiQueryExpander.builder()
        .chatClientBuilder(ChatClient.builder(chatModel))   // 同上，内部也要调 LLM 生成变体
        .numberOfQueries(3)                                 // 生成 3 个变体，每个变体各自去检索
        .build();

// ③ 拼装流水线：先改写 → 再扩展 → 最后检索
RetrievalAugmentationAdvisor advisor = RetrievalAugmentationAdvisor.builder()
        .queryTransformers(rewriter)                        // 挂到"召回前"，第一个执行：改写 query
        .queryExpander(expander)                            // 挂到"改写后"：把改写结果扩成多个变体
        .documentRetriever(VectorStoreDocumentRetriever.builder()
                .vectorStore(vectorStore).build())          // 真正的检索器：对每个变体去向量库检索，结果合并去重
        .build();

关于 targetSearchSystem ：可配置、默认 "vector store"；它只是一个描述性字符串 （不是枚举、不校验合法值，写中文"向量数据库"也行），会填进改写提示词的 {target} 占位符，用来告诉 LLM 改写后的 query 喂给什么检索系统------接向量库就偏向"语义化"改写，接 ES/BM25 就偏向"显式关键词"改写。

⑤ 漏召精确实体（多路召回）

业务上最常用的标准多路召回，是向量语义召回 + BM25 关键词召回两路合并------向量负责语义匹配，BM25 负责精确匹配，弥补向量库对专有名词、ID、编号召回差的缺陷。

多路召回完整链路标准流程：

css 复制代码

用户原始 Query
    │
    ├─① BM25 关键词召回 → 候选 A 集合
    └─② 向量相似度召回 → 候选 B 集合
          ↓
③ 合并 A+B，按 documentId 去重，得到大候选池
          ↓
④ Rerank 重排精筛，截断保留少量 top-N
          ↓
⑤ 将重排后的文档片段组装上下文，送给 LLM 生成答案

注意：不要直接把两路全部候选丢给大模型，必须过 Rerank 压缩数量，否则 token 直接爆炸。

现象：用户问"EM-2025 型号的规格"，向量召回找不到这个精确型号（embedding 对数字/型号不敏感），直接漏召。
根因：纯向量召回对精确实体（人名/型号/编号）不敏感。
方案：向量 + 关键词（BM25）混合，RRF 融合。

java 复制代码

// ⑤ 对应落地：核心无内置 BM25，自定义 DocumentRetriever 做"向量 + 关键词 + RRF"
DocumentRetriever hybridRetriever = query -> {
    List<Document> vecHits = vectorStore.similaritySearch(
            SearchRequest.builder().query(query.text()).topK(20).build());
    List<Document> kwHits = keywordSearch(query.text(), 20);   // 自建 BM25/ES
    return rrfFuse(vecHits, kwHits, 10);                        // RRF 融合（BM25 与 RRF 见下方说明）
};

RetrievalAugmentationAdvisor advisor = RetrievalAugmentationAdvisor.builder()
        .documentRetriever(hybridRetriever)
        .build();

BM25 与 RRF 各是什么

BM25 ：经典的关键词全文检索打分算法（Elasticsearch 默认用它），靠字面匹配------查"EM-2025"就精确命中"EM-2025"，专有名词/ID/编号很准；但不懂语义，问"怎么装"匹配不到"安装步骤"。
向量召回：语义匹配强（"怎么装"≈"安装步骤"），但数字/ID/型号这类低频精确 token 在向量空间区分度差，容易漏。两者互补，所以两路合并。
RRF（Reciprocal Rank Fusion，倒数排名融合） ：两路召回的分数不在一个量纲（向量余弦相似度 vs BM25 分数），不能直接相加。RRF 只看排名、不看原始分数 ------每个文档在每路的名次取倒数求和：score(文档) = Σ 1/(k + 名次)（k 通常取 60）。
- 例（k=60）：文档 A 向量路第 1、BM25 路第 5 → 1/61 + 1/65 ≈ 0.0318；文档 B 向量路第 3、BM25 路第 1 → 1/63 + 1/61 ≈ 0.0323，B 更高排前面。排得越靠前贡献越大，天然融合多路、无需调分数量纲。

⑥ 粗排噪声多、精排提升（重排序）

现象：粗排召回 20 条里只有 3 条真正相关，其余噪声喂给模型反而干扰。
根因：只用 embedding 余弦相似度，精度不够。
方案：rerank 精排、去重、截断 top-n。装前必测------rerank 增加一次网络调用和延迟，只有评测显示失败率偏高才上。

java 复制代码

// ⑥ 对应落地：核心无内置 rerank，用 Spring AI Alibaba 的 RetrievalRerankAdvisor（gte-rerank）
RerankModel rerankModel = new DashScopeRerankModel(dashScopeApi,
        DashScopeRerankOptions.builder().withModel("gte-rerank").withTopN(3).build());

RetrievalRerankAdvisor advisor = new RetrievalRerankAdvisor(
        vectorStore, rerankModel,
        SearchRequest.builder().topK(20).similarityThreshold(0.45).build());

ChatClient client = ChatClient.builder(chatModel).defaultAdvisors(advisor).build();

⑦ 查不到就瞎编（空上下文）

现象：用户问知识库里没有的问题，模型没检索到内容，却一本正经编了个答案。
根因：空上下文未处理，模型"自由发挥"。
方案：allowEmptyContext(false) → "查不到是合法答案"。

java 复制代码

// ⑦ 对应落地：空上下文时让模型如实说"查不到"，而不是编
ContextualQueryAugmenter augmenter = ContextualQueryAugmenter.builder()
        .allowEmptyContext(false)   // false = 查不到就明说，禁止瞎编
        .build();

RetrievalAugmentationAdvisor advisor = RetrievalAugmentationAdvisor.builder()
        .documentRetriever(VectorStoreDocumentRetriever.builder()
                .vectorStore(vectorStore).build())
        .queryAugmenter(augmenter)
        .build();

2.4 Spring AI 通用机制：RetrievalAugmentationAdvisor 的处理流程

上面 2.3 的落地代码都围绕 RetrievalAugmentationAdvisor 这一个 Advisor，它内部按固定顺序拼装 RAG 流水线：

scss 复制代码

原始 query → QueryTransformer(改写/压缩) → QueryExpander(一扩多) → 检索(多 query 并行)
          → DocumentJoiner(合并去重) → DocumentPostProcessor(去重/rerank) → QueryAugmenter(注入上下文) → 发给模型

QueryTransformer：召回前改写 query（口语改写、压缩历史、翻译）。
QueryExpander：把一个 query 扩成多个变体，分别检索后合并，提高召回。
DocumentPostProcessor：召回后处理------去重、rerank、压缩都挂在这里。
QueryAugmenter ：把检索到的文档拼进 prompt 再发给模型；allowEmptyContext(false) 决定"查不到时是否禁止瞎编"。

⚠️ 相似度阈值提醒：similarityThreshold 必须按你自己的 embedding 模型标定------text-embedding 系余弦分数偏低、bge 系偏高，照抄网上数值会导致"查不出来"或"什么都算相关"。

引用溯源 ：需要答案带引用来源时，用 Spring AI Alibaba 的 DashScopeDocumentRetrievalAdvisor，它会把来源标注成 <ref>[n]</ref> 引用格式。

2.5 评测

构建检索评测集（问题 → 标准答案 + 应召回文档），用召回率 / 命中率 / MRR 度量。混合检索、rerank 都"装前测基线、装后看增益"------没有增益就撤掉，避免徒增延迟。

3. 稳定性与容量工程：异常、超时、重试、限流与配额

3.1 异常分层：先分类，再决定怎么处理

稳定性工程的第一原则是先把异常分好类，不同类的处理策略完全不同：

层次	典型异常	处理策略
网络层	连接超时、读超时、连接拒绝	重试（指数退避）
API 层	5xx、限流 429、内容过滤 4xx	5xx/429 重试，4xx 不重试
业务层	输出 JSON 非法、工具执行失败	校验修复/降级，不盲目重试

3.2 稳定性常见问题 → 解决方案

先给一张总览表，下面 3.3 逐个展开------每个问题都附具体的"现象"例子和对应的 Spring AI 落地代码：

问题现象	根因	解决方案
请求卡住/超时	未设超时或超时不合理	分设首 token / 总超时
偶发失败直接报错	未重试或重试条件不当	指数退避，只重试可重试错误
流式输出中途断	未处理流式错误	onError 兜底 + 区分连接/流失败
主模型不可用	无降级	fallback 模型 + 熔断
JSON 输出非法	未做结构化约束	校验 + 修复重试 + 默认值
并发打爆限流/配额	无本地限流/配额管控	限流 + 排队 + 配额分桶

3.3 六类问题逐一拆解

① 请求卡住 / 超时

现象：用户发了个复杂问题，等了 60 秒还没返回首 token，前端一直转圈；或者流式输出到一半卡住不动了。
根因：没设超时，或只设了一个笼统的总时长，没区分"首 token"和"总时长"。
排查：监控里看"首 token 延迟（TTFT）"和"总延迟"两个分布，定位是"卡在开头"还是"卡在中途"。
方案：首 token 超时（TTFT）与总超时分设------前者决定"是否卡住"，后者决定"是否限时长"；流式一旦超时，已下发的 token 无法撤回，需处理"半截输出"（截断标记或重新生成）。

首 token 超时（TTFT，Time To First Token） = 从你发出请求，到模型吐出第一个字/第一个 token，最多等多久。

为什么要把"首 token"和"总时长"分开：一次 LLM 调用其实分成两个阶段：

css 复制代码

发出请求 ──[等第一个 token]──▶ 开始吐字 ──[后续 token 一个个流出来]──▶ 结束
          ▲ 首 token 延迟              ▲ 剩余时长
          └ 首 token 超时管这段        └ 总超时管整段

首 token 超时 管的是"模型有没有开始干活"------如果模型排队、网络卡住、过载，它会迟迟不吐第一个字。这时你该早点告诉用户"稍后重试"，而不是让用户干等。
总超时 管的是"别让它无限吐下去"------一个长答案本来就要吐很久，这是正常的，所以总时长要放宽。
一个典型坑：只设总超时 60s，模型却卡在前 50s 一个 token 都没出，用户干等 50s 才知道失败；单独设 10s 首 token 超时，第 10s 就能发现卡住、立刻兜底。所以通常首 token 超时远小于总超时。

python 复制代码

# 示意：流式超时处理（通用思路）
def stream_with_timeout(query):
    stream = model.stream(query)
    try:
        first = await stream.next(timeout=ttft_timeout)   # 首 token 超时
    except Timeout:
        return fallback("服务繁忙，请稍后重试")
    yield first
    for token in await stream.rest(timeout=total_timeout):
        yield token
    # 总超时触发时：已下发的 token 无法撤回，需标记截断或重新生成

java 复制代码

// ① 对应落地：同步超时用模型级配置；流式超时用 Flux.timeout
// 同步：以 dashscope 为例，属性名以 1.1.2 官方文档为准
// spring.ai.dashscope.chat.options.timeout=60000

// 流式：超时到点即触发错误，走 onErrorResume 兜底
Flux<String> stream = chatClient.prompt().user(q).stream().content()
        .timeout(Duration.ofSeconds(10));   // 首 token 或 token 间隔超过 10s 即超时

② 偶发失败直接报错（重试兜底）

现象：高峰期偶发一次 429 或超时，服务就返回"系统错误"给用户，但其实重试一次就好了。
根因：没做重试，或重试条件没区分"可重试/不可重试"。
方案：指数退避 + 抖动（base=2、max_retries=3~5、加 jitter）；只对可重试错误（超时/5xx/429）重试，非幂等/已产生副作用的错误绝不重试；连续失败触发熔断。

python 复制代码

# 示意：带熔断的重试（通用思路）
def call_with_retry(fn, is_idempotent=True, max_retries=4, base=2):
    for attempt in range(max_retries):
        try:
            return fn()
        except RetryableError:            # 超时/5xx/429
            if not is_idempotent:         # 副作用操作不重试
                raise
            if circuit_breaker.open():
                return fallback_answer()   # 熔断兜底
            sleep(base ** attempt + jitter())
    return fallback_answer()

properties 复制代码

# ② 对应落地：Spring AI 重试配置（指数退避 + 只重试可重试错误）
spring.ai.retry.max-attempts=4
spring.ai.retry.backoff.initial-interval=2000
spring.ai.retry.backoff.multiplier=2.0
spring.ai.retry.backoff.max-interval=30000
spring.ai.retry.on-client-errors=false          # 4xx 不重试
spring.ai.retry.exclude-on-http-codes=401,403

注意两点：

框架的重试针对的是 HTTP 层（超时/5xx/429）；"发消息已发出"这类业务副作用的幂等，需要你在工具/业务代码里自行保证。

spring.ai.retry.* 只对同步 .call() 生效 ：流式 .stream() 的重试只可能发生在"首 token 之前"（连接阶段）；一旦开始吐 token 就无法重试（已下发的 token 收不回），只能靠 onErrorResume 兜底（见 ③）。这也是已知坑 #3858------ChatClient 流式 API 没有 per-request 重试。

③ 流式输出中途失败

现象：用户正看着答案一个字一个字往外冒，突然中断，屏幕上留了半句话。
根因：流式错误发生在 token 流中途（已输出部分内容），与同步"整段失败"语义完全不同。
方案：区分"连接阶段失败"（可整体重试）与"流中途失败"（只能截断/重生成）；处理 SSE 断线重连。

java 复制代码

// ③ 对应落地：onErrorResume 兜底，别让用户看到"半截话"就断掉
Flux<String> stream = chatClient.prompt().user(q).stream().content()
        .onErrorResume(e -> Flux.just("\n[生成中断，请稍后重试]"));

④ 主模型不可用（降级兜底）

现象：供应商故障或限流过载，整个服务 5xx，没有任何兜底，用户全量失败。
根因：无降级策略，把鸡蛋全押在一个模型上。
方案：fallback 模型（主模型挂→次选/小模型）、降级答案、结果缓存（同 query 短时命中直接返回）。

java 复制代码

// ④ 对应落地：Resilience4j 熔断 + fallback 模型
@CircuitBreaker(name = "llm", fallbackMethod = "fallback")
public String generate(String prompt) {
    return chatClient.prompt().user(prompt).call().content();
}

public String fallback(String prompt, Throwable t) {
    return fallbackModel.generate(prompt);   // 主模型挂了，切次选模型/降级答案
}

⑤ JSON 输出非法（结构化输出保障）

现象：模型本该返回 JSON，结果返回了一段散文，或者 JSON 缺字段，代码 JSON.parse 直接抛异常。
根因：未做结构化约束与校验。
方案：JSON 校验 → 格式修复重试（把错误回传给模型修正）→ 约束解码（可选）→ 字段兜底默认值。

java 复制代码

// ⑤ 对应落地：BeanOutputConverter 绑定 POJO，强制 JSON schema
BeanOutputConverter<MyResult> converter = new BeanOutputConverter<>(MyResult.class);

String answer = chatClient.prompt()
        .user(prompt)
        .system("按以下 JSON schema 输出：" + converter.getJsonSchema())
        .call()
        .content();

MyResult result = converter.convert(answer);   // 解析失败抛异常，配合重试/默认值兜底

⑥ 并发打爆限流 / 配额

现象：大促并发翻 10 倍，瞬间触发供应商 TPM/QPM 限制，全量 429；或某个租户一个 bug 循环调用，把整个账号的 token 配额打爆，连累其他租户。
根因：LLM API 有 TPM（token/分钟）/ QPM / RPM 三类限制，且按账号/项目配额；本地没有对应管控。
方案：本地限流（令牌桶/滑动窗口）削峰、排队缓冲 + 优先级、降级模型、配额分桶计数与告警、解析 429 的 Retry-After 退避。

java 复制代码

// ⑥ 对应落地：Resilience4j 限流 + 隔舱
@RateLimiter(name = "llm")
@Bulkhead(name = "llm")
public String generate(String prompt) {
    return chatClient.prompt().user(prompt).call().content();
}

LLM 调用是 I/O 密集阻塞，可开启 JDK 21 虚拟线程（spring.threads.virtual.enabled=true），以极小开销承载大量并发调用，避免线程池耗尽。

3.4 Spring AI 通用机制补充

异常分层的框架映射 ：ResponseErrorHandler 把 HTTP 状态映射为 TransientAiException（429/5xx）与 NonTransientAiException（4xx），正好对应上面"可重试/不可重试"的判断------spring.ai.retry.* 只对 Transient 重试。

同步 vs 流式：

.call() 返回完整 ChatResponse，异常直接抛、可整体重试。
.stream() 返回 Flux<ChatResponse>，错误通过 onError 下发；超时/出错发生在 token 流中途时无法整体重试，需配合 Flux.timeout() 或 Resilience4j @TimeLimiter。

可观测性：记录 token、延迟、错误码、重试次数、限流报错占比------没有这些数据，前面所有调优都是盲调。

⚠️ 已知坑（写作重点）：

#4567 ：auto-config 的重试只针对 TransientAiException（HTTP 状态类），连接超时等网络异常可能不重试，需自行兜底。

#3858 ：ChatClient 流式 API 暂无 per-request 重试，重试目前只能靠全局配置或 @Retryable 包装方法。

3.5 评测

以可用性、MTTR、重试成功率、限流报错占比作为稳定性度量基线，上线前后对比。

4. 微调（Fine-tuning）

4.1 决策框架：什么时候该微调

微调不是默认选项，先用下面的决策顺序排除更便宜的手段：

arduino 复制代码

需求：想让模型行为更符合预期
  │
  ├─ 是"知识/事实"缺失？ ──────→ 用 RAG（知识会变，微调追不上）
  ├─ 是"格式/流程"可描述？ ────→ 用提示词工程（便宜、可迭代）
  └─ 是"稳定风格/私有领域/降本"且难以用提示词表达？
        └─→ 才考虑微调

适合微调 ：稳定输出风格/语气、私有领域术语与格式、让小模型具备特定能力以降低推理成本。 不适合微调：知识频繁更新、只需一次性事实、通用能力提升。

4.2 数据准备

格式对齐目标（指令-回答、对话、JSON 等）；
质量清洗（去低质、去重复、去偏激）；
多样性覆盖边界 case；
去重防止训练集与评测集重叠；
数据质量 > 数据量：几千条高质量数据往往优于几十万条脏数据。

4.3 训练配置与常见坑

过拟合：训练集表现好、泛化差 → 减 epoch、加正则、增多样性。
灾难性遗忘：学会了新技能，忘了通用能力 → 混合通用数据、控制学习率。
数据泄露：训练集与评测集重叠导致评测虚高 → 先切分再清洗、留出 holdout 集。
超参：epoch/lr 从小开始，早停 + 验证集监控。

4.4 评估与回退

与基线模型对比评测（同评测集）；
上线灰度（小流量 → 全量）；
保留回退到基础模型的能力------微调模型出问题随时切回。

4.5 Spring AI 落地（边界要讲清）

框架本身不做训练，微调在平台侧（DashScope/百炼训练 API）完成。
框架侧落地 = 模型切换与灰度 ：把微调后模型的 endpoint 作为 DashScopeChatModel 的 model 名接入；A/B 对比基线。
回退 = 配置切换回基础模型，而非改代码（model 名配置化）。

yaml 复制代码

# 配置化模型名，微调模型与基础模型一键切换
spring:
  ai:
    dashscope:
      chat:
        options:
          model: qwen-plus            # 回退时改回基础模型名
          # model: ft-xxx-xxx        # 灰度时切微调模型

5. 工程化治理与高频主题

5.1 Prompt 即代码

Prompt 应该和代码享受同等待遇：

模板化：变量注入、复用片段；
版本化：Prompt 入 git，可追溯；
灰度发布 + A/B：新旧 Prompt 分流对比；
回滚：Prompt 出问题能一键回退；
评测基线：每次 Prompt 变更跑评测集。

Spring AI 落地 ：Prompt 通过 PromptTemplate/资源文件（SystemMessage 模板）管理、随代码版本化；无内置 A/B，需自建开关与评测对比。

java 复制代码

// Prompt 即代码：模板随代码一起进 git，变量注入
String templateText = "你是{role}，请用简洁中文回答：{question}";  // 实际放 classpath 资源文件，随代码版本化
PromptTemplate template = new PromptTemplate(templateText);
Prompt prompt = template.create(Map.of("role", "客服", "question", "如何退货？"));
String answer = chatModel.call(prompt).getResult().getOutput().getText();

5.2 模型漂移与升级治理

现象：同一个 Prompt，供应商"静默升级"模型后结果变了（格式漂移、能力退化）。
方案：
- 锁定模型版本（用带版本的 model 名，而非 latest）；
- 建立回归评测集；
- 升级前跑基线对比；
- 灰度发布。
Spring AI 落地 ：model 名配置化接入（如 spring.ai.dashscope.chat.options.model），升级 = 改配置 + 跑评测，回退 = 切回旧配置。

5.3 评测体系与上线发布（各主题评测手段总纲）

把前文各主题的评测手段汇总为一套"变更护栏"：

主题	评测指标
Function Calling	工具选择准确率、参数正确率
RAG	召回率 / 命中率 / MRR
稳定性	可用性、MTTR、重试成功率、限流占比
微调	与基线模型的对比评测
Prompt/模型变更	回归评测集 + A/B + 灰度

任何变更（改 Prompt、换模型、加 rerank、调重试）都走"改前跑基线 → 改后看增益 → 灰度 → 全量"的流程。

5.4 多轮对话与会话管理

多轮对话是生产级应用的核心场景，坑也集中：

上下文累积与截断：历史越长越贵越慢，需截断策略；
指代消解："它""这个"要补全成明确实体；
历史裁剪策略：滑动窗口（保留最近 N 轮）vs 摘要式记忆（压缩旧历史）；
会话状态持久化与丢失：重启/扩缩容不丢会话；
多会话隔离：不同用户/会话互不串扰。

Spring AI 落地 ：ChatMemory + MessageChatMemoryAdvisor，MessageWindowChatMemory 窗口实现等。

java 复制代码

// 滑动窗口记忆：只保留最近 N 条消息，控制上下文长度与成本
MessageWindowChatMemory memory = MessageWindowChatMemory.builder()
        .maxMessages(20)          // 只保留最近 20 条消息，超出自动丢弃
        .build();

MessageChatMemoryAdvisor advisor = MessageChatMemoryAdvisor.builder(memory).build();

ChatClient client = ChatClient.builder(chatModel)
        .defaultAdvisors(advisor)   // 挂上 advisor 后，每轮自动带历史上下文
        .build();

5.5 幻觉与可控性

要求引用溯源（答案必须指向来源）；
限定"不知道"（查不到就明说，而非编造）；
置信度校准；
约束生成（结构化输出）。

5.6 上下文与成本优化

上下文窗口管理（长文本剪枝/摘要）；
Prompt 缓存（重复的 system/工具定义命中缓存降本）；
批处理与并发；
用更小/更便宜的模型做简单子任务。

5.7 安全（与工具调用强联动）

工具调用是最大的攻击面，安全必须与 Function Calling 一起考虑：

Prompt Injection ：包括间接注入------恶意内容藏进检索结果或工具返回，诱导模型越权；
工具参数注入：用户输入被塞进工具参数执行危险操作；
越权调用工具：模型请求调用用户无权使用的工具；
数据隔离与脱敏：租户间数据不串、敏感字段脱敏；
输出审查：生成内容做合规过滤。

Spring AI 落地 ：用 ToolContext 传租户/用户做工具侧鉴权（不暴露给模型）、工具入口白名单与权限校验、敏感字段脱敏。

java 复制代码

// 示意：工具侧鉴权------用 ToolContext 传租户，不暴露给模型
@Tool(description = "查询订单。仅当用户明确提供订单号时调用。")
public String getOrder(String orderId, ToolContext context) {
    String tenant = (String) context.getContext().get("tenantId");  // 来自应用侧，非模型
    if (!authz.canAccess(tenant, orderId)) {
        return "无权访问该订单";   // 越权拦截，而非返回真实数据
    }
    return orderService.get(orderId);
}

6. 总结：问题 → 方案速查表

问题现象	所属环节	快速定位法	通用解决方案	Spring AI / Alibaba 对应
选错工具/不调用	Function Calling	固定温度跑 N 次看命中分布	重写 description、few-shot	`@Tool(description)`
参数幻觉	Function Calling	抓取非法参数样本	补 schema + 应用侧校验	`@ToolParam` + `ToolCallback` 内校验
工具死循环	Function Calling	观察调用日志循环	次数上限 + 终止标记	内置 per-tool(40)/总(150) 上限
RAG 匹配度低	RAG	手动取 top-k 看相关性	查切分/embedding/查询增强	`RetrievalAugmentationAdvisor`
检索内容杂乱	RAG	top-k 逐条标注相关/无关	去重、混合检索、重排	`RetrievalRerankAdvisor`（Alibaba）
召回漏精确实体	RAG	精确词查询命中率	BM25 混合 + RRF	`spring-ai-alibaba-starter-rag`
查不到就瞎编	RAG/幻觉	空上下文是否仍生成	allowEmptyContext(false)	`ContextualQueryAugmenter.allowEmptyContext(false)`
接口超时/限流	稳定性	监控超时/429 占比	指数退避 + 熔断	`spring.ai.retry.*` + Resilience4j
流式半截输出	稳定性	流中途失败日志	区分连接失败/流失败，TTFT 与总超时分设	`Flux.timeout()` / `@TimeLimiter`
JSON 输出非法	稳定性	解析失败率	校验 + 修复重试 + 默认值	`BeanOutputConverter`
并发打爆配额	容量	配额消耗趋势	本地限流 + 分桶配额	Resilience4j `@RateLimiter`/`@Bulkhead`
要不要微调	模型能力	先排 RAG/提示词	决策框架 + 数据质量	平台侧训练 + 配置化模型名
Prompt 变更失控	治理	无版本/无回滚	Prompt 即代码	`PromptTemplate` + git
模型静默漂移	治理	同 prompt 结果变化	锁版本 + 回归评测	配置化 model 名
多轮对话记忆丢失	会话	历史是否正确保留	裁剪策略 + 持久化	`ChatMemory` + `MessageChatMemoryAdvisor`
越权调用工具	安全	审计工具调用	工具侧鉴权	`ToolContext` + 白名单

AI 大模型应用遇到的问题及解决方案

版本基线声明

0. 前言：一张"问题地图"

1. Function Calling 核心逻辑与生产问题

1.1 核心逻辑：模型到底如何"精准匹配"工具

1.2 生产常见问题 → 解决方案

1.3 六类问题逐一拆解

① 选错工具 / 该调用却不调用

② 参数幻觉 / 缺失必填项

③ 多工具混淆

④ 工具结果过大撑爆上下文

⑤ 多步/并行调用编排失控

⑥ 工具互相调用导致死循环

1.4 Spring AI 通用机制：一次工具调用到底发生了什么

1.5 评测

2. RAG：检索质量问题的排查与优化

2.1 排查路径：按链路逐层定位

2.2 RAG 常见问题 → 解决方案

2.3 七类问题逐一拆解

① 文档解析质量差（数据前置）

② 匹配度低：该召到的没召到

③ 检索内容杂乱

④ 口语化 query 召不准（查询增强）

⑤ 漏召精确实体（多路召回）

⑥ 粗排噪声多、精排提升（重排序）

⑦ 查不到就瞎编（空上下文）

2.4 Spring AI 通用机制：RetrievalAugmentationAdvisor 的处理流程

2.5 评测

3. 稳定性与容量工程：异常、超时、重试、限流与配额

3.1 异常分层：先分类，再决定怎么处理

3.2 稳定性常见问题 → 解决方案

3.3 六类问题逐一拆解

① 请求卡住 / 超时

② 偶发失败直接报错（重试兜底）

③ 流式输出中途失败

④ 主模型不可用（降级兜底）

⑤ JSON 输出非法（结构化输出保障）

⑥ 并发打爆限流 / 配额

3.4 Spring AI 通用机制补充

3.5 评测

4. 微调（Fine-tuning）

4.1 决策框架：什么时候该微调

4.2 数据准备

4.3 训练配置与常见坑

4.4 评估与回退

4.5 Spring AI 落地（边界要讲清）

5. 工程化治理与高频主题

5.1 Prompt 即代码

5.2 模型漂移与升级治理

5.3 评测体系与上线发布（各主题评测手段总纲）

5.4 多轮对话与会话管理

5.5 幻觉与可控性

5.6 上下文与成本优化

5.7 安全（与工具调用强联动）

6. 总结：问题 → 方案速查表

生产上线前 checklist