Spring AI 实战（11）：收官！10 道面试高频题 + 一张脑图带走全系列
本篇是 Spring AI 系列第 11 篇，也是收官篇。前 10 篇我们把"用"（#1–#9）和"原理"（#10）都铺完了。最后这一篇把全系列收成一张可收藏的知识网，再给你10 道面试高频题 + 一份避坑清单——既能当面试弹药，也能当复习地图。如果你正在准备 Java / 后端 / AI 应用岗的面试，这篇建议直接收藏。
这篇怎么用最高效
- 面试前：把第五节「10 道高频题」过一遍，每题能口述 3 句话就算过关。
- 复习时：脑图当目录，哪块模糊回对应篇重读（前文回顾已给你链好）。
- 做项目时：避坑清单贴在显示器边，比查文档快。
一、全系列知识脑图（文字版，建议收藏）
Spring AI 全栈 ├─ 核心抽象 │ ├─ ChatClient 统一门面（prompt/call/stream） │ ├─ ChatModel 模型抽象（OpenAI/DeepSeek/Ollama…） │ └─ 分层思想 业务只依赖接口，换实现不改代码 ├─ 输入增强 │ ├─ PromptTemplate 外部 .st 模板，参数填充 │ ├─ ChatMemory 记忆（InMemory / Alibaba MySQL+Redis） │ └─ Advisor 链 拦截器，order 定顺序（日志→记忆→RAG→模型） ├─ 输出控制 │ ├─ 结构化输出 BeanOutputConverter → Java 对象 │ └─ 多模态输入 UserMessage + Media（看图） ├─ 能力扩展 │ ├─ Tool Calling @Tool 暴露 Java 方法给 AI 调 │ ├─ MCP 标准协议接外部工具/数据源（N×M→N+M） │ └─ 文生图 ImageModel（DALL·E / 万相） ├─ 知识增强（RAG） │ ├─ 文档加载 Reader Text/PDF/Tika │ ├─ 切分 Splitter TokenTextSplitter（粒度定召回） │ ├─ 向量化 Embedding 维度必须与向量库一致 │ ├─ 存储 VectorStore PgVector（默认）/ Redis / Milvus（海量） │ └─ 检索增强 QuestionAnswerAdvisor + SearchRequest └─ 工程化 ├─ 自动装配 starter + @ConditionalOnClass └─ 选型对比 Spring AI vs LangChain4j vs Alibaba这棵树从下往上看：越往下越偏工程化（自动装配、选型），越往上越偏业务价值（RAG、多模态）。记不住细节时，先记住这六层，再往里填。
二、10 道面试高频题（附答题要点）
1. Spring AI 和直接调 OpenAI SDK 比，优势在哪？
答：统一抽象屏蔽厂商差异，换模型只换 starter+配置；内置 PromptTemplate、记忆、RAG、工具调用、Advisor 等工程能力；与 Spring 生态无缝集成（DI、配置中心、监控）。直接调 SDK 则每家 API 碎片化、换模型重写、缺工程化。
2. ChatClient 和 ChatModel 是什么关系？
答：ChatClient是面向开发者的统一门面（fluent API），ChatModel是底层模型抽象接口。ChatClient 内部委托 ChatModel 发请求。业务代码依赖 ChatClient，与具体厂商解耦。
3. 结构化输出怎么实现？为什么模型返回的是 JSON 却能变 Java 对象？
答：用BeanOutputConverter<T>（或其他StructuredOutputConverter），它把目标类的字段结构生成格式说明塞进 Prompt，模型按格式输出 JSON，converter 再反序列化。要点：字段名要对齐、数字别带单位、必要时@JsonProperty。
4. 工具调用（Tool Calling）的原理？
答：用@Tool把 Java 方法描述（名称+参数 schema+说明）交给模型；模型根据用户意图决定是否调用、提取参数；框架执行方法并把结果回传模型；模型整合后给出自然语言回答。description 写不清，模型就不调。面试加分项：一次"带工具的回答"可能触发两次ChatModel.call——第一次拿 tool_calls，第二次拿最终答案。
5. RAG 的完整链路是什么？切分粒度为什么重要？
答：加载文档 →TokenTextSplitter切分 →EmbeddingModel向量化 → 存入VectorStore；问答时把问题向量化，检索 topK 相似块，QuestionAnswerAdvisor拼进 Prompt。切分粒度直接决定召回质量：太大杂糅、太小语义断裂。
6. 向量库怎么选型？
答：先复用已有的（已在用 PG 选 PgVector，已在用 Redis 选 Redis）；默认 PgVector（运维最省、百万级够用）；知识上千万/专业检索再上 Milvus。第一死穴：向量维度必须和 Embedding 模型一致。
7. MCP 解决了什么问题？和 @Tool 有什么区别？
答：MCP 是标准化的"模型-工具/数据源"协议，把 N 个模型 × M 个工具的连接降到 N+M（统一协议）。@Tool是 Spring AI 内把方法暴露给模型的注解，作用域在单个应用内；MCP 让任意兼容的 server 能力可被任意模型复用，解耦更彻底。
8. Advisor 责任链是什么？顺序错了会怎样？
答：Advisor 是拦截器，在请求发出前和响应回来后各介入一次，getOrder()定顺序（典型：日志→记忆→RAG→模型）。顺序错会导致记忆/RAG 失效（如记忆在 RAG 之后注入，模型看不到历史）。
9. 多模态在 Spring AI 里怎么分？
答：分两半——"看图"靠UserMessage+Media（ChatModel），"画图"靠ImageModel（文生图）。二者独立抽象，模型必须本身支持对应能力。
10. 自动装配是怎么把 ChatClient 造出来的？
答：starter 含AutoConfiguration.imports，@ConditionalOnClass检测 SDK 类存在才装配；读取spring.ai.*配置创建ChatModel和ChatClient默认 bean。换 starter 即换底层实现，业务零改。
三、避坑清单（直接背）
| 坑 | 正确做法 |
|---|---|
| 换 Embedding 模型 | 必须重建向量索引（维度绑定） |
| 记忆 / RAG 顺序 | 记忆 Advisor 必须在 RAG Advisor 之前 |
| 多 starter 并存 | @Autowired ChatClient可能多 bean 冲突，用@Primary |
| 工具不调用 | @Tool的 description 写清，模型才认 |
| 文生图 URL | 返回的是临时 URL，要持久化得自己落库 |
| 纯文本模型硬塞图 | DeepSeek 等不支持多模态，塞Media会失败 |
| 切分粒度 | 远比"用什么向量库"更影响 RAG 效果 |
| 流式调用 | .stream()返回Flux，非 WebFlux 环境要.block()或正确订阅 |
| Advisor 没生效 | 用defaultAdvisors(...)（全局）而非advisor(...)（单次） |
四、Spring AI vs LangChain4j vs Spring AI Alibaba
| 维度 | Spring AI | LangChain4j | Spring AI Alibaba |
|---|---|---|---|
| 定位 | Spring 官方抽象 | Java 版 LangChain | Spring AI 的阿里增强（社区） |
| 生态 | Spring 原生 | 框架中立 | 绑定阿里云（通义/百炼） |
| 记忆/存储 | 标准接口 | 自带实现 | 提供 Alibaba MySQL/Redis Starter |
| 图形化/低码 | 无 | 无 | 有部分增强 |
| 选择建议 | 已在 Spring 体系、要标准抽象 | 想框架中立、快速上手 | 深度用阿里云模型/基础设施 |
三者不互斥：Spring AI 是底座，Alibaba 是在其上补阿里云适配与开箱即用组件。
五、后续学习路径
- 动手：把本系列示例收敛到一个 GitHub 仓库（part01~part11），跑通每个 demo。
- 深入源码：读
ChatClient默认实现与至少一个模型的ChatModel实现，看 Advisor 链怎么驱动。 - 做项目：用 internal-knowledge-base（企业内部知识库）这类真实场景串起 Tool Calling + RAG + 记忆，比单篇练更有体感。
- 关注版本：Spring AI 1.0 GA 后迭代快，盯官方 migration guide，避免 API 漂移。
小结
这是本系列收官篇，把前 10 篇收成一张网：
- 脑图：核心抽象 → 输入增强 → 输出控制 → 能力扩展 → 知识增强(RAG) → 工程化，六块串成全栈。
- 10 道面试题：覆盖 ChatClient/ChatModel 关系、结构化输出、工具调用、RAG 链路、向量库选型、MCP、Advisor 链、多模态、自动装配——基本是 Java AI 岗的高频弹药。
- 避坑清单：维度绑定、Advisor 顺序、多 bean 冲突、description 写清、URL 落库、模型能力矩阵、切分粒度、流式处理、Advisor 注册方式，共 9 条。
- 三者关系：Spring AI 是底座，LangChain4j 框架中立，Alibaba 补阿里云适配，按需选用。
到这里，Spring AI 从"为什么用"到"怎么用"再到"为什么能这么用"，整条线就通了。感谢一路看到这里——收藏这张脑图和面试题，面试前翻一遍，比临时抱佛脚管用得多。
如果这篇对你有帮助，点个关注 👀 我会持续更新 Spring AI 实战系列，从聊天、RAG 到原理篇篇带完整代码，关注不迷路。
博主：10 年 Java 全栈开发，优质创作者。专注 Spring 源码、架构设计与 Spring AI 实战。
前文回顾：
- Spring AI 实战（1）：Java 开发者如何优雅接入大模型（附完整代码）
- Spring AI 实战（2）：ChatClient+Prompt+记忆三件套，手把手搭 AI 对话（附代码）
- Spring AI 实战（3）：Alibaba 三行配置搞定 MySQL+Redis 记忆存储
- Spring AI 实战（4）：结构化输出让大模型返回 Java 对象（附完整 Demo）
- Spring AI 实战（5）：Tool Calling 让 AI 自动调用你的 Java 方法（附完整代码）
- Spring AI 实战（6）：RAG 从文档切分到向量检索搭建知识库（全流程）
- Spring AI 实战（7）：向量库怎么选？PgVector/Redis/Milvus 横向对比
- Spring AI 实战（8）：别再重复造轮子！MCP 让 AI 直接调用任意外部工具
- Spring AI 实战（9）：别让 AI 只会打字！Spring AI 多模态：读懂图片还能生图（附完整代码）
- Spring AI 实战（10）：加个 starter 就能 @Autowired？扒开 Spring AI 自动装配与 Advisor 责任链