Spring Boot整合Spring AI：快速构建智能应用实践

1. 项目概述

Spring Boot与Spring AI的结合为开发者提供了一条快速构建智能应用的捷径。作为一名长期使用Spring生态的开发者，我最近完整走通了这套技术栈的整合流程，在这里分享从环境搭建到第一个AI功能上线的完整实践。

这个组合最吸引我的地方在于：Spring Boot的自动化配置能省去大量基础工作，而Spring AI则把复杂的AI模型调用封装成了简单的API。即使没有专业的机器学习背景，也能在半小时内让应用具备基础的AI能力。下面我会详细拆解每个关键环节的实现过程。

2. 环境准备与项目初始化

2.1 基础环境配置

推荐使用以下环境组合：

• JDK 17（Spring Boot 3.x的最低要求）
• IntelliJ IDEA（社区版即可）
• Maven 3.8+

在pom.xml中添加关键依赖：

xml复制<dependency>
    <groupId>org.springframework.boot</groupId>
    <artifactId>spring-boot-starter-web</artifactId>
</dependency>
<dependency>
    <groupId>org.springframework.experimental.ai</groupId>
    <artifactId>spring-ai-core</artifactId>
    <version>0.7.1</version>
</dependency>

注意：Spring AI目前仍处于experimental阶段，版本更新较快，建议在官方仓库确认最新版本号。

2.2 初始化Spring Boot项目

使用Spring Initializr创建项目时，建议选择：

• Spring Web
• Lombok（简化代码）
• DevTools（热部署）

创建后检查application.properties：

properties复制# 设置服务端口
server.port=8080

# 启用Spring Boot的Actuator端点（可选）
management.endpoints.web.exposure.include=health,info

3. Spring AI核心功能集成

3.1 配置AI模型连接

以OpenAI为例，首先添加专属依赖：

xml复制<dependency>
    <groupId>org.springframework.experimental.ai</groupId>
    <artifactId>spring-ai-openai-spring-boot-starter</artifactId>
    <version>0.7.1</version>
</dependency>

然后在配置文件中添加API密钥：

properties复制spring.ai.openai.api-key=your-api-key
spring.ai.openai.model=gpt-3.5-turbo

3.2 实现基础对话功能

创建ChatController：

java复制@RestController
@RequiredArgsConstructor
public class ChatController {
    private final OpenAiChatClient chatClient;

    @GetMapping("/chat")
    public String generate(@RequestParam String message) {
        return chatClient.call(message);
    }
}

测试方法：

bash复制curl "http://localhost:8080/chat?message=用Java写一个快速排序"

3.3 高级参数配置

对于需要精细控制的场景，可以配置PromptTemplate：

java复制PromptTemplate template = new PromptTemplate("""
    你是一个专业的{role}，请用{style}风格回答：
    {question}
    """);

Map<String, Object> params = Map.of(
    "role", "Java架构师",
    "style", "简洁专业",
    "question", "解释Spring Bean的生命周期"
);

String result = chatClient.call(template.render(params));

4. 实战案例：智能文档分析

4.1 文档处理流程设计

实现一个能解析PDF并回答问题的服务：

1. 使用Apache PDFBox解析PDF文本
2. 通过Spring AI进行文本向量化
3. 构建语义搜索功能

关键依赖新增：

xml复制<dependency>
    <groupId>org.apache.pdfbox</groupId>
    <artifactId>pdfbox</artifactId>
    <version>2.0.27</version>
</dependency>

4.2 核心实现代码

文档解析服务：

java复制@Service
public class PdfService {
    public String extractText(MultipartFile file) throws IOException {
        try (PDDocument doc = PDDocument.load(file.getInputStream())) {
            return new PDFTextStripper().getText(doc);
        }
    }
}

AI处理层：

java复制@Service
@RequiredArgsConstructor
public class AiService {
    private final OpenAiEmbeddingClient embeddingClient;
    private final OpenAiChatClient chatClient;

    public List<Double> createEmbedding(String text) {
        return embeddingClient.embed(text);
    }

    public String answerQuestion(String context, String question) {
        String prompt = """
            基于以下上下文回答问题：
            {context}
            
            问题：{question}
            """;
            
        PromptTemplate template = new PromptTemplate(prompt);
        Map<String, Object> params = Map.of(
            "context", context,
            "question", question
        );
        
        return chatClient.call(template.render(params));
    }
}

4.3 接口封装

REST控制器示例：

java复制@PostMapping("/analyze")
public String analyzeDocument(
    @RequestParam MultipartFile file,
    @RequestParam String question) throws IOException {
    
    String text = pdfService.extractText(file);
    return aiService.answerQuestion(text, question);
}

5. 性能优化与生产准备

5.1 缓存策略实现

使用Spring Cache减少API调用：

java复制@Cacheable(value = "embeddings", key = "#text.hashCode()")
public List<Double> createEmbedding(String text) {
    return embeddingClient.embed(text);
}

配置Redis缓存：

properties复制spring.cache.type=redis
spring.redis.host=localhost
spring.redis.port=6379

5.2 限流与降级

配置Resilience4j进行限流：

java复制@Bean
public CircuitBreakerConfigCustomizer circuitBreakerConfig() {
    return config -> config
        .failureRateThreshold(50)
        .waitDurationInOpenState(Duration.ofSeconds(30))
        .slidingWindowSize(10);
}

@CircuitBreaker(name = "aiService")
public String answerQuestionWithFallback(String context, String question) {
    // 主逻辑...
}

5.3 监控指标暴露

通过Actuator暴露关键指标：

properties复制management.endpoints.web.exposure.include=health,info,metrics
management.metrics.enable.ai.requests=true

自定义指标采集：

java复制@Bean
MeterRegistryCustomizer<MeterRegistry> metricsCommonTags() {
    return registry -> registry.config().commonTags(
        "application", "spring-ai-demo"
    );
}

6. 常见问题排查指南

6.1 连接超时问题

典型错误：

code复制org.springframework.web.client.ResourceAccessException: 
I/O error on POST request for "https://api.openai.com/v1/chat/completions": 
Connection timed out

解决方案：

1. 检查网络代理设置
2. 增加超时配置：

properties复制spring.ai.openai.connect-timeout=30s
spring.ai.openai.read-timeout=60s

6.2 令牌限制处理

当遇到"maximum context length"错误时：

1. 精简输入文本
2. 使用文本分块处理：

java复制public List<String> chunkText(String text, int maxLength) {
    return Arrays.stream(text.split("\\s+"))
        .collect(Collectors.groupingBy(
            s -> (s.length() - 1) / maxLength,
            Collectors.joining(" ")
        ))
        .values()
        .stream()
        .toList();
}

6.3 内存溢出预防

处理大文档时的建议：

1. 增加JVM堆大小：

bash复制java -Xmx1024m -jar your-app.jar

2. 使用流式处理替代全量加载
3. 定期调用System.gc()（谨慎使用）

7. 进阶扩展方向

7.1 多模型切换策略

通过抽象接口实现灵活切换：

java复制public interface AiProvider {
    String generateText(String prompt);
    List<Double> createEmbedding(String text);
}

@Service
@Profile("openai")
public class OpenAiProvider implements AiProvider {
    // 实现方法...
}

@Service
@Profile("anthropic")
public class ClaudeAiProvider implements AiProvider {
    // 实现方法...
}

7.2 微调模型集成

自定义模型配置示例：

properties复制spring.ai.openai.fine-tuned-model=ft:your-model-id

对应的调用代码：

java复制@Value("${spring.ai.openai.fine-tuned-model}")
private String fineTunedModel;

public String callFineTunedModel(String input) {
    OpenAiChatOptions options = OpenAiChatOptions.builder()
        .withModel(fineTunedModel)
        .withTemperature(0.3f)
        .build();
        
    return chatClient.call(new Prompt(input, options));
}

7.3 函数调用实践

实现天气查询功能：

java复制@Bean
public Function<WeatherRequest, WeatherResponse> weatherFunction() {
    return request -> {
        // 调用真实天气API
        return new WeatherResponse(...);
    };
}

@Bean
public FunctionCallback weatherFunctionCallback() {
    return new FunctionCallbackWrapper<>(
        "getCurrentWeather",
        "获取指定位置的当前天气",
        weatherFunction(),
        new JsonSchemaConverter()
    );
}

在实际项目中，我发现Spring AI最大的价值在于它大幅降低了AI能力的接入门槛。通过合理的架构设计，完全可以在现有Spring应用中渐进式地引入AI功能。对于生产环境，建议重点关注：API调用的稳定性保障、结果的缓存策略以及成本控制机制。