前言

盡管Python最近成為了編程語言的首選，但是Java在人工智能領域的地位同樣不可撼動，得益于強大的Spring框架。隨著人工智能技術的快速發(fā)展，我們正處于一個創(chuàng)新不斷涌現(xiàn)的時代。從智能語音助手到復雜的自然語言處理系統(tǒng)，人工智能已經成為了現(xiàn)代生活和工作中不可或缺的一部分。在這樣的背景下，Spring AI 項目迎來了發(fā)展的機遇。盡管該項目汲取了Python項目如LangChain和LlamaIndex的靈感，但Spring AI并不是簡單的移植。該項目的初衷在于推進生成式人工智能應用程序的發(fā)展，使其不再局限于Python開發(fā)者。

Spring AI 的核心理念是提供高度抽象化的組件，作為開發(fā)AI應用程序的基礎。這些抽象化組件具備多種實現(xiàn)，使得開發(fā)者能夠以最少的代碼改動便捷地交換和優(yōu)化功能模塊。

具體而言，Spring AI 提供了支持多種主流模型提供商的功能，包括OpenAI、Microsoft、Amazon、Google和Hugging Face。支持的模型類型涵蓋了從聊天機器人到文本生成、圖像處理、語音識別等多個領域。而其跨模型提供商的可移植API設計，不僅支持同步和流式接口，還提供了針對特定模型功能的靈活選項。

此外，Spring AI 還支持將AI模型輸出映射為POJO，以及與主流矢量數據庫提供商（如Apache Cassandra、Azure Vector Search、MongoDB Atlas等）無縫集成的能力。其功能不僅局限于模型本身，還包括了數據工程中的ETL框架和各種便利的函數調用，使得開發(fā)AI應用程序變得更加高效和可靠。

快速實戰(zhàn)

本期實戰(zhàn)是我們的第一篇，旨在通過快速展示Spring AI項目，讓大家了解它的優(yōu)點和特性。為了方便大家使用，我還將本期的源代碼提交到了倉庫中，并加入了swagger-ui的API調用界面，使得使用起來更加便捷。如果你對此感興趣，歡迎前往查看star。同時，我也會持續(xù)維護這個項目，確保它始終保持活躍。

倉庫地址：https://github.com/StudiousXiaoYu/spring-ai-demo

項目生成

當我們開始時，首先需要創(chuàng)建一個項目結構。我們可以前往官方網站，快速生成Spring AI的依賴并創(chuàng)建項目。

聊天模型

在大型模型中，聊天模型扮演著至關重要的角色。那么，SpringAI是如何對其進行封裝的呢？本期主要著重展示如何有效利用Spring AI的ChatClient，特別是在本示例中應用Spring AI的智能聊天模型。

日志級別

在這個過程中，如果想要查看請求的細節(jié)日志，務必將日志級別調整至DEBUG，具體操作如下：

模型配置

當我們使用一個模型時，必須首先在項目中加入相關的依賴，加入依賴后還需要在配置文件中填寫相應的配置信息。

注入model

那么模型可以自動注入，我們可以直接使用它。在本期演示中，我們將展示三種自定義模型的注入方式，具體如下：

    private final ChatClient myChatClientWithSystem;
    private final ChatClient myChatClientWithParam;
    /**
     * 可以選擇自動注入、也可以在方法內自定義，此客戶端無系統(tǒng)文本
     */
    private final ChatClient chatClient;
    public MyController(ChatClient.Builder chatClientBuilder, MyChatClientWithSystem myChatClient, MyChatClientWithParam myChatClientWithParam) {
        this.chatClient = chatClientBuilder.build();
        this.myChatClientWithSystem = myChatClient.client();
        this.myChatClientWithParam = myChatClientWithParam.client();
    }

好的，讓我來解釋一下這三種情況：

• chatClient：這是默認的自動注入的ChatClient，不需要任何條件。
• myChatClientWithParam：這是一個注入系統(tǒng)文本并帶有參數的ChatClient。
• myChatClientWithSystem：這是一個注入帶有系統(tǒng)文本的ChatClient。

好的，第一種情況不需要處理，我們只需要通過配置類簡單配置下面兩種ChatClient。

@Configuration
class Config {
    @Bean
    MyChatClientWithSystem myChatClientWithSystem(ChatClient.Builder builder) {
        MyChatClientWithSystem build = MyChatClientWithSystem.builder()
                .client(builder.defaultSystem("你是努力的小雨，一名 Java 服務端碼農，潛心研究著 AI 技術的奧秘。我熱愛技術交流與分享，對開源社區(qū)充滿熱情。身兼掘金優(yōu)秀作者、騰訊云內容共創(chuàng)官、阿里云專家博主、華為云云享專家等多重身份。")
                .build()).build();
        return build;
    }
    @Bean
    MyChatClientWithParam myChatClientWithParam(ChatClient.Builder builder) {
        MyChatClientWithParam build = MyChatClientWithParam.builder()
                .client(builder.defaultSystem("你是{user}。")
                        .build()).build();
        return build;
    }
}

簡單文本回答

首先，讓我們先來討論一些簡單的問答。

    @GetMapping("/ai")
    String generationByText(String userInput) {
        return this.chatClient.prompt()
            .user(userInput)
            .call()
            .content();
    }

在這段簡練代碼中，已經實現(xiàn)了各種封裝和交互，為了更好地演示，我們來展示一下：

封裝回答實體對象

大家都知道Java是一種面向對象的編程語言，因此在加入人工智能技術時，為了滿足業(yè)務需求，將對象納入其中是不可或缺的。那么，如何讓人工智能的回答能夠被Spring框架自動封裝到對象中呢？讓我們來探討一下：

定義一個對象記錄類：一個記錄類（Record Class）的定義，名為 ActorFilms。用于封裝相關字段記錄類自動實現(xiàn)了 toString()、equals()、hashCode() 和 getter 方法，使得對象的字符串表示、相等性比較和哈希計算變得簡單。你可以直接使用 actorFilms.toString()、actorFilms.equals(anotherActorFilms) 和 actorFilms.hashCode()。

public record ActorFilms(String actor, List<String> movies) {
}

    @GetMapping("/ai-Entity")
    ActorFilms generationByEntity() {
        ActorFilms actorFilms = chatClient.prompt()
                .user("Generate the filmography for a random actor.")
                .call()
                .entity(ActorFilms.class);
        return actorFilms;
    }

可以看到，只需簡單地將entity設置為ActorFilms。接下來，我們需要檢查返回的對象是否符合預期。

當用戶輸入信息后，系統(tǒng)返回一個實體類型的回答。這種實體類型的回答之所以能夠被封裝，是因為在發(fā)送信息時，系統(tǒng)不僅僅發(fā)送了用戶輸入的文本，還在其后添加了額外的信息。Generate the filmography for a random actor.\r\nYour response should be in JSON format.\r\nDo not include any explanations, only provide a RFC8259 compliant JSON response following this format without deviation.\r\nDo not include markdown code blocks in your response.\r\nRemove the ```json markdown from the output.\r\nHere is the JSON Schema instance your output must adhere to:\r\n```{\r\n \"$schema\" : \"https://json-schema.org/draft/2020-12/schema\",\r\n \"type\" : \"object\",\r\n \"properties\" : {\r\n \"actor\" : {\r\n \"type\" : \"string\"\r\n },\r\n \"movies\" : {\r\n \"type\" : \"array\",\r\n \"items\" : {\r\n \"type\" : \"string\"\r\n }\r\n }\r\n }\r\n}```\r\n因此，當后續(xù)返回的數據為大型模型時，例如{"actor": "Emily Blunt", "movies": ["Edge of Tomorrow", "A Quiet Place", "The Devil Wears Prada", "Sicario", "Mary Poppins Returns"]}，這樣一來Spring就可以幫我將其自動封裝起來了。

封裝回答列表實體對象

當我們需要返回一個列表而不是一個對象時，可以輕松地利用Spring AI的封裝功能來實現(xiàn)。讓我們來看看如何操作：

    @GetMapping("/ai-EntityList")
    List<ActorFilms> generationByEntityList() {
        List<ActorFilms> actorFilms = chatClient.prompt()
                .user("Generate the filmography of 5 movies for Tom Hanks and Bill Murray.")
                .call()
                .entity(new ParameterizedTypeReference<List<ActorFilms>>() {
                });
        return actorFilms;
    }

直接使用ParameterizedTypeReference對象即可。為了讓Spring能夠自動封裝返回結果，發(fā)送信息時也包含了返回格式信息作為提示?，F(xiàn)在我們來查看演示的結果。

流式回答

在前面展示的示例中，大型模型一次性完成回答并將其全部輸出給用戶。然而，前端無法實現(xiàn)打字機效果，因此我們決定采用流式回答的方式來進行演示。

   @GetMapping("/ai-streamWithParam")
    Flux<String> generationByStreamWithParam() {
        var converter = new BeanOutputConverter<>(new ParameterizedTypeReference<List<ActorFilms>>() {
        });
        Flux<String> flux = this.chatClient.prompt()
                .user(u -> u.text("""
                            Generate the filmography for a random actor.
                            {format}
                          """)
                        .param("format", converter.getFormat()))
                .stream()
                .content();
        String content = flux.collectList().block().stream().collect(Collectors.joining());
        List<ActorFilms> actorFilms = converter.convert(content);
        log.info("actorFilms: {}", actorFilms);
        return flux;
    }

為了演示用戶信息中的參數傳遞，我對流式回答進行了一個阻塞操作。如果不需要的話，可以將其刪除。另外，由于我需要封裝一個列表對象，所以進行了阻塞操作。實際上，這與上面提到的一樣，即在問答中直接定義了大模型返回的格式。好的，我們來看一下返回結果。

帶有系統(tǒng)信息的client

這次我們將演示客戶端的配置。在對話中，我們知道有三種身份標識：system、user、assistant。至今，我們尚未展示系統(tǒng)身份標識，但之前我們已經定義了系統(tǒng)形式的客戶端。因此，這次我們將直接使用它：

    @GetMapping("/ai-withSystemClient")
    Map<String, String> generationByTextWithSystemClient(String message) {
        return Map.of("completion", myChatClientWithSystem.prompt().user(message).call().content());
    }

這段代碼非常簡單，只需使用ChatClient即可。用戶輸入后，會返回一個Map類型的回答，其中key為"completion"，對應的value為回答內容。讓我們一起來看一下結果吧。

可以看出，實際上他已經將我的system信息包含在內了。

帶有參數信息的client

當您需要演示帶有參數的情況時，您可以考慮以下方法：在用戶輸入后，返回一個Map類型的回答，其中包含鍵值對，鍵為"completion"，值為相應的回答。在實際業(yè)務場景中，參數是不可避免的，因此這種演示方式可以更好地展示人工智能的適用性。讓我們繼續(xù)探討這一點：

    @GetMapping("/ai-withParamClient")
    Map<String, String> generationByTextWithParamClient(String message, String user) {
        return Map.of("completion", myChatClientWithParam.prompt().system(sp ->sp.param("user",user)).user(message).call().content());
    }

這里也是很簡單的一句話，所以我們看下效果：

如果您對回答感到困惑，我們可以查看后臺傳輸日志，以了解傳輸的參數詳情。

可以注意到，實際上我們已經成功將參數設置完成。

聊天歷史

在最后一個主要的業(yè)務場景中，每個人都會有自己的聊天記錄。我們不能一直進行無狀態(tài)的對話，這樣會顯得很不智能。因此，必須要有聊天記錄的功能。雖然Spring AI尚未完全確定如何封裝這部分功能，但已經提供了一個簡單的對象類供我們調用。讓我們來看一下：

    @GetMapping("/ai-chatMemory")
    String generationByChatMemory(HttpServletRequest request, String userInput) {
        String sessionId = request.getSession().getId();
        chatMemory.add(sessionId, new UserMessage(userInput));
        String content = this.chatClient.prompt()
                .advisors(new MessageChatMemoryAdvisor(chatMemory))
                .user(userInput)
                .call()
                .content();
        chatMemory.add(sessionId, new AssistantMessage(content));
        return content;
    }

實際上，在這種情況下，我們需要自行創(chuàng)建并維護一個聊天歷史對象。因此，每次進行聊天前和聊天后，我們都應該將所需的信息添加到該對象中，然后直接使用它。讓我們來看一下這種做法的效果：

可以看到，實際上在這里已經將歷史記錄一并呈現(xiàn)了出來。

總結

通過本文的介紹，我們深入了解了Spring AI項目的優(yōu)勢和特性，以及在實際應用中的快速實戰(zhàn)示例。Spring AI作為一個高度抽象化的人工智能應用程序開發(fā)框架，為開發(fā)者提供了便捷的模型支持、靈活的功能模塊交換和優(yōu)化能力。它不僅能將AI模型輸出映射為POJO，還能與主流矢量數據庫提供商無縫集成，從而顯著提升開發(fā)AI應用程序的效率和可靠性。

與Python相比，Java在企業(yè)級應用和大型系統(tǒng)中具有顯著優(yōu)勢。Java語言的靜態(tài)類型和嚴格的編譯時檢查使得代碼更加健壯和易于維護，尤其適合需要高度可靠性和長期支持的項目。同時，Java生態(tài)系統(tǒng)的成熟度和廣泛應用確保了開發(fā)者可以輕松找到豐富的庫和工具支持，加速開發(fā)周期并降低項目風險。

希望本文能為您對Spring AI項目的理解和應用提供幫助，同時也歡迎您關注和使用這個項目，持續(xù)關注更新和維護。讓我們一起見證人工智能技術的不斷進步和應用！

我是努力的小雨，一名 Java 服務端碼農，潛心研究著 AI 技術的奧秘。我熱愛技術交流與分享，對開源社區(qū)充滿熱情。身兼掘金優(yōu)秀作者、騰訊云內容共創(chuàng)官、阿里云專家博主、華為云云享專家等多重身份。

?? 目前，我的探索重點在于 AI Agent 智能體應用，我對其充滿好奇，并不斷探索著其潛力與可能性。如果你也對此領域充滿熱情，歡迎與我交流分享，讓我們共同探索未知的領域！

到此這篇關于Spring AI實現(xiàn)智能聊天模型的文章就介紹到這了,更多相關Spring AI智能聊天模型內容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關文章希望大家以后多多支持腳本之家！

最新評論