当前位置： 首页 > news >正文

3、Spring AI_DeepSeek模型-多轮对话

news 2025/7/22 10:11:11

一、前言

Spring AI 提供跨 AI 供应商（如 OpenAI、Hugging Face 等）的一致性 API, 通过分装的ChatModel或ChatClient即可轻松调动LLM进行流式或非流式对话。

本专栏主要围绕着通过OpenAI调用各种大语言模型展开学习（因为大部分模型都兼容OpenAI方式调用接口），接下来将探索Spring AI的多轮对话（包括手动组装历史消息和Spring AI的ChatMemory）

二、术语

2.1 Prompt

输入给大语言模型的指令或问题，通过提供上下文和任务要求，帮助模型理解用户意图、引导模型生成特定输出（包括特定格式-如JSON格式）

2.2 Message

包括3种角色的消息

2.3 ChatMemory

Spring AI 中的 ChatMemory 是用于解决大语言模型（LLM）无状态问题的核心组件，通过管理对话上下文实现多轮交互的连贯性。其核心模块包括 MessageWindowChatMemory、MessageChatMemoryAdvisor 和 PromptChatMemoryAdvisor。

2.2.1 ChatMemory（记忆存储接口）

  • 定位：定义对话消息的存储规范（增删查），是记忆管理的抽象底座。
  • 核心方法：
void add(String conversationId, Message message);  // 存储消息
List<Message> get(String conversationId);          // 获取历史消息
void remove(String conversationId);               // 删除会话
  • 实现类：MessageWindowChatMemory是唯一官方实现。

2.2.2 MessageWindowChatMemory（滑动窗口记忆管理）

  • 定位：ChatMemory的默认实现，通过窗口机制控制记忆长度。
  • 核心特性：
    • 默认保存最近20条消息（可配置maxMessages）
    • 自动移除旧消息（保留系统消息）。
    • 依赖ChatMemoryRepository实现持久化（内存/JDBC/Redis等）。
  • 协作方式：
    • 存储原始Message对象（含角色信息）。
    • 为Advisor提供原始对话数据源。

2.2.3 MessageChatMemoryAdvisor（结构化记忆注入）

  • 定位：将ChatMemory中的历史消息按原始角色结构注入Prompt。
  • 工作流程：
    • 从MessageWindowChatMemory读取指定conversationId的历史消息。
    • 将每条消息作为独立对象（保留user/assistant角色）加入Prompt消息列表。
  • 适用场景：需精准区分角色上下文的场景（如客服对话、多轮追问）。

2.2.4PromptChatMemoryAdvisor（扁平化记忆注入）

  • 定位：将历史消息拼接为纯文本块，插入系统提示词。
  • 工作流程：
    • 从MessageWindowChatMemory获取历史消息。
    • 拼接消息内容（丢失角色标签），追加到SystemMessage。
  • 适用场景：成本敏感型场景或兼容老旧模型（如单文本输入的LLM）。

三、代码

3.1 项目依赖

<?xml version="1.0" encoding="UTF-8"?>
<project xmlns="http://maven.apache.org/POM/4.0.0"xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"xsi:schemaLocation="http://maven.apache.org/POM/4.0.0 http://maven.apache.org/xsd/maven-4.0.0.xsd"><modelVersion>4.0.0</modelVersion><groupId>com.better</groupId><artifactId>spring-ai-parent</artifactId><version>1.0-SNAPSHOT</version><packaging>pom</packaging><modules><module>models/chat/chat-openai-deepseek</module></modules><parent><groupId>org.springframework.boot</groupId><artifactId>spring-boot-starter-parent</artifactId><version>3.4.5</version><relativePath/></parent><properties><maven.compiler.source>17</maven.compiler.source><maven.compiler.target>17</maven.compiler.target><project.build.sourceEncoding>UTF-8</project.build.sourceEncoding></properties><dependencies><dependency><groupId>org.springframework.boot</groupId><artifactId>spring-boot-starter-test</artifactId></dependency><dependency><groupId>org.springframework.boot</groupId><artifactId>spring-boot-starter-web</artifactId></dependency><dependency><groupId>org.springframework.ai</groupId><artifactId>spring-ai-starter-model-openai</artifactId></dependency><dependency><groupId>org.projectlombok</groupId><artifactId>lombok</artifactId></dependency><dependency><groupId>com.alibaba.fastjson2</groupId><artifactId>fastjson2</artifactId><version>2.0.57</version></dependency></dependencies><!--Spring AI模块的依赖版本管理--><dependencyManagement><dependencies><dependency><groupId>org.springframework.ai</groupId><artifactId>spring-ai-bom</artifactId><!--正式生产版本：1.0.0 GA（2025年5月20日发布）是首个稳定且支持生产环境的版本，ChatClient 成为官方推荐的核心 API--><version>1.0.0</version> <!-- GA 版本 --><type>pom</type><scope>import</scope></dependency></dependencies></dependencyManagement></project>

3.2 配置yml

server:port: 8321
spring:ai:openai:base-url: https://api.deepseek.comapi-key: ${OPENAI_API_KEY}chat:options:model: deepseek-chat  # 可选模型：deepseek-chat/deepseek-reasonertemperature: 0.6      # 响应随机性控制,默认值

3.3 手动组装上下文消息

package com.better.springai.history;import com.alibaba.fastjson2.JSON;
import lombok.extern.slf4j.Slf4j;
import org.assertj.core.util.Lists;
import org.springframework.ai.chat.client.ChatClient;
import org.springframework.ai.chat.messages.AssistantMessage;
import org.springframework.ai.chat.messages.Message;
import org.springframework.ai.chat.messages.SystemMessage;
import org.springframework.ai.chat.messages.UserMessage;
import org.springframework.ai.chat.model.ChatResponse;
import org.springframework.ai.chat.prompt.Prompt;
import org.springframework.web.bind.annotation.GetMapping;
import org.springframework.web.bind.annotation.RestController;import java.util.ArrayList;
import java.util.List;/*** 高级封装ChatClient*/
@RestController
@Slf4j
class ChatHistoryController {private final ChatClient chatClient;public ChatHistoryController(ChatClient.Builder chatClientBuilder) {this.chatClient = chatClientBuilder.build();}// 系统提示词private final String SYSTEM_PROMPT = "你是一位心理疏导助手，需以同理心回应用户情绪。请主动倾听并认可用户感受，引导其识别负面情绪（如压力、焦虑），通过以下步骤提供支持：\n" +"倾听与共情 ：先充分理解用户困扰，避免评判;\n" +"情绪疏导 ：建议倾诉、书写或呼吸放松法等释放情绪;\n" +"认知调整 ：用积极视角重构问题（如‘这是成长机会’）;\n" +"行动建议 ：推荐具体行动（如运动、分阶段目标设定）;\n" +"资源引导 ：若问题严重，建议寻求专业心理咨询;\n" +"保持语言自然简洁，避免术语，用提问确认需求（如‘你希望先聊哪部分？’），逐步建立信任。";// 消息列表private List<Message> messageList = new ArrayList<>(Lists.newArrayList(new SystemMessage(SYSTEM_PROMPT)));// 保留最近的N条历史聊天记录private final static int MAX_HISTORY_SIZE = 2;// 聊天轮数private int CHAT_ROUNDS = 1;@GetMapping("/chatWithHistory")public String chatWithHistory(String question) {log.info("开始进行第{}轮对话,用户消息：{}", CHAT_ROUNDS,question);// 用户输入的文本是UserMessagemessageList.add(new UserMessage(question));// 聊天长度校验,if (messageList.size() > MAX_HISTORY_SIZE + 1) {// 仅保留最近的N条聊天记录messageList = messageList.subList(messageList.size() - MAX_HISTORY_SIZE - 1, messageList.size());// 系统提示词messageList.add(0,new SystemMessage(SYSTEM_PROMPT));}log.info("第{}轮对话上下文:historyMessageList: {}", CHAT_ROUNDS,JSON.toJSONString(messageList));// 获取AssistantMessageChatResponse chatResponse = chatClient.prompt(new Prompt(messageList)).call().chatResponse();AssistantMessage assistantMessage = chatResponse.getResult().getOutput();log.info("第{}次轮话AI回复消息{}", CHAT_ROUNDS,assistantMessage.getText());// 将AI回复内容存到历史对话记录中messageList.add(assistantMessage);CHAT_ROUNDS ++;return assistantMessage.getText();}
}

执行结果：

3.4 ChatMemory自动组装上下文消息

3.4.1 MessageWindowChatMemory

package com.better.springai.history;import com.alibaba.fastjson2.JSON;
import lombok.extern.slf4j.Slf4j;
import org.springframework.ai.chat.client.ChatClient;
import org.springframework.ai.chat.memory.ChatMemory;
import org.springframework.ai.chat.memory.MessageWindowChatMemory;
import org.springframework.ai.chat.messages.UserMessage;
import org.springframework.ai.chat.model.ChatResponse;
import org.springframework.ai.chat.prompt.Prompt;
import org.springframework.web.bind.annotation.GetMapping;
import org.springframework.web.bind.annotation.RestController;/*** 高级封装ChatClient*/
@RestController
@Slf4j
class MessageWindowChatMemoryController {private final ChatClient chatClient;public MessageWindowChatMemoryController(ChatClient.Builder chatClientBuilder) {this.chatClient = chatClientBuilder.build();}/*** 通过MessageWindowChatMemory记忆存储方式进行对话* return void* @author luchuyan* @time 2025/7/20 19:20**/@GetMapping("/chatMessageWindowChatMemory")public void chatMessageWindowChatMemory() {// 消息窗口聊天记忆ChatMemory chatMemory = MessageWindowChatMemory.builder().maxMessages(2) // 保存最新对话消息数量.build();// 对话ID,业务上唯一对话标识String conversationId = "001";// 第一次对话UserMessage userMessage1 = new UserMessage("你的名字叫做狗蛋,会讲普通话、潮汕话");chatMemory.add(conversationId, userMessage1);ChatResponse response1 = chatClient.prompt(new Prompt(chatMemory.get(conversationId))).call().chatResponse();chatMemory.add(conversationId, response1.getResult().getOutput());log.info("用户第1次提问：{}",userMessage1.getText());log.info("AI第1次回复:{}",response1.getResult().getOutput().getText());log.info("第1次对话后记忆存储消息：{} \n\n",JSON.toJSONString(chatMemory.get(conversationId)));// 第二次对话UserMessage userMessage2 = new UserMessage("你的名字是什么?仅需回答名字即可,不要输出其他无关内容");chatMemory.add(conversationId, userMessage2);ChatResponse response2 = chatClient.prompt(new Prompt(chatMemory.get(conversationId))).call().chatResponse();chatMemory.add(conversationId, response2.getResult().getOutput());log.info("用户第2次提问：{}",userMessage2.getText());log.info("AI第2次回复:{}",response2.getResult().getOutput().getText());log.info("第2次对话后记忆存储消息：{}\n\n",JSON.toJSONString(chatMemory.get(conversationId)));// 第二次对话UserMessage userMessage3 = new UserMessage("你会讲什么话？");chatMemory.add(conversationId, userMessage3);ChatResponse response3 = chatClient.prompt(new Prompt(chatMemory.get(conversationId))).call().chatResponse();chatMemory.add(conversationId, response3.getResult().getOutput());log.info("用户第3次提问：{}",userMessage3.getText());log.info("AI第3次回复:{}",response3.getResult().getOutput().getText());log.info("第3次对话后记忆存储消息：{}",JSON.toJSONString(chatMemory.get(conversationId)));}}

执行结果：

3.4.2 MessageChatMemoryAdvisor

package com.better.springai.history;import com.alibaba.fastjson2.JSON;
import lombok.extern.slf4j.Slf4j;
import org.springframework.ai.chat.client.ChatClient;
import org.springframework.ai.chat.client.advisor.MessageChatMemoryAdvisor;
import org.springframework.ai.chat.memory.ChatMemory;
import org.springframework.ai.chat.memory.MessageWindowChatMemory;
import org.springframework.web.bind.annotation.GetMapping;
import org.springframework.web.bind.annotation.RestController;/*** 高级封装ChatClient*/
@RestController
@Slf4j
class MessageChatMemoryAdvisorController {private final ChatClient chatClient;private ChatMemory chatMemory;public MessageChatMemoryAdvisorController(ChatClient.Builder chatClientBuilder) {chatMemory = MessageWindowChatMemory.builder().maxMessages(2) // 保留最近的2条消息.build();this.chatClient = chatClientBuilder.clone().defaultAdvisors(MessageChatMemoryAdvisor.builder(chatMemory).build())  // 通过MessageChatMemoryAdvisor策略进行组装对话消息.build();}@GetMapping("/chatMessageChatMemoryAdvisor")public void chatMessageChatMemoryAdvisor() {// 对话ID,业务上唯一对话标识String conversationId = "002";String question1 = "你的名字叫做狗蛋,会讲普通话、潮汕话";String responseContent1 = chatClient.prompt().user(question1).advisors(a -> a.param(ChatMemory.CONVERSATION_ID, conversationId)).call().content();log.info("用户第1次提问：{}",question1);log.info("AI第1次回复:{}",responseContent1);log.info("第1次对话后记忆存储消息：{} \n\n", JSON.toJSONString(chatMemory.get(conversationId)));String question2 = "你的名字是什么?仅需回答名字即可,不要输出其他无关内容";String responseContent2 = chatClient.prompt().user(question2).advisors(a -> a.param(ChatMemory.CONVERSATION_ID, conversationId)).call().content();log.info("用户第2次提问：{}",question2);log.info("AI第2次回复:{}",responseContent2);log.info("第2次对话后记忆存储消息：{} \n\n",JSON.toJSONString(chatMemory.get(conversationId)));String question3 = "你会讲什么话？";String responseContent3 = chatClient.prompt().user(question3).advisors(a -> a.param(ChatMemory.CONVERSATION_ID, conversationId)).call().content();log.info("用户第3次提问：{}",question3);log.info("AI第3次回复:{}",responseContent3);log.info("第3次对话后记忆存储消息：{} \n\n",JSON.toJSONString(chatMemory.get(conversationId)));}}

3.4.3 PromptChatMemoryAdvisor

和上面MessageChatMemoryAdvisor代码仅defaultAdvisors 处配置的不一样

    public PromptChatMemoryAdvisorController(ChatClient.Builder chatClientBuilder) {chatMemory = MessageWindowChatMemory.builder().maxMessages(2) // 保留最近的2条消息.build();this.chatClient = chatClientBuilder.clone()
//                .defaultAdvisors(MessageChatMemoryAdvisor.builder(chatMemory).build())  // 通过MessageChatMemoryAdvisor策略进行组装对话消息.defaultAdvisors(PromptChatMemoryAdvisor.builder(chatMemory).build())  // 通过PromptChatMemoryAdvisor策略进行组装对话消息.build();}

完整代码：

package com.better.springai.history;import com.alibaba.fastjson2.JSON;
import lombok.extern.slf4j.Slf4j;
import org.springframework.ai.chat.client.ChatClient;
import org.springframework.ai.chat.client.advisor.PromptChatMemoryAdvisor;
import org.springframework.ai.chat.memory.ChatMemory;
import org.springframework.ai.chat.memory.MessageWindowChatMemory;
import org.springframework.web.bind.annotation.GetMapping;
import org.springframework.web.bind.annotation.RestController;/*** 高级封装ChatClient*/
@RestController
@Slf4j
class PromptChatMemoryAdvisorController {private final ChatClient chatClient;private ChatMemory chatMemory;public PromptChatMemoryAdvisorController(ChatClient.Builder chatClientBuilder) {chatMemory = MessageWindowChatMemory.builder().maxMessages(2) // 保留最近的2条消息.build();this.chatClient = chatClientBuilder.clone()
//                .defaultAdvisors(MessageChatMemoryAdvisor.builder(chatMemory).build())  // 通过MessageChatMemoryAdvisor策略进行组装对话消息.defaultAdvisors(PromptChatMemoryAdvisor.builder(chatMemory).build())  // 通过PromptChatMemoryAdvisor策略进行组装对话消息.build();}@GetMapping("/chatPromptChatMemoryAdvisor")public void chatPromptChatMemoryAdvisor() {// 对话ID,业务上唯一对话标识String conversationId = "002";String question1 = "你的名字叫做狗蛋,会讲普通话、潮汕话";String responseContent1 = chatClient.prompt().user(question1).advisors(a -> a.param(ChatMemory.CONVERSATION_ID, conversationId)).call().content();log.info("用户第1次提问：{}",question1);log.info("AI第1次回复:{}",responseContent1);log.info("第1次对话后记忆存储消息：{} \n\n", JSON.toJSONString(chatMemory.get(conversationId)));String question2 = "你的名字是什么?仅需回答名字即可,不要输出其他无关内容";String responseContent2 = chatClient.prompt().user(question2).advisors(a -> a.param(ChatMemory.CONVERSATION_ID, conversationId)).call().content();log.info("用户第2次提问：{}",question2);log.info("AI第2次回复:{}",responseContent2);log.info("第2次对话后记忆存储消息：{} \n\n",JSON.toJSONString(chatMemory.get(conversationId)));String question3 = "你会讲什么话？";String responseContent3 = chatClient.prompt().user(question3).advisors(a -> a.param(ChatMemory.CONVERSATION_ID, conversationId)).call().content();log.info("用户第3次提问：{}",question3);log.info("AI第3次回复:{}",responseContent3);log.info("第3次对话后记忆存储消息：{} \n\n",JSON.toJSONString(chatMemory.get(conversationId)));}}

四、参考资料

4.1 Spring AI官网文档

  • Chat Memory :: Spring AI Reference
  • Chat Client API :: Spring AI Reference

最后：如果文章对你有帮助，别忘了点赞支持一下，谢谢~

http://www.xdnf.cn/news/1162189.html

相关文章：

  • 江苏思必驰科技25Java实习面经
  • HTTP,HTTPS
  • 服务器系统时间不准确怎么办？
  • 图论基本算法
  • 部署Zabbix企业级分布式监控
  • 【Unity基础】Unity中2D和3D项目开发流程对比
  • Unity 插件Resize Pro 最快的 Texture2D 调整大小工具
  • Elasticsearch 是 NVIDIA Enterprise AI Factory 验证设计中推荐的向量数据库
  • 数据结构堆的实现（C语言）
  • Web3.0 能为你带来哪些实质性的 改变与突破
  • Vue 脚手架——render函数
  • 【算法笔记】树状数组
  • Linux学习之Linux系统权限
  • 《C++》函数内联，auto关键字
  • 用基础模型构建应用（第十章）AI Engineering: Building Applications with Foundation Models学习笔记
  • 探索无广告音乐世界：MusicFree 免费播放器
  • 海康威视视觉算法岗位30问及详解
  • BERT 的“池化策略”
  • 【NLP舆情分析】基于python微博舆情分析可视化系统(flask+pandas+echarts) 视频教程 - 主页布局实现
  • Three.js 立方体贴图（CubeMap）完全指南：从加载到应用
  • 大模型高效适配：软提示调优 Prompt Tuning
  • Python高效入门指南
  • 深入详解随机森林在放射治疗计划优化中的应用及实现细节
  • 部署 Zabbix 企业级分布式监控
  • Levels checking (filtering) in logging module
  • 大腾智能国产3D CAD软件正式上架华为云云商店
  • Pytorch01：深度学习中的专业名词及基本介绍
  • Linux的磁盘存储管理实操——（中）——逻辑卷管理实战
  • JavaScript的引入方式和基础语法的快速入门与学习
  • 【Linux】重生之从零开始学习运维之Mysql安装