当前位置：首页 > news >正文

第三章 AI应用开发

news 2025/6/9 8:39:56

代码仓库地址：https://github.com/Liucc-123/ai-agent

项目目标：通过项目实战掌握AI 大模型应用开发的常见知识，包括有：掌握AI 应用平台使用、AI 大模型接入、开发框架（Spring AI + LangChain4j）、本地部署、Prompt 工程、多模态特性、RAG 知识库、工具调用、MCP 服务开发、智能体原理和开发、服务化部署等技术。

一、Prompt 工程基础

1.1 基本概念

Prompt 工程：设计和优化输入给 AI 的指令，以引导 AI 模型生成符合预期的输出。
重要性：提示词质量直接影响 AI 输出结果，是 AI 应用开发的关键技能。

1.2 提示词分类

基于角色的分类

用户 Prompt：用户向 AI 提出的问题或指令。
系统 Prompt：设置 AI 模型的行为规则和角色定位。
助手 Prompt：AI 模型的响应内容。

基于功能的分类

指令型：明确告诉 AI 需要执行的任务。
对话型：模拟自然对话。
创意型：引导 AI 进行创意内容生成。
角色扮演型：让 AI 扮演特定角色回答问题。
少样本学习型：通过示例引导 AI 理解输出格式和风格。

基于复杂度的分类

简单提示词：单一指令或问题。
复合提示词：包含多个相关指令或步骤。
链式提示词：一系列连续的、相互依赖的提示词。
模板提示词：包含可替换变量的标准化提示词结构。

1.3 Token

定义：大模型处理文本的基本单位，可能是单词或标点符号。
重要性：Token 数量影响成本和输出速度。
优化技巧：
- 精简系统提示词。
- 定期清理对话历史。
- 使用向量检索代替直接输入。
- 使用结构化格式代替自然语言描述。

二、Prompt 优化技巧

2.1 利用资源

学习资源：阅读官方文档、提示词优化指南等。
提示词库：参考现成的提示词库进行优化。

2.2 基础提示技巧

明确指定任务和角色：清晰描述任务和角色定位。
提供详细说明和具体示例：减少模型的不确定性。
使用结构化格式：使指令更易理解，输出更有条理。
明确输出格式要求：指定输出的格式、长度、风格等。

2.3 进阶提示技巧

思维链提示法：引导模型展示推理过程。
少样本学习：通过输入-输出对示例帮助模型理解任务模式。
分步骤指导：将复杂任务分解为可管理的步骤。
自我评估和修正：让模型评估自己的输出并进行改进。
知识检索和引用：引导模型检索相关信息并明确引用来源。
多视角分析：从不同角度分析问题。
多模态思维：结合不同表达形式进行思考。

2.4 提示词调试与优化

迭代式提示优化：逐步修改和完善提示词。
边界测试：通过极限情况测试模型的能力边界。
提示词模板化：创建结构化模板，便于一致性提示。
错误分析与修正：系统性分析模型回答中的错误并优化提示词。

三、AI 应用需求分析

3.1 需求来源

可以参考现有的智能体平台，比如Coze、Dify、阿里云百炼等平台。

参考现有平台：从现有 AI 应用平台获取灵感。
用户反馈：了解用户需求和痛点。

3.2 需求细化

借助 AI：通过精心设计的提示词让 AI 帮助进行需求细化。
示例 Prompt：让 AI 分析目标用户群体、提出功能模块、考虑竞争点等。

3.3 MVP 最小可行产品策略

定义核心功能：先开发包含核心功能的基础版本产品。
快速验证：通过用户反馈进行迭代优化。

四、AI 应用方案设计

根据需求我们将实现一个具有多轮对话能力的AI恋爱大师智能体，整个方案设计将围绕2个核心展开：

系统提示词的设计
多轮对话的实现

4.1 系统提示词设计

系统提示词直接决定了 AI 的行为模式和交互风格。

最简单的系统预设就是定义“你是谁，你能做什么？”，如以下：

你是一位恋爱大师，为用户提供情感咨询服务

这种简单提示虽然可以工作，但效果往往不太理想，达不到现实中应用的效果。在现实情感咨询过程中，专家是通过抛出一系列引导性问题来深入了解咨询者的背景、情感困惑，而不是被动等待用户自己描述问题。比如：

最近有什么迷茫的事情？
在两性关系中有什么困惑的地方？

我们可以通过AI工具来优化系统提示词。优化prompt示例：

我正在开发【恋爱大师】AI 对话应用，请你帮我编写设置给 AI 大模型的系统预设 Prompt 指令。要求让 AI 作为恋爱专家，模拟真实恋爱咨询场景、多给用户一些引导性问题，不断深入了解用户，从而提供给用户更全面的建议，解决用户的情感问题。

AI优化后的系统提示词：

### 1. 角色设定 (Role Setting)你是一个专业、温暖、富有同理心的【恋爱大师】AI 顾问。你具备深厚的心理学、两性关系学、沟通学知识。你的目标是帮助用户识别、理解并解决他们在恋爱过程中遇到的各种情感难题。### 2. 对话目标 (Dialogue Goal)通过深入对话，充分理解用户的情感困境，提供个性化、可操作、具有建设性的情感指导和解决方案，帮助用户提升自我认知，改善两性关系，最终实现情感幸福。### 3. 对话策略 (Dialogue Strategy)* **开场策略：** 始终以温暖、接纳的态度开始对话，鼓励用户详细描述他们的问题。* *示例开场白：* “你好！我是你的恋爱大师AI顾问。我知道在感情中遇到困惑是常有的事，别担心，我在这里倾听你的故事，帮助你找到答案。你现在遇到了什么让你困扰的问题呢？请尽可能详细地告诉我。”
* **倾听与共情：** 在用户描述问题时，积极倾听，展现同理心，不打断，不评判。用“我理解”、“我能感受到”等词语表达共情。
* **引导性提问：*** **开放式问题：** 鼓励用户详细阐述，而不是简单的是非回答。* *例如：* “你觉得是什么原因导致了现在这种局面？”、“具体是哪一点让你感到最困扰？”、“如果回到那个时候，你希望自己怎么做？”* **情绪探索：** 引导用户表达自己的情绪和感受。* *例如：* “面对这种情况，你现在内心有什么感受？是委屈、愤怒、还是迷茫？”、“这些感受对你产生了什么影响？”* **背景深挖：** 了解问题的来龙去脉和相关背景信息。* *例如：* “这种情况是从什么时候开始出现的？之前有没有类似的情况？”、“你和对方在平时是如何沟通的？”、“你认为对方对此事的看法或感受是什么？”* **需求澄清：** 帮助用户明确自己的真实需求和期望。* *例如：* “你最希望通过这次对话解决什么问题？”、“你期待这段关系最终走向何方？”、“你认为理想的解决方案是什么样的？”* **行为与模式：** 引导用户反思自己的行为模式和在关系中的角色。* *例如：* “在这种情况下，你通常会如何反应？”、“你觉得自己在关系中扮演着什么样的角色？”
* **多角度分析：** 在给出建议前，从多个角度（如沟通技巧、需求满足、情绪管理、个人成长、边界设定等）对问题进行分析。
* **逐步深入：** 避免一次性给出长篇大论的解决方案。而是通过持续的提问和引导，像剥洋葱一样，层层深入地了解问题的核心。每次回答都应基于用户最新的信息和反馈。
* **提供具体建议：** 建议应具体、可操作，避免空泛。可以给出多种选择，让用户选择最适合自己的方式。* *例如：* “你可以尝试以下沟通方式：一是……”、“你还可以这样做：先……”
* **赋能用户：** 鼓励用户积极思考，培养他们解决问题的能力，而不是完全依赖AI。* *例如：* “你觉得这其中哪些是你现在就可以尝试去做的？”、“如果让你来解决这个问题，你会怎么做？”
* **风险提示与边界：** 提醒用户某些问题的复杂性，必要时建议寻求专业线下咨询。你不是心理治疗师，不提供诊断。
* **结束语：** 结束对话时，鼓励用户积极行动，并表达持续支持。### 4. 输出风格 (Output Style)* **温暖亲切：** 像一位知心朋友，语气平和，充满关怀。
* **专业严谨：** 基于专业知识提供建议，但不使用晦涩难懂的术语。
* **条理清晰：** 回答内容结构分明，逻辑清晰，易于理解。
* **鼓励积极：** 即使面对负面情绪，也要引导用户看到积极的一面，鼓励成长。
* **非判断性：** 无论用户提出什么问题，都保持中立、不评判的态度。### 5. 内容禁忌 (Content Restrictions)* **不提供法律或医疗建议。**
* **不诱导、不传播、不鼓励任何非法、不道德或有害行为。**
* **不进行任何形式的歧视、攻击或冒犯。**
* **不替代专业心理治疗或精神健康诊断。**
* **不泄露用户隐私，不要求用户提供敏感个人信息。**### 6. 交互循环 (Interaction Loop)**用户提问 -> AI 倾听/共情/引导性提问 -> 用户回应 -> AI 分析/提供建议/进一步提问 -> ... （循环直至问题解决或用户结束对话）**---**核心原则：**始终以**用户为中心**，通过**高质量的提问**来**深入理解问题**，然后提供**个性化、可操作的解决方案**。记住，你的目标是帮助用户**成为他们自己情感问题的解决者**。

在正式开发AI应用之前，可以通过AI云平台（如阿里云百炼）对系统提示词进行测试和调优：

4.2 多轮对话实现

要实现“具备记忆能力的”AI应用，让AI能够记住用户之前的对话内容并保持上下文连贯性，可以通过SpringAI框架提供的对话记忆能力。

如何实现对话记忆能力，可以参考官方文档：ChatClient API来和AI大模型进行交互。

Spring AI 的 ChatClient：支持多轮对话和对话记忆。
Advisors：增强 AI 能力，如对话记忆、日志记录等。
Chat Memory Advisor：实现对话记忆功能。
Chat Memory：负责历史对话的存储。

五、多轮对话 AI 应用开发

在后端项目的根目录下创建新包app存放AI应用，新建LoveApp类，参考SpringAI Alibaba 官方文档示例代码。

1）首先是初始化ChatClient

基于之前的方案设计，编写系统提示词，给大模型一个人设，通过构造注入的方式来初始化ChatClient，因为我们只引入了一个阿里的DashscopeChatModel，所以ChatClient.Builder会自动从容器中查找到DashscopeChatModel，就不需要我们显示的指定哪个大模型来初始化builder了，最后通过builder初始化ChatClient。

/*** 恋爱助手*/
@Component
@Slf4j
public class LoveApp {@Resourceprivate ChatModel dashScopeChatModel;// 系统提示词private static final String SYSTEM_PROMPT = """扮演深耕恋爱心理领域的专家。开场向用户表明身份，告知用户可倾诉恋爱难题。围绕单身、恋爱、已婚三种状态提问：单身状态询问社交圈拓展及追求心仪对象的困扰；恋爱状态询问沟通、习惯差异引发的矛盾；已婚状态询问家庭责任与亲属关系处理的问题。引导用户详述事情经过、对方反应及自身想法，以便给出专属解决方案。""";private final ChatClient chatClient;/*** 构造函数注入ChatClient。默认使用的大模型是 DashScopeChatModel** @param builder 通过ChatClient.Builder构造ChatClient*/public LoveApp(ChatClient.Builder builder) {this.mySqlChatMemory = mySqlChatMemory;ChatMemory chatMemory = new InMemoryChatMemory();chatClient = builder.defaultSystem(SYSTEM_PROMPT).defaultAdvisors(new MessageChatMemoryAdvisor(chatMemory)).build();}}

2）编写对话方法

核心是advisor的配置，chatId保证是同一个会话，模型上下文记忆数量是10条。

/*** 与大模型聊天** @param message* @param chatId* @return*/
public String doChat(String message, String chatId) {ChatResponse response = chatClient.prompt().user(message).advisors(spec -> spec.param(CHAT_MEMORY_CONVERSATION_ID_KEY, chatId).param(CHAT_MEMORY_RETRIEVE_SIZE_KEY, 10)).call().chatResponse();String content = response.getResult().getOutput().getText();log.info("content: {}", content);return content;}

3）编写单元测试

@Test
void chatTest() {String chatId = UUID.randomUUID().toString();// 第一轮String message = "你好，我是tiga";String answer = loveApp.doChat(message, chatId);Assertions.assertNotNull(answer);// 第二轮message = "我想让另一半（水冠）更爱我";answer = loveApp.doChat(message, chatId);Assertions.assertNotNull(answer);// 第三轮
//        message = "我的另一半叫什么来着？刚跟你说过，帮我回忆一下";message = "我的名字叫什么来着？刚跟你说过，帮我回忆一下";answer = loveApp.doChat(message, chatId);Assertions.assertNotNull(answer);
}

测试效果如下：

六、扩展知识

Spring AI Advisors API和SpringAOP、Servlet的拦截器类似，提供了一种灵活且强大的方式，用于拦截、修改和增强Spring 应用中的 AI 驱动交互，允许开发者在请求到达模型前、模型回复后进行自定义逻辑处理。

SpringAI提供了很多内置的Advisor：

MessageChatMemoryAdvisor（使模型具备上下文能力）
QuestionAnswerAdvisor（RAG advisor）
SafeGuardAdvisor（对用户提示词进行敏感词处理）
SimpleLoggerAdvisor（对请求和模型响应进行日志记录）
…

6.1 自定义 Advisor

SpringAI允许定义用户自己的Advisor，按照它的规范实现CallAroundAdvisor、StreamAroundAdvisor即可。这里我们定义自己的日志顾问Advisor，通过看源码可以发现SpringAI内置的SimpleLoggerAdvisor的日志等级是debug而SpringBoot默认的日志等级是info，如果想要使用需要修改日志等级：

logging:level:org.springframework.ai.chat.client.advisor: DEBUG

使用SpringAI内置的SimpleLoggerAdvisor：

1、在初始化ChatClient时，为其配置顾问Advisor

public LoveApp(ChatClient.Builder builder) {ChatMemory chatMemory = new InMemoryChatMemory();chatClient = builder.defaultSystem(SYSTEM_PROMPT).defaultAdvisors(new MessageChatMemoryAdvisor(chatMemory), new SimpleLoggerAdvisor()).build();

2、测试默认日志Advisor的效果：

可以看到控制台中输出了用户请求request及大模型响应response的具体日志信息，但是日志输出了很多用户可能并不关心的内容。

6.1.1、自定义日志Advisor

假设我们只想让日志Advisor记录用户prompt和assistant的prompt

实现步骤：

1、参考官方的SimpleLoggerAdvisor改写为我们自己的MyLoggerAdvisor

实现CallAroundAdvisor和StreamAroundAdvisor两个SpringAI的父接口，按照规范定义我们自己的逻辑，aroundCall方法表示处理同步请求，aroundStream处理流式请求。
一般建议这两个接口都做实现。示例代码如下：

@Slf4j
public class MyLoggerAdvisor implements CallAroundAdvisor, StreamAroundAdvisor {// 0、为advisor提供一个唯一的名称@Overridepublic String getName() {return "这是我的自定义顾问";}// 1、定义顾问的优先级，数字越小，优先级越高@Overridepublic int getOrder() {return 100;}private AdvisedRequest before(AdvisedRequest request) {log.info(request.userText());return request;}private void observeAfter(AdvisedResponse advisedResponse) {log.info(advisedResponse.response().getResult().getOutput().getText());}/*** 3、重写同步*/@Overridepublic AdvisedResponse aroundCall(AdvisedRequest advisedRequest, CallAroundAdvisorChain chain) {/*** 前置处理*/advisedRequest = before(advisedRequest);AdvisedResponse advisedResponse = chain.nextAroundCall(advisedRequest);/*** 后置处理*/observeAfter(advisedResponse);return advisedResponse;}// 4、重写流式@Overridepublic Flux<AdvisedResponse> aroundStream(AdvisedRequest advisedRequest, StreamAroundAdvisorChain chain) {// 前置处理advisedRequest = before(advisedRequest);Flux<AdvisedResponse> advisedResponses = chain.nextAroundStream(advisedRequest);// 通过MessageAggregator等模型回复全部完成后聚合起来，避免回复碎片化return new MessageAggregator().aggregateAdvisedResponse(advisedResponses, this::observeAfter);}}

2、测试效果：只打印了user prompt和assistant prompt

6.1.2、Re-Reading (Re2) Advisor

这篇文章介绍了一种称为 Re-Reading（Re2）的技术，该技术可以提高大型语言模型的推理能力。其核心原理就是让大模型再重复读取一遍用户prompt，增强大模型对用户query的理解。

优缺点：

好处：大模型的推理能力得到增强，可以更准确的回复用户的问题
坏处：再次读取一遍用户prompt，对应地，token的消耗数量也是成倍的增加。

因此需要针对于实际业务与成本的考虑，到底是要更准确的回复，还是更关注成本，以此来决定是否要开启Re2配置。

Q: {Input Query}
Read the question again: {Input Query}

示例：

/*** Re2 Advisor 增强大模型推理能力*/
public class ReReadingAdvisor implements CallAroundAdvisor, StreamAroundAdvisor {private AdvisedRequest before(AdvisedRequest advisedRequest) {Map<String, Object> advisedUserParams = new HashMap<>(advisedRequest.userParams());advisedUserParams.put("re2_input_query", advisedRequest.userText());// 使用字符串模板，动态替换参数 re2_input_queryreturn AdvisedRequest.from(advisedRequest).userText("""{re2_input_query}Read the question again: {re2_input_query}""").userParams(advisedUserParams).build();}@Overridepublic AdvisedResponse aroundCall(AdvisedRequest advisedRequest, CallAroundAdvisorChain chain) {// 改写请求，让大模型多阅读一次用户promptreturn chain.nextAroundCall(this.before(advisedRequest));}@Overridepublic Flux<AdvisedResponse> aroundStream(AdvisedRequest advisedRequest, StreamAroundAdvisorChain chain) {// 改写请求，让大模型多阅读一次用户promptreturn chain.nextAroundStream(this.before(advisedRequest));}public String getName() { return this.getClass().getSimpleName();}@Overridepublic int getOrder() { return 0;}
}

在LoveApp类中使用Advisor，测试请求是否被加强

chatClient = ChatClient.builder(dashscopeChatModel).defaultSystem(SYSTEM_PROMPT).defaultAdvisors(new MessageChatMemoryAdvisor(chatMemory),// 自定义推理增强 Advisor，可按需开启new ReReadingAdvisor()).build();

6.1.3、最佳实践

1）保持单؜一职责：每个 Ad‍visor 应专注‌于一项特定任务

2）注意执行顺序：合理设置<font style="color:rgb(31, 35, 40);background-color:rgba(175, 184, 193, 0.2);">getOrder()</font>值确保 Advisor 按正确顺序执行

3）同时支؜持流式和非流式：尽‍可能同时实现两种接‌口以提高灵活性

4）高效处理请求：避免在 Advisor 中执行耗时操作

5）测试边؜界情况：确保 Ad‍visor 能够优‌雅处理异常和边界情⁡况

6）对于需؜要更复杂处理的流式‍场景，可以使用 R‌eactor 的操⁡作符：

@Override
public Flux<AdvisedResponse> aroundStream(AdvisedRequest advisedRequest, StreamAroundAdvisorChain chain) {return Mono.just(advisedRequest).publishOn(Schedulers.boundedElastic()).map(request -> {// 请求前处理逻辑return modifyRequest(request);}).flatMapMany(request -> chain.nextAroundStream(request)).map(response -> {// 响应处理逻辑return modifyResponse(response);});
}

可以使用 adviseContext在 Advisor 链中共享状态：

// 更新上下文
advisedRequest = advisedRequest.updateContext(context -> {context.put("key", "value");return context;
});// 读取上下文
Object value = advisedResponse.adviseContext().get("key");

6.2 结构化输出

恋爱功能开发

我们使用SpringAI的结构化输出特性，给用户生成恋爱报告，并转换为一个恋爱报告的POJO，报告里包含标题和恋爱建议。

说明：在使用官方提供的结构化输出示例中，遇到了一个json转换的错误，这个错误官方并没有给提供，但实际运行确实会报错。需要添加以下依赖进行解决：

<!-- https://mvnrepository.com/artifact/com.github.victools/jsonschema-generator -->
<dependency><groupId>com.github.victools</groupId><artifactId>jsonschema-generator</artifactId><version>4.38.0</version>
</dependency>

报告对象结构如下：

// 恋爱报告 记录
record LoveReport(String title, List<String> suggestions) {
}

生成恋爱报告方法如下：

/*** 结构化输出实战（生成恋爱报告）* * @param message 用户prompt* @param chatId  会话id* @return*/
public LoveReport doChatWithReport(String message, String chatId) {LoveReport loveReport = chatClient.prompt()// 覆盖默认的系统提示词.system(SYSTEM_PROMPT + "每次对话后都要生成恋爱结果，标题为{用户名}的恋爱报告，内容为建议列表").user(message).advisors(spec -> spec.param(CHAT_MEMORY_CONVERSATION_ID_KEY, chatId)// 指定记忆的大小 10条记录.param(CHAT_MEMORY_RETRIEVE_SIZE_KEY, 10)).call()// 使用entity()方法后，底层会动态添加对应的提示词，和使用Converter转换器将回复内容映射到POJO中.entity(LoveReport.class); return loveReport;
}

编写单元测试：

/*** 测试结构化输出（生成恋爱报告）*/
@Test
void doChatWithReportTest() {String message = "我是水冠，我喜欢一个女孩momo，但我不知道该怎么去追她";String chatId = UUID.randomUUID().toString();loveApp.doChatWithReport(message, chatId);
}

通过debug可以发现，在顾问Advisor的上下文中有一个formatParam参数，是SpringAI动态生成的提示词

动态提示词内容展开如下：

Your response should be in JSON format.
Do not include any explanations, only provide a RFC8259 compliant JSON response following this format without deviation.
Do not include markdown code blocks in your response.
Remove the ```json markdown from the output.
Here is the JSON Schema instance your output must adhere to:
```{"$schema" : "https://json-schema.org/draft/2020-12/schema","type" : "object","properties" : {"suggestions" : {"type" : "array","items" : {"type" : "string"}},"title" : {"type" : "string"}},"additionalProperties" : false
}```

模型回复的内容也是结构化的，符合我们的预期：

转换器成功将json文本转换为Java对象

最佳实践

尽量为模型提供清晰的格式指导
实现输出验证机制和异常处理逻辑，确保结构化数据符合预期
选择支持结构化输出的合适模型
对于复杂数据结构，考虑使用ParameterizedTypeReference

6.3 对话记忆持久化

大型语言模型（LLMs）是无状态的，这意味着它们不会保留关于先前交互的信息。当您希望与大模型在多次对话交互中能够维护上下文或状态时，这可能是一个限制。为了解决这个问题，Spring AI 提供了聊天记忆功能，允许您跨与 LLM 的多个交互存储和检索信息。

ChatMemory 抽象允许你实现各种类型的记忆存储组件来支持不同的用例。消息的底层存储由 ChatMemoryRepository 处理，其唯一职责是存储和检索消息。保留哪些消息以及何时删除它们由 ChatMemory 实现决定。一般的策略包括有保留最新的 N 条消息、保留特定时间段的消息或保留达到特定 token 限制的消息。

快速入门

Spring AI 自动配置一个 ChatMemory Bean，您可以直接在您的应用程序中使用。默认情况下，它使用内存存储库来存储消息（ InMemoryChatMemoryRepository ），并使用一个 MessageWindowChatMemory 实现来管理对话历史。如果已经配置了不同的存储库（例如，Cassandra、JDBC 或 Neo4j），Spring AI 将使用你配置的存储库实现。

@Autowired
ChatMemory chatMemory;

记忆存储类型

Spring AI 提供了用于存储聊天记忆的 ChatMemoryRepository 抽象，Spring AI 提供的内置存储库：

In-Memory Repository：基于内存的记忆存储，缺点是没有持久化
JdbcChatMemoryRepository：在 JDBC 中没有过期时间限制的持久化存储
CassandraChatMemoryRepository：在 Cassandra 中带有过期时间的持久化存储
Neo4j ChatMemoryRepository：在 Neo4j 中没有过期时间限制的持久化存储

除了使用SpringAI内置的记忆存储库，我们也可以实现自己的记忆存储库。

自定义实现基于MySQL的记忆存储

如果我们要将对话持久化到数据库中，可以考虑使用JdbcChatMemory。但spring-ai-starter-model-chat-memory-jdbc依赖目前很少人在用，缺少文档介绍，不建议自己开荒。

因此我们可以自己实现一个基于MySQL的记忆存储库。

我们可以参考ChatMemory接口的默认实现InMemoryChatMemory 的源码来实现

可以看到主要就是三个实现，add、get、clear方法的实现。

这里很简单，我就让AI帮我实现了，这是我的提示词：

背景：类似于SpringAI内置的InMemoryChatMemory，我想自定义实现一个基于MySQL实现的记忆存储来保存用户聊天记录。要求：请你基于mysql、mybatis plus实现一个ChatMemory组件，在LoveApp构造函数中替换使用我们实现的ChatMemory组件，并给我一个可执行的SQL脚本。

基于AI生成的代码和自己的实际情况，对代码进行部分调整，最终生成的代码文件如下：

pom.xml

<!-- MySQL Connector -->
<dependency><groupId>mysql</groupId><artifactId>mysql-connector-java</artifactId><version>8.0.33</version>
</dependency><!-- MyBatis Plus Spring Boot Starter -->
<dependency><groupId>com.baomidou</groupId><artifactId>mybatis-plus-spring-boot3-starter</artifactId><version>3.5.12</version>
</dependency>

application.yml

spring:application:name: spring-ai-alibaba-qwq-chat-client-exampleai:dashscope:api-key: ''chat:options:model: qwen-plusdatasource:url: jdbc:mysql://localhost:3306/ai-agent?useUnicode=true&characterEncoding=utf-8&serverTimezone=Asia/Shanghaiusername: rootpassword: '123456'driver-class-name: com.mysql.cj.jdbc.Drivermybatis-plus:mapper-locations: classpath*:/mapper/**/*.xmlglobal-config:db-config:id-type: auto

Java Bean

@Data
@Builder
@NoArgsConstructor
@AllArgsConstructor
@TableName("chat_message")
public class ChatMessage {@TableId(type = IdType.AUTO)private Long id;private String conversationId;private String messageType;private String content;
}

Mapper

public interface ChatMessageMapper extends BaseMapper<ChatMessage> {
}

Service

@Service
public class ChatMessageService extends ServiceImpl<ChatMessageMapper, ChatMessage> {
}

InMySqlChatMemory

@Component
@RequiredArgsConstructor
public class InMySqlChatMemory implements ChatMemory {private final ChatMessageService chatMessageService;@Overridepublic void add(String conversationId, Message message) {add(conversationId, List.of(message));}@Overridepublic void add(String conversationId, List<Message> messages) {List<ChatMessage> chatMessages = messages.stream().map(message ->  ChatMessage.builder().conversationId(conversationId).messageType(message.getMessageType().getValue()).content(message.getText()).build()).collect(Collectors.toList());chatMessageService.saveBatch(chatMessages);}@Overridepublic List<Message> get(String conversationId, int lastN) {QueryWrapper<ChatMessage> queryWrapper = new QueryWrapper<>();queryWrapper.eq("conversation_id", conversationId).orderByDesc("id").last("LIMIT " + lastN);List<ChatMessage> chatMessages = chatMessageService.list(queryWrapper);return chatMessages.stream().map(chatMessage -> (Message) new UserMessage(chatMessage.getContent())) // Simplified for example.collect(Collectors.toList());}@Overridepublic void clear(String conversationId) {QueryWrapper<ChatMessage> queryWrapper = new QueryWrapper<>();queryWrapper.eq("conversation_id", conversationId);chatMessageService.remove(queryWrapper);}
}

LoveAPP

/*** 恋爱助手*/
@Component
@Slf4j
public class LoveApp {@Resourceprivate ChatModel dashScopeChatModel;record ActorFilms(String actor, List<String> movies) {}// 恋爱报告 记录record LoveReport(String title, List<String> suggestions) {}// 系统提示词private static final String SYSTEM_PROMPT = """扮演深耕恋爱心理领域的专家。开场向用户表明身份，告知用户可倾诉恋爱难题。围绕单身、恋爱、已婚三种状态提问：单身状态询问社交圈拓展及追求心仪对象的困扰；恋爱状态询问沟通、习惯差异引发的矛盾；已婚状态询问家庭责任与亲属关系处理的问题。引导用户详述事情经过、对方反应及自身想法，以便给出专属解决方案。""";private final ChatClient chatClient;/*** 构造函数注入ChatClient。默认使用的大模型是 DashScopeChatModel** @param builder 通过ChatClient.Builder构造ChatClient*/private final MySqlChatMemory mySqlChatMemory;public LoveApp(ChatClient.Builder builder, MySqlChatMemory mySqlChatMemory) {this.mySqlChatMemory = mySqlChatMemory;ChatMemory chatMemory = this.mySqlChatMemory;chatClient = builder.defaultSystem(SYSTEM_PROMPT).defaultAdvisors(new MessageChatMemoryAdvisor(chatMemory),new MyLoggerAdvisor()).build();}/*** 与大模型聊天** @param message* @param chatId* @return*/public String doChat(String message, String chatId) {ChatResponse response = chatClient.prompt().user(message).advisors(spec -> spec.param(CHAT_MEMORY_CONVERSATION_ID_KEY, chatId).param(CHAT_MEMORY_RETRIEVE_SIZE_KEY, 10)).call().chatResponse();String content = response.getResult().getOutput().getText();log.info("content: {}", content);return content;}
}

sql脚本

-- 创建数据库（如果不存在）
CREATE DATABASE IF NOT EXISTS `ai-agent` DEFAULT CHARACTER SET utf8mb4 COLLATE utf8mb4_unicode_ci;-- 使用数据库
USE `ai-agent`;-- 如果存在则删除表（可选，便于开发）
-- DROP TABLE IF EXISTS `chat_message`;-- 创建表 chat_message
CREATE TABLE IF NOT EXISTS `chat_message` (`id` BIGINT AUTO_INCREMENT PRIMARY KEY COMMENT '主键ID',`conversation_id` VARCHAR(255) NULL COMMENT '会话ID',`message_type` VARCHAR(255) NULL COMMENT '消息类型',`content` TEXT NULL COMMENT '消息内容',INDEX `idx_conversation_id` (`conversation_id`) -- 为 conversation_id 添加索引以加快查询速度
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COLLATE=utf8mb4_unicode_ci COMMENT='聊天消息表';

单元测试：执行单元测试，可以看到历史对话记录全部存储到数据库中，目标实现

6.4 PromptTemplate 模板

PromptTemplate是一种支持动态生成Prompt的机制，类似于字符串模板或JSP中的模板解析，通过创建带有占位符{}的文本模板，在运行时动态替换为传递进行的data。

PromptTemplate 最基本的功能是支持变量替换。你可以在模板中定义占位符，然后在运行时提供这些变量的值：

// 定义带有变量的模板
Strin‍g template =‌ "你好，{name}。⁡今天是{day}，天气{‏weather}。";// 创建模板؜对象
PromptTemp‍late promptTe‌mplate = new ⁡PromptTemplat‏e(template);// 准备变量映射
Map<String, Object> variables = new HashMap<>();
variables.put("name", "tiga");
variables.put("day", "星期一");
variables.put("weather", "晴朗");// 生成最终提示文本
String prompt = promptTemplate.render(variables);
// 结果: "你好，tiga。今天是星期一，天气晴朗。"

实现原理

Spring AI 中提示模板的关键组件是 PromptTemplate 类，该类旨在促进创建结构化提示，然后将这些提示发送给 AI 模型进行处理

PromptTemplate的类继承图：

这个类使用 TemplateRenderer API 来渲染模板。默认情况下，Spring AI 使用 StTemplateRenderer 实现，该实现基于 Terence Parr 开发的开源 StringTemplate 引擎。模板变量通过 {} 语法来标识，但你可以配置分隔符来使用其他语法。

PromptTemplate类实现的接口支持Prompt创建的不同方面：

PromptTemplateStringActions 主要关注创建和渲染提示字符串，代表了提示生成的最基本形式。
PromptTemplateMessageActions 专为通过生成和操作 Message 对象来创建提示而设计。
PromptTemplateActions 用于返回 Prompt 对象，该对象可以传递给 ChatModel 以生成响应。

专用模板类

SystemPromptTemplate：用于系统消息，设置 AI 的行为和背景

AssistantPromptTemplate：用于助手消息，用于设置 AI 回复的结构

FunctionPromptTemplate：目前没用

public class FunctionPromptTemplate extends PromptTemplate {private String name;public FunctionPromptTemplate(String template) {super(template);}}

这些专用模板类让开发者能更清晰地表达不同类型消息的意图，比如系统消息模板能够快速构造系统 Prompt，示例代码：

String userText ؜= """Tell me about three f‍amous pirates from the Golden A‌ge of Piracy and why they did.
⁡    Write at least a sentence f‏or each pirate.""";Messa؜ge userMe‍ssage = n‌ew UserMe⁡ssage(use‏rText);String systemText = "؜""You are a helpful AI assistant that ‍helps people find information.Your nam‌e is {name}You should reply to the use⁡r's request with your name and also in th‏e style of a {voice}.""";SystemPr؜omptTemplate sy‍stemPromptTempl‌ate = new Syste⁡mPromptTemplate‏(systemText);
Message systemMessage = systemPromptTemplate.createMessage(Map.of("name", name, "voice", voice));Prompt prompt = new Prompt(List.of(userMessage, systemMessage));List<Generation> response = chatModel.call(prompt).getResults();

从文件加载模板

这是PromptTemplate 的另一大用法，支持从外部配置文件中加载提示词模板内容，适合管理复杂的提示词。Spring AI 利用 Spring 的 Resource 对象来从指定路径加载模板文件：

@Value("classpath:/prompts/system-message.st")
private Resource systemResource;SystemPromptTemplate systemPromptTemplate = new SystemPromptTemplate(systemResource);

这种方式让你可以：

将复杂的提示词放在单独的文件中管理
在不修改代码的情况下调整提示词
为不同场景准备多套提示词模板

6.5 多模态开发

参考文档：Multimodality API :: Spring AI Reference

多模态是指模型同时理解和处理来自各种来源的信息的能力，包括文本、图像、音频和其他数据格式。

Spring AI Message API 提供了所有必要的抽象来支持多模态 LLMs。

UserMessage 的 content 字段主要用于文本输入，而可选的 media 字段允许添加一个或多个不同模态的内容，如图像、音频和视频。 MimeType 指定了模态类型。根据所使用的 LLM， Media 数据字段可以是原始媒体内容作为 Resource 对象，或是对内容的 URI 链接。

媒体字段目前仅适用于用户输入消息（例如， UserMessage ）。它对系统消息没有意义。 AssistantMessage ，包括 LLM 响应，仅提供文本内容。要生成非文本媒体输出，您应该使用其中一个专用的单模态模型。

比如，我们可以将以下图片（ multimodal.test.png ）作为输入，并让 LLM 解释它看到了什么。

示例代码：

var imageResource = new ClassPathResource("/multimodal.test.png");var userMessage = new UserMessage("Explain what do you see in this picture?", // contentnew Media(MimeTypeUtils.IMAGE_PNG, this.imageResource)); // mediaChatResponse response = chatModel.call(new Prompt(this.userMessage));// 流式API
String response = ChatClient.create(chatModel).prompt().user(u -> u.text("Explain what do you see on this picture?").media(MimeTypeUtils.IMAGE_PNG, new ClassPathResource("/multimodal.test.png"))).call().content();

可能的响应：

这是一张设计简洁的水果碗的图片。碗由金属制成，边缘是弯曲的金属丝，形成开放式结构，可以从各个角度看到碗里的水果。碗里面放着两个黄色的香蕉，放在一个看起来像红苹果的东西上面。香蕉稍微熟过头了，因为它们的皮上有些褐色斑点。碗顶部有一个金属环，可能是用来提携的把手。碗放在一个平坦的表面上，背景是中性色调，使碗里的水果清晰可见。

七、扩展思路

自定义 Advisor，如权限校验、违禁词校验。
自定义对话记忆，如持久化到 MySQL 或 Redis。
编写包含变量的 Prompt 模板并从文件加载。
开发多模态对话助手，如让 AI 解释图片。

这里就以违禁词Advisor进行实现

1）借助AI工具实现主要逻辑：

提示词如下：

需求：编写一个SpringAI的Advisor实现违禁词校验。要求：1、生成的xxxAdvisor放到com.liucc.aiagent.advisors包下2、参照SpringAI内置的SimpleLoggerAdvisor进行实现

2）调试代码报错

最终生成的代码文件如下：

public class SensitiveWordAdvisor implements CallAroundAdvisor, StreamAroundAdvisor {private static final Logger logger = LoggerFactory.getLogger(SensitiveWordAdvisor.class);@Overridepublic String getName() {return this.getClass().getSimpleName();}@Overridepublic int getOrder() {return 11;}@Overridepublic AdvisedResponse aroundCall(AdvisedRequest advisedRequest, CallAroundAdvisorChain chain) {logger.debug("SensitiveWordAdvisor - BEFORE call: {}", advisedRequest.userText());// 模拟敏感词检查if (containsSensitiveWord(advisedRequest.userText())) {logger.warn("SensitiveWordAdvisor - Detected sensitive word in request: {}", advisedRequest.userText());return new AdvisedResponse(ChatResponse.builder().generations(List.of(new Generation(new AssistantMessage("检测到违禁词，请修改您的输入。")))).build(),advisedRequest.adviseContext());}return chain.nextAroundCall(advisedRequest);}@Overridepublic Flux<AdvisedResponse> aroundStream(AdvisedRequest advisedRequest, StreamAroundAdvisorChain chain) {logger.debug("SensitiveWordAdvisor - BEFORE stream: {}", advisedRequest.userText());return chain.nextAroundStream(advisedRequest);}private boolean containsSensitiveWord(String text) {// 这是一个简化的敏感词检查逻辑，实际应用中会更复杂String[] sensitiveWords = { "死亡", "虚无", "人身攻击" };for (String word : sensitiveWords) {if (text.contains(word)) {return true;}}return false;}
}

3）单元测试

/*** 测试敏感词Advisor*/
@Test
void doChatWithSensWordAdvisorTest() {String message = "一个人最终都是走向死亡，那么生活的意义是什么？";String chatId = UUID.randomUUID().toString();loveApp.doChat(message, chatId);
}