当前位置：首页 > news >正文

SpringAI实战：ChatModel智能对话全解

news 2025/6/10 7:29:02

一、引言：Spring AI 与 Chat Model 的核心价值 🚀

在 Java 生态中集成大模型能力，Spring AI 提供了高效的解决方案 🤖。其中 Chat Model 作为核心交互组件，通过标准化接口简化了与大语言模型（LLM）的文本交互流程 ✨。本文结合 Alibaba DashScope 实践案例，从原理、代码实现到进阶用法，全面解析如何利用 Chat Model 构建智能对话应用 �‍💻

二、Chat Model 核心概念与工作原理 🧠

2.1 什么是 Chat Model？ 🤔

Chat Model 是 Spring AI 定义的文本对话模型接口，抽象了应用与大模型的交互逻辑：

输入 📥：使用 Prompt 封装用户输入，支持纯文本及多角色对话（如系统指令、用户问题）。
输出 📤：通过 ChatResponse 返回结构化结果，包含模型生成的文本内容及元数据（如 Token 消耗）。

2.2 工作原理与架构优势 ⚙️

交互流程 🔄：接收 Prompt 后，Chat Model 将请求转发至后端大模型（如通义千问），基于训练数据生成响应，最终由应用处理并呈现。
跨模型适配 🔌：通过 spring-ai-alibaba-starter 自动配置，支持无缝切换通义系列模型（QWEN_PLUS、QWEN_TURBO 等），底层网络请求与参数校验由框架统一管理。

三、Chat Model 基础使用：从简单对话到参数配置 🛠️

3.1 环境准备与依赖注入 ⚗️

// 自动注入 ChatModel 实例（由 spring-ai-alibaba 自动配置）
private final ChatModel dashScopeChat;public DashScopeChatController(ChatModel dashScopeChat) {this.dashScopeChat = dashScopeChat;
}

3.2 简单对话：预设角色与固定 Prompt 💬

@GetMapping("/simpleChat")
public BaseResponse<String> simpleChat() {// 预设系统角色（情感专家）👩⚕️String PROMOTE_CHAT = "你是一位经验丰富的情感专家，擅长处理复杂的人际关系和情感问题...";// 调用模型并获取文本响应ChatResponse chatResponse = dashScopeChat.call(new Prompt(PROMOTE_CHAT)); //调用模型// 获取模型响应的文本String text = chatResponse.getResult().getOutput().getText();return ResultUtils.success(text);
}

核心逻辑 🧐：通过 Prompt 传递固定指令，模型基于预设角色生成回复，适用于客服、问答机器人等场景 🤖.

3.3 动态输入：接收用户问题并构建完整 Prompt 🎯

/*** 简单对话 使用prompt作为用户的输入* @return*/
@PostMapping("/chatWithRole")
public CompletableFuture<BaseResponse<String>> ChatWithRole(@RequestBody ChatRequest chatRequest) {return CompletableFuture.supplyAsync(() -> {String content = chatRequest.getContent();if (StringUtils.isBlank(content)) {throw new BusinessException(ErrorCode.PARAMS_ERROR);}String fullPrompt = PROMOTE_CHAT + "\n\n用户的问题：" + content;ChatResponse chatResponse = dashScopeChat.call(new Prompt(fullPrompt));String text = chatResponse.getResult().getOutput().getText();return ResultUtils.success(text);});
}

实践要点 ⚠️：校验用户输入合法性（如 StringUtils.isBlank），避免空参数导致的异常 🚨

四、进阶用法：参数调优与流式响应 🚀

4.1 自定义模型参数（Temperature/MaxToken 等） 🎛️

/*** 通过 ChatOptions 在每次调用中调整模型参数* @param chatRequest* @return*/
@PostMapping("/chatWithOptions")
public BaseResponse<String> ChatWithOptions(@RequestBody ChatRequest chatRequest) {String content = chatRequest.getContent();if (StringUtils.isBlank(content)) {throw new BusinessException(ErrorCode.PARAMS_ERROR);}String fullPrompt = PROMOTE_CHAT + "\n\n用户的问题：" + content;Prompt prompt = new Prompt(fullPrompt, DashScopeChatOptions.builder().withModel(DashScopeApi.ChatModel.QWEN_PLUS.getModel()).withTemperature(0.7).withMaxToken(150).build());ChatResponse chatResponse = dashScopeChat.call(prompt); //调用模型// 获取模型响应的文本String text = chatResponse.getResult().getOutput().getText();return ResultUtils.success(text);
}

参数价值 💎：通过 Temperature 平衡回答的创造性与确定性，MaxToken 避免长文本导致的性能问题 ⚡

4.2 流式响应：实现 "打字机" 效果 ⌨️

@PostMapping("/chatAndStringWithOptions")
public Flux<String> ChatAndStreamWithOptions(@RequestBody ChatRequest chatRequest, HttpServletResponse response) {response.setContentType("text/event-stream");response.setCharacterEncoding("UTF-8");String content = chatRequest.getContent();if (StringUtils.isBlank(content)) {throw new BusinessException(ErrorCode.PARAMS_ERROR);}String fullPrompt = PROMOTE_CHAT + "\n\n用户的问题：" + content;Prompt prompt = new Prompt(fullPrompt, DashScopeChatOptions.builder().withModel(DashScopeApi.ChatModel.QWEN_PLUS.getModel()).withTemperature(0.7).withMaxToken(150).build());Flux<ChatResponse> responseStream = dashScopeChat.stream(prompt);//调用模型// 获取模型响应的文本return responseStream.mapNotNull(res -> res.getResult().getOutput().getText());
}

技术优势 🏆：基于 Reactor 响应式编程，实时推送部分生成结果，提升用户交互体验 ✨，适合长文本生成场景 📜