Spring AI 2.0 经典面试题 · 10 道（结合真实面试高频考点）

Corey2026/7/19大约 11 分钟面试题面试题

来源：Spring AI 2.0 经典面试题 · 10 道（结合真实面试高频考点）

基于 Spring AI 2.0 官方文档 + 2025/2026 大厂 AI 应用岗真实面试趋势整理。每题标注【难度】和【面试来源】，答案聚焦 Spring AI 2.0 具体机制，不说废话。

Q1：ChatClient 和 ChatModel 有什么区别？为什么日常开发用 ChatClient？

【难度：⭐⭐】【来源：大厂高频，基本必问】

核心区别：

维度
ChatModel
ChatClient

层级
低层模型抽象
高层流式 API，包装 ChatModel

类比
JDBC 的 Connection
JPA 的 Repository

Prompt 组装
手动构建 Prompt 对象
.prompt().system().user() 链式调用

工具调用
不自动执行，需手动用 ToolCallingManager 驱动循环
ToolCallingAdvisor 自动执行

工具语义
ChatOptions.toolCallbacks() 是替换语义，覆盖默认配置
.tools() 是追加语义，与 .defaultTools() 取并集

结构化输出
需手动解析
.entity() 一行搞定

Advisor
不支持
支持顾问链注入

面试加分话术：ChatModel 是"裸调用"，ChatClient 是"工程化调用"。生产环境选 ChatClient，因为工具自动执行、Advisor 链、记忆管理都封装好了。只有在需要极致控制（如自定义 Tool 循环逻辑）时才直接用 ChatModel。

Q2：Advisor 顾问链的执行顺序如何影响 Tool Calling 和 Memory 的交互？

【难度：⭐⭐⭐⭐】【来源：2026 大厂真题，Spring AI 2.0 独有陷阱】

核心机制：Advisor 按 getOrder() 升序排列，ToolCallingAdvisor 默认 order = HIGHEST_PRECEDENCE + 300。

Memory Advisor 的 order 决定其在 Tool 循环的位置：

位置
条件
行为
注意事项

循环内
order < DEFAULT_ORDER
每次工具调用都会触发 Memory Advisor，能记住中间工具结果
必须 disableInternalConversationHistory() 避免重复；必须选支持 Tool Call 消息的仓库（InMemory/Redis/Neo4j）

循环外
order > DEFAULT_ORDER
只在最终结果时执行，只记住最终对话
不存储中间工具调用历史；省 token

面试关键点：

如果 Memory 在循环内但没设置 disableInternalConversationHistory()，会导致对话历史重复注入，模型被同一轮工具调用信息淹没。
JDBC/Cassandra/MongoDB 仓库不支持 Tool Call 消息，如果 Memory 在循环内用了这些仓库，工具调用消息会被丢弃，模型看不到之前的工具结果。

递归机制：ToolCallingAdvisor 通过 chain.copy(this) 实现递归——工具结果会重新经过链中前面的 Advisor（如 Memory Advisor），这是 Spring AI 2.0 独有的设计。

Q3：Spring AI 的 Tool Calling 有三种定义方式，分别适合什么场景？returnDirect 有什么作用？

【难度：⭐⭐⭐】【来源：面试鸭/面试鸭真题 + CSDN高频题】

三种方式对比：

方式
适用场景
特点

@Tool 注解
声明式，最简单
适合方法级工具，returnDirect=true 可直接返回工具结果不再经过模型

MethodToolCallback
编程式方法
运行时动态绑定方法

FunctionToolCallback
Lambda 式
最灵活，适合函数式接口

returnDirect** 机制**：

正常流程：模型调用工具 → 工具结果回传模型 → 模型生成最终回答
returnDirect=true：模型调用工具 → 工具结果直接返回给用户，跳过模型二次生成
适用场景：查询类工具（天气、汇率），结果本身就是最终答案，不需要模型再加工

面试陷阱：ChatClient 的 .tools() 是追加语义（与 .defaultTools() 取并集），ChatModel 的 ChatOptions.toolCallbacks() 是替换语义。混用会导致工具丢失。

Q4：Spring AI 2.0 提供两种 RAG 实现——Naive RAG 和 Modular RAG，区别是什么？生产环境选哪个？

【难度：⭐⭐⭐⭐】【来源：AI应用岗高频RAG题 + 腾讯云面试题】

对比：

维度
QuestionAnswerAdvisor（Naive RAG）
RetrievalAugmentationAdvisor（Modular RAG）

流程
一步检索+生成
Pre-Retrieval → Retrieval → Post-Retrieval → Generation

查询变换
不支持
CompressionQueryTransformer / RewriteQueryTransformer / MultiQueryExpander

多路检索
不支持
可配置多个 DocumentRetriever 并行检索后合并

动态过滤
仅构建时固定
FILTER_EXPRESSION 上下文参数动态传递

适用场景
简单问答、Demo
生产环境、复杂检索需求

生产选 Modular RAG 的理由：

查询变换：多轮对话中 "那它的价格呢？" → 通过 CompressionQueryTransformer 压缩为 "iPhone 15 的价格是多少？"
多路检索：向量检索 + 关键词检索并行，覆盖语义匹配和精确匹配
动态过滤：按用户权限/租户 ID 动态过滤检索结果，"user_id == '" + currentUserId + "'"

面试加分：Naive RAG 是入门级，生产必须 Modular RAG。核心价值在于 Pre-Retrieval 阶段的查询变换——用户原话往往不是最优检索词。

Q5：Spring AI 的结构化输出 `.entity()` 有什么限制？Schema 验证重试机制怎么工作？

【难度：⭐⭐⭐】【来源：面试鸭真题 + JavaUp速查】

三大限制：

.entity() 仅支持 .call()（同步调用），不支持 .stream()
流式场景需手动解析或自定义 StructuredOutputConverter
模型可能生成不符合 Schema 的 JSON（尤其复杂嵌套结构）

Schema 验证重试机制（validateSchema()）：

模型返回JSON → 验证是否符合Schema → 
  ├── 符合 → 返回结果
  └── 不符合 → 将错误信息作为反馈注入Prompt → 重新请求模型（最多3次）
       ├── 3次内成功 → 返回
       └── 超过3次 → 返回最后一次结果（可能不符合Schema）

Provider 级别 vs Prompt 注入：

方式
机制
准确性
适用范围

Prompt 注入（默认）
Schema 注入 Prompt 文本
依赖模型理解
所有模型

useProviderStructuredOutput()
API 参数强制约束
API 层保证
仅支持特定 Provider（如 OpenAI JSON mode）

面试答题技巧：先说限制（不支持流式），再说解决方案（Provider 级别输出 + Schema 验证重试），最后提可组合使用。

Q6：Spring AI 的 Chat Memory 如何实现多用户多会话隔离？MessageWindowChatMemory 的淘汰策略有什么特别之处？

【难度：⭐⭐⭐】【来源：面试鸭 + 腾讯云面试真题】

多用户隔离：通过 ChatMemory.CONVERSATION_ID 实现——每用户每对话分配唯一 ID。

chatClient.prompt()
    .user("What's my name?")
    .advisors(spec -> spec.param(ChatMemory.CONVERSATION_ID, "session-123"))
    .call().content();

MessageWindowChatMemory 淘汰策略（这是面试亮点）：

不是简单移除最旧的一条，而是在对话轮次边界处截断：

淘汰前（maxMessages=5）：
[User, Assistant, User, Assistant, User, Assistant, User]
                                                    ^ 超出限制

淘汰后：
[User, Assistant, User]  ← 保留最近完整轮次，不会把一轮对话拆成两半

仓库选择关键：

仓库
支持 Tool Call 消息
适用场景

InMemory
✅
开发测试

JDBC (PG/MySQL)
❌
生产环境（但不能存工具调用消息）

Redis
✅
高速缓存 + Tool Calling

Neo4j
✅
图数据库场景

面试陷阱：如果你的应用用了 Tool Calling，却选了 JDBC 仓库存记忆，工具调用消息会被丢弃——模型看不到之前的工具结果，后续对话断裂。

Q7：Spring AI 2.0 的 MCP 协议集成解决了什么问题？Windows 下 STDIO 传输有什么坑？

【难度：⭐⭐⭐】【来源：2026 大厂 AI Agent 面试真题 + Spring AI 官方文档陷阱】

MCP 解决的核心问题：标准化 AI 应用与外部工具/资源的交互协议。不再每个工具单独写适配代码，而是通过统一协议连接。

Spring AI 2.0 MCP 三层架构：

Application Layer（ChatClient, Tools, Resources）
    ↓
Session Layer（McpClientSession, McpServerSession，协议协商、能力声明）
    ↓
Transport Layer（STDIO / SSE / Streamable-HTTP）

传输方式选择：

传输
适用场景
特点

STDIO
本地进程、命令行工具
标准输入/输出通信

SSE
HTTP 长连接
Server-Sent Events

Streamable-HTTP
MCP 推荐方式
HTTP 请求/响应，更现代

Stateless
Serverless
无状态，每请求独立

Windows STDIO 的坑（这是真实踩坑题）：

npm 安装的 MCP Server 是 .cmd 或 .bat 文件，直接调用会失败
必须用 cmd.exe /c 包装：

spring.ai.mcp.client.stdio.connections.npm-tool:
  command: cmd.exe
  args: ["/c", "npx", "@modelcontextprotocol/server-filesystem"]

2.0 破坏性变更：

mcp-spring-webflux/webmvc 包名从 io.modelcontextprotocol.sdk 迁移到 org.springframework.ai
MCP Java SDK 必须 1.0.0+

Q8：Workflow 和 Agent 有什么本质区别？Spring AI 的 Advisor 链属于哪种？5 种 Agentic 模式怎么选？

【难度：⭐⭐⭐⭐⭐】【来源：2026 大厂 Agent 面试真题，最高频方向】

本质区别：

维度
Workflow（工作流）
Agent（智能体）

路径
预定义代码路径
模型动态决定路径

控制
开发者控制
模型自主控制

可预测性
高
低

灵活性
低
高

Spring AI 的归属：Advisor 链本质是 Workflow（开发者编排固定链路），Tool Calling 循环具有 Agent 特性（模型自主决定调什么工具、调几次）。

5 种 Agentic 模式速选：

模式
核心思路
适用场景

Chain
A→B→C 线性串行
翻译→摘要→格式化

Parallelization
并行执行后合并
情感分析+关键词提取+实体识别同时做

Routing
分类后走不同分支
客服/技术/销售三路分流

Orchestrator-Workers
LLM 动态分解子任务
复杂研究任务，子任务数量不确定

Evaluator-Optimizer
生成→评估→优化循环
代码审查、文档润色、翻译优化

面试话术：先说区别（Workflow 可预测 vs Agent 灵活），再说 Spring AI 的 Advisor 链是 Workflow、Tool Calling 是 Agent，最后说 5 种模式从简单到复杂递进，可组合使用。StructuredOutputValidationAdvisor 其实就是 Evaluator-Optimizer 模式的特例。

Q9：RAG 权限隔离怎么做？为什么不能靠 Prompt 告诉模型"不要泄露别人的数据"？

【难度：⭐⭐⭐⭐⭐】【来源：银行/政企场景真实面试题，安全红线】

为什么 Prompt 约束不可靠：

Prompt 是"建议"，模型可能忽略
即使模型遵守了，攻击者可通过精心构造的提问绕过
银行/政企面试官会直接追问：你的权限是工程级还是靠模型自觉？

Spring AI 2.0 的正确做法——元数据前置过滤：

入库时：文档元数据带 tenant_id、role、department、owner
检索时：从用户上下文动态生成过滤条件 → 先过滤再召回

chatClient.prompt()
    .user("查询我的文档")
    .advisors(spec -> spec.param(
        RetrievalAugmentationAdvisor.FILTER_EXPRESSION,
        "tenant_id == '" + currentTenantId + "'"
    ))
    .call().content();

召回后：二次权限校验——即使向量库过滤有遗漏，服务端再检查引用文档的权限

面试加分：Spring AI 的 SearchRequest.filterExpression() 和 RetrievalAugmentationAdvisor.FILTER_EXPRESSION 上下文参数是工程级权限方案，不依赖模型自觉。

Q10：大模型接口慢，Java 线程池会被拖死吗？Spring AI 项目怎么做生产级治理？

【难度：⭐⭐⭐⭐】【来源：大厂生产排障真题，AI应用岗最高频追问】

会拖死——同步 Servlet 线程池有限（Tomcat 默认 200），一个模型调用可能 10-30 秒，高并发下线程池很快耗尽。

Spring AI 治理六层模型：

层
问题
解决方案

入口层
SSE 流中断
监听断开取消上游；Nginx 禁 buffering；心跳超时

线程层
线程池耗尽
独立线程池 / WebFlux 异步 / bulkhead 隔离

模型层
模型慢/超时
超时配置 + 重试 + fallback 降级到小模型

RAG层
越权/检索不准
元数据前置过滤 + 二次校验

工具层
调错业务API
Schema 约束 + 读写分离 + 写操作确认机制

观测层
成本突增
token 按租户拆账 + 预算熔断 + Micrometer 观测

Spring AI 2.0 的 Observability 支持：

观测点
名称

ChatClient 调用
spring.ai.chat.client

Advisor 执行
spring.ai.advisor

模型调用
gen_ai.client.operation

工具执行
spring.ai.tool

向量存储
db.vector.client.operation

关键配置：

spring.ai.chat.client.observations.log-prompt=true — 记录提示词
spring.ai.chat.observations.log-completion=true — 记录完成内容
spring.ai.tools.observations.include-content=true — 记录工具内容

面试话术："我不会把 Spring AI 项目只讲成调 ChatClient。生产排障先看入口层 SSE 和线程池，再看模型超时限流，RAG 问题拆检索和权限，Tool Calling 问题拆 Schema 和授权，最后用 Micrometer 把 Prompt、token、工具调用串起来。这样才能定位是模型问题、业务 API 问题，还是工程治理问题。"

📊 十题考点覆盖矩阵

题号
核心考点
难度
面试来源

Q1
ChatClient vs ChatModel
⭐⭐
大厂高频必问

Q2
Advisor 顺序 + Memory/Tool 交互
⭐⭐⭐⭐
2.0 独有陷阱

Q3
Tool Calling 三种方式 + returnDirect
⭐⭐⭐
面试鸭真题

Q4
Naive RAG vs Modular RAG
⭐⭐⭐⭐
AI应用岗高频

Q5
结构化输出限制 + Schema 重试
⭐⭐⭐
面试鸭真题

Q6
Chat Memory 隔离 + 淘汰策略
⭐⭐⭐
腾讯云真题

Q7
MCP 协议 + Windows STDIO 坑
⭐⭐⭐
Agent面试真题

Q8
Workflow vs Agent + 5种模式
⭐⭐⭐⭐⭐
大厂最高频

Q9
RAG 权限隔离（工程级 vs Prompt级）
⭐⭐⭐⭐⭐
银行/政企红线

Q10
生产治理六层模型 + Observability
⭐⭐⭐⭐
大厂追问真题

备考建议：Q1-Q3 是基础门槛（不会直接挂），Q4-Q7 是进阶区分（答好加分），Q8-Q10 是高阶实战（答出工程思维拿高分）。重点练 Q2（Advisor 顺序陷阱）、Q8（Workflow vs Agent）、Q9（权限红线）——这三道是 2026 大厂 AI 应用岗真正拉开差距的题。