当前位置： 首页 > article >正文

SpringAI从入门到熟练

article 2025/2/28 15:38:52

学习SpringAI的记录情况

文章目录

前言

因公司需要故而学习SpringAI文档，故将自己所见所想写成文章，供大佬们参考

主要是为什么这么写呢，为何不抽出来呢，还是希望可以用的时候更加方便一点，如果大家有需求可以自行去优化。

SrpingAI入门

这里我用到的是智普AI，大家可以根据自己喜欢用的AI自由进行切换

 至于API-KEY可自行去智谱AI开放平台可自行去找，这里新用户注册目前是还送2000万TOKEN的

引包

        <!--智普AI-->
        <dependency>
            <groupId>org.springframework.ai</groupId>
            <artifactId>spring-ai-zhipuai-spring-boot-starter</artifactId>
        </dependency>

 配置文件

 至于API-KEY可自行去智谱AI开放平台可自行去找，这里新用户注册目前是还送2000万TOKEN的

配置类

获取API-KEY

@Component
public class ChatConfig {
    
    //获取配置文件中的API-KEY
    @Value("${spring.ai.zhipuai.api-key}")
    private String apiKey;
    
    public String getApiKey() {
        return apiKey;
    }
}

 测试用例代码

    //为啥用这个模型呢，因为免费
    private static final String default_model = "GLM-4-Flash";

    //temperature 是一个超参数，用于控制生成文本的多样性和随机性。
    //低温度（例如：0.1 到 0.3）：模型会生成更确定、常规和一致的输出。低温度通常会使模型产生更 
    加保守的回答，重复性较高，生成的内容更加准确、接近训练数据中的常见模式。
    //高温度（例如：0.7 到 1.0）：模型的输出会更加随机、多样、创意性强。高温度会导致生成的内容 
    更加多样化，可能包括一些不太常见或创新性的回答，但也可能带来不太准确或不太连贯的结果。
    private static final double default_temperature = 0.7;   

 @GetMapping("/AIchat")
    public BaseResponse<String> AIGeneration(
            @RequestParam(value = "message", defaultValue = "你是谁呢") String message) {

        // 创建ZhiPuAiChatOptions对象，设置模型和温度
        ZhiPuAiChatOptions options = ZhiPuAiChatOptions.builder()
                .withModel(default_model)
                .withTemperature(default_temperature)
                .build();
        // 创建ZhiPuAiChatModel对象，传入ZhiPuAiApi和options
        ChatModel chatModel = new ZhiPuAiChatModel(new                 
        ZhiPuAiApi(chatConfig.getApiKey()), options);
        // 创建ChatClient对象，传入chatModel
        ChatClient build = ChatClient.builder(chatModel).build();
        String substring = "";
        String content = null;
        try {
            // 调用build.prompt()方法，传入用户消息，调用call()方法，获取返回内容
            content = build.prompt()
                    .user(message)
                    .call()
                    .content();
        } catch (Exception e) {
            // 获取异常信息
            String errorMessage = e.getMessage();
            // 获取异常信息中冒号后面的内容
            int i = errorMessage.lastIndexOf(":");
            String newString = errorMessage.substring(i + 2);
            // 去掉异常信息中的最后一个字符
            substring = newString.substring(0, newString.length() - 3);
        }
        // 如果异常信息不为空，抛出BusinessException异常
        if(!substring.isEmpty()){
            throw new BusinessException(ErrorCode.PARAMS_ERROR,substring);
        }
        // 返回成功结果
        return ResultUtils.success(content);
    }

 测试AI返回结果

 全参数响应结果

这里是对token的消耗做了一个统计，查看用户的所剩token情况的一个返回结果展示

其实也就只是把String类型的返回结果转成了ChatResponse类型仅此而已

测试用例代码

 @GetMapping("/AIchat")
    public BaseResponse<ChatResponse> AIGeneration(
            @RequestParam(value = "message", defaultValue = "你是谁呢") String message) {

        // 创建ZhiPuAiChatOptions对象，设置模型和温度
        ZhiPuAiChatOptions options = ZhiPuAiChatOptions.builder()
                .withModel(default_model)
                .withTemperature(default_temperature)
                .build();
        // 创建ZhiPuAiChatModel对象，传入ZhiPuAiApi和options
        ChatModel chatModel = new ZhiPuAiChatModel(new ZhiPuAiApi(chatConfig.getApiKey()), options);
        // 创建ChatClient对象，传入chatModel
        ChatClient build = ChatClient.builder(chatModel).build();
        String substring = "";
        ChatResponse chatResponse = null;
        try {
            chatResponse = build.prompt()
                    .user(message)
                    .call()
                    .chatResponse();
        } catch (Exception e) {
            // 获取异常信息
            String errorMessage = e.getMessage();
            // 获取异常信息中冒号后面的内容
            int i = errorMessage.lastIndexOf(":");
            String newString = errorMessage.substring(i + 2);
            // 去掉异常信息中的最后一个字符
            substring = newString.substring(0, newString.length() - 3);
        }
        // 如果异常信息不为空，抛出BusinessException异常
        if(!substring.isEmpty()){
            throw new BusinessException(ErrorCode.PARAMS_ERROR,substring);
        }
        // 返回成功结果
        return ResultUtils.success(chatResponse);
    }

返回结果

 前端传递不同的模型测试方法

测试用例代码

    @GetMapping("/chat")
    public BaseResponse<String> generation(
            @RequestParam(value = "message", defaultValue = "你是谁呢") String message,
            @RequestParam(value = "model", defaultValue = "GLM-4-Flash") String model,
            @RequestParam(value = "temperature", defaultValue = "0.7") double temperature) {

        // 创建新的 ZhiPuAiChatOptions 实例，根据请求的参数动态设置
        ZhiPuAiChatOptions options = ZhiPuAiChatOptions.builder()
                .withModel(model)
                .withTemperature(temperature)
                .build();
        // 获取 ChatModel 实例，使用新的配置
        ChatModel chatModel = new ZhiPuAiChatModel(new 
        ZhiPuAiApi(chatConfig.getApiKey()), options);
        ChatClient build = ChatClient.builder(chatModel).build();
        String substring = "";
        // 使用新的 ChatModel 进行对话生成
        String content = null;
        try {
            content = build.prompt()
                    .user(message)
                    .call()
                    .content();
        } catch (Exception e) {
            // 获取错误消息
            String errorMessage = e.getMessage();
            int i = errorMessage.lastIndexOf(":");
            String newString = errorMessage.substring(i + 2);
            substring = newString.substring(0, newString.length() - 3);
        }
        if(!substring.isEmpty()){
            throw new BusinessException(ErrorCode.PARAMS_ERROR,substring);
        }
        return ResultUtils.success(content);
    }

 其实跟上面的代码差不多，只不过是从前端传递过来一个模型，当然这里我并没有对于上传上来的模型做校验，如果感兴趣的话，可自行查看，并解决

 测试结果

 这里可以看到我们的异常返回起到效果了，原谅我是一个穷鬼，不想花钱在测试这个上面

 测试到这里，相信你已经知道了点什么，就是如果你问的问题较长的话，实际使用GET传输是有问题的，因为默认GET请求的长度是有限制的，建议自行换成POST请求，然后再继续往下

流式响应

测试用例代码

@GetMapping(value = "/AIStream",produces = MediaType.TEXT_EVENT_STREAM_VALUE)
    public Flux<String> AIStream(
            @RequestParam(value = "message", defaultValue = "你是谁呢") String message) {

        // 创建ZhiPuAiChatOptions对象，设置模型和温度
        ZhiPuAiChatOptions options = ZhiPuAiChatOptions.builder()
                .withModel(default_model)
                .withTemperature(default_temperature)
                .build();
        // 创建ZhiPuAiChatModel对象，传入ZhiPuAiApi和options
        ChatModel chatModel = new ZhiPuAiChatModel(new ZhiPuAiApi(chatConfig.getApiKey()), options);
        // 创建ChatClient对象，传入chatModel
        ChatClient chatClient = ChatClient.builder(chatModel).build();
        Flux<String> content = chatClient.prompt()
                .user(message)
                .stream()
                .content();
        // 返回成功结果
        return content;
    }

响应结果

这里使用的是SSE，SSE是一种服务端向客户端推送的一种技术，需要的可自行去浏览这个技术

 流式响应全参数

测试用例代码

// 使用GetMapping注解，指定请求路径为/AIChatResponseStream，返回类型为TEXT_EVENT_STREAM_VALUE
    @GetMapping(value = "/AIChatResponseStream",produces = MediaType.TEXT_EVENT_STREAM_VALUE)
    // 定义一个方法，返回类型为Flux<ChatResponse>，参数为String类型的message，默认值为"你是谁呢"
    public Flux<ChatResponse> AIChatResponseStream(
            @RequestParam(value = "message", defaultValue = "你是谁呢") String message) {
        
        // 创建ZhiPuAiChatOptions对象，设置模型和温度
        ZhiPuAiChatOptions options = ZhiPuAiChatOptions.builder()
                .withModel(default_model)
                .withTemperature(default_temperature)
                .build();
        // 创建ChatModel对象，传入ZhiPuAiApi和options
        ChatModel chatModel = new ZhiPuAiChatModel(new ZhiPuAiApi(chatConfig.getApiKey()), options);
        // 创建ChatClient对象，传入chatModel
        ChatClient chatClient = ChatClient.builder(chatModel).build();
        // 调用chatClient的prompt方法，传入message，返回一个Flux<ChatResponse>对象
        Flux<ChatResponse> chatResponseFlux = chatClient.prompt()
                .user(message)
                .stream()
                .chatResponse();
        // 返回Flux<ChatResponse>对象
        return chatResponseFlux;
    }

响应结果

 至于这里如何查看内容流式响应全参数输出完毕，有一个STOP的停止参数可以使用

位置贴到下面

//全参数流失响应地址接口停止标志--------------当然这里如果你要配合前端可以通过这个STOP来观察结果是否输出完毕，可以通过这个标志来停掉SSE连接
parsedData.results[0].metadata.finishReason === "STOP"

 默认角色回复实现

测试用例代码

// 使用GetMapping注解，指定请求路径为/AIChatDefaultStream，返回类型为文本流
    @GetMapping(value = "/AIChatDefaultStream",produces = MediaType.TEXT_EVENT_STREAM_VALUE)
    public Flux<String> AIChatDefaultStream(
            // 使用@RequestParam注解，指定请求参数名为message，默认值为"你是谁呢"
            @RequestParam(value = "message", defaultValue = "你是谁呢") String message) {
        // 创建ZhiPuAiChatOptions对象，设置模型和温度
        ZhiPuAiChatOptions options = ZhiPuAiChatOptions.builder()
                .withModel(default_model)
                .withTemperature(default_temperature)
                .build();
        // 创建ChatModel对象，使用ZhiPuAiChatModel和ZhiPuAiApi
        ChatModel chatModel = new ZhiPuAiChatModel(new ZhiPuAiApi(chatConfig.getApiKey()), options);
        // 创建ChatClient对象，设置默认系统
        ChatClient chatClient = ChatClient.builder(chatModel).defaultSystem("你现在的身份是一个星轨会议系统的客服助手，请以友好、乐于助人且愉快的方式来回复。").build();
        // 调用chatClient的prompt方法，设置用户消息，并返回内容流
        Flux<String> content = chatClient.prompt()
                .user(message)
                .stream()
                .content();
        // 返回内容流
        return content;
    }

 响应结果

 这里就可以看到响应结果他已经换成了星轨会议系统的客服助手，如果你希望做某一个角色的内容，你可以通过预训练这个参数，使得这个AI客服助手的回复更加友好。

AI知晓日期

测试用例代码

// 使用GetMapping注解，指定请求路径为/AIChatDefaultStream，返回类型为文本流
    @GetMapping(value = "/AIChatDefaultStream",produces = MediaType.TEXT_EVENT_STREAM_VALUE)
    public Flux<String> AIChatDefaultStream(
            // 使用@RequestParam注解，指定请求参数名为message，默认值为"你是谁呢"
            @RequestParam(value = "message", defaultValue = "你是谁呢") String message) {
        // 创建ZhiPuAiChatOptions对象，设置模型和温度
        ZhiPuAiChatOptions options = ZhiPuAiChatOptions.builder()
                .withModel(default_model)
                .withTemperature(default_temperature)
                .build();
        // 创建ChatModel对象，使用ZhiPuAiChatModel和ZhiPuAiApi
        ChatModel chatModel = new ZhiPuAiChatModel(new ZhiPuAiApi(chatConfig.getApiKey()), options);
        // 创建ChatClient对象，设置默认系统
        ChatClient chatClient = ChatClient.builder(chatModel).defaultSystem("你现在的身份是一个星轨会议系统的客服助手，请以友好、乐于助人且愉快的方式来回复。我希望你可以以中文的方式给我回答。今天的日期是 {current_date}.")
                .build();
        // 调用chatClient的prompt方法，设置用户消息，并返回内容流
        Flux<String> content = chatClient.prompt()
                .user(message)
                .system(s->s.param("current_date", LocalDate.now().toString()))
                .stream()
                .content();
        // 返回内容流
        return content;
    }

响应结果

 这样的话AI就知道当前的日期

 记忆对话

测试用例代码

创建一个配置类引入ChatMemory

@Configuration
public class ZhiPuChatMemoryConfig {

    @Bean
    @Qualifier("customMemory")
    public ChatMemory chatMemory() {
        return new InMemoryChatMemory();
    }

}

 引入ChatMemory

// 使用GetMapping注解，指定请求路径为/AIChatDefaultStream，返回类型为文本流
    @GetMapping(value = "/AIChatDefaultStream",produces = MediaType.TEXT_EVENT_STREAM_VALUE)
    public Flux<String> AIChatDefaultStream(
            // 使用RequestParam注解，指定请求参数名为message，类型为String
            @RequestParam(value = "message") String message) {
        // 创建ZhiPuAiChatOptions对象，设置模型和温度
        ZhiPuAiChatOptions options = ZhiPuAiChatOptions.builder()
                .withModel(default_model)
                .withTemperature(default_temperature)
                .build();
        // 创建ChatModel对象，传入ZhiPuAiApi和options
        ChatModel chatModel = new ZhiPuAiChatModel(new ZhiPuAiApi(chatConfig.getApiKey()), options);
        // 创建ChatClient对象，传入chatModel，设置默认系统消息和默认顾问
        ChatClient chatClient = ChatClient.builder(chatModel).defaultSystem("你现在的身份是一个星轨会议系统的客服助手，请以友好、乐于助人且愉快的方式来回复。我希望你可以以中文的方式给我回答。这里我问你日期的话再回答，否则的话你不要回答，今天的日期是 {current_date}.")
                
                //.defaultAdvisors(new PromptChatMemoryAdvisor(chatMemory))
                .defaultAdvisors(new MessageChatMemoryAdvisor(chatMemory))
                .build();
        // 调用chatClient的prompt方法，设置用户消息、系统消息参数、顾问参数，返回内容流
        Flux<String> content = chatClient.prompt()
                .user(message)
                .system(s->s.param("current_date", LocalDate.now().toString()))
                .advisors(a -> a.param(CHAT_MEMORY_RETRIEVE_SIZE_KEY, 100))
                .stream()
                .content();
        // 返回内容流
        return content;
    }

 响应结果

这样的话就会记住你最近的100条对话，当然这里你也可以自行实现ChatMemory，使用Redis去进行获取

 上面两种记忆是不同的，具体详情，请看下表

特性MessageChatMemoryAdvisorPromptChatMemoryAdvisor
记忆管理粒度基于消息（Message）级别的记忆基于提示（Prompt）级别的记忆
记忆的存储方式将每一条消息存储到记忆中生成合适的提示，将历史对话作为提示提供给模型
适用场景适用于需要精细管理每一条消息的场景适用于需要生成合适提示来为模型提供上下文的场景
如何影响对话直接影响聊天记录，确保每一条消息都被记住影响提示构造，确保生成的提示与上下文一致
内存管理的灵活性依赖于每个消息的存储提示的构造和上下文的动态管理

打印日志功能

 测试用例代码

其实也就是再次添加一个Advisors，再控制台打印一下就可以

public class LoggingAdvisors implements RequestResponseAdvisor {

    @Override
    public AdvisedRequest adviseRequest(AdvisedRequest request, Map<String, Object> adviseContext) {
        System.out.println("Request"+request);
        return request;
    }

    @Override
    public int getOrder() {
        return 0;
    }
}
// 使用GetMapping注解，指定请求路径为/AIChatDefaultStream，返回类型为文本流
    @GetMapping(value = "/AIChatDefaultLoggingStream",produces = MediaType.TEXT_EVENT_STREAM_VALUE)
    public Flux<String> AIChatDefaultLoggingStream(
            // 使用RequestParam注解，指定请求参数名为message，类型为String
            @RequestParam(value = "message") String message) {
        // 创建ZhiPuAiChatOptions对象，设置模型和温度
        ZhiPuAiChatOptions options = ZhiPuAiChatOptions.builder()
                .withModel(default_model)
                .withTemperature(default_temperature)
                .build();
        // 创建ChatModel对象，传入ZhiPuAiApi和options
        ChatModel chatModel = new ZhiPuAiChatModel(new ZhiPuAiApi(chatConfig.getApiKey()), options);
        // 创建ChatClient对象，传入chatModel，设置默认系统消息和默认顾问
        ChatClient chatClient = ChatClient.builder(chatModel).defaultSystem("你现在的身份是一个星轨会议系统的客服助手，请以友好、乐于助人且愉快的方式来回复。我希望你可以以中文的方式给我回答。这里我问你日期的话再回答，否则的话你不要回答，今天的日期是 {current_date}.")
                //.defaultAdvisors(new PromptChatMemoryAdvisor(chatMemory))
                .defaultAdvisors(new MessageChatMemoryAdvisor(chatMemory),new LoggingAdvisors())
                .build();
        // 调用chatClient的prompt方法，设置用户消息、系统消息参数、顾问参数，返回内容流
        Flux<String> content = chatClient.prompt()
                .user(message)
                .system(s->s.param("current_date", LocalDate.now().toString()))
                .advisors(a -> a.param(CHAT_MEMORY_RETRIEVE_SIZE_KEY, 100))
                .stream()
                .content();
        // 返回内容流
        return content;
    }

 响应结果

 

 FunctionCall回调

测试用例代码

package com.hhh.springai_test.Client;

import com.hhh.springai_test.config.ChatConfig;
import jakarta.annotation.Resource;
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.model.ChatModel;
import org.springframework.ai.zhipuai.ZhiPuAiChatModel;
import org.springframework.ai.zhipuai.ZhiPuAiChatOptions;
import org.springframework.ai.zhipuai.api.ZhiPuAiApi;
import org.springframework.beans.factory.annotation.Autowired;
import org.springframework.beans.factory.annotation.Qualifier;
import org.springframework.stereotype.Component;

@Component
public class ZhipuChatClient {

    @Resource
    private ChatConfig chatConfig;

    @Autowired
    @Qualifier("customMemory")  // 明确指定使用你自定义的 ChatMemory 实现
    private ChatMemory chatMemory;


    public ChatClient getZhipuChatClient() {
        ZhiPuAiChatOptions options = ZhiPuAiChatOptions.builder()
                .withModel("GLM-4-Flash")
                .withTemperature(0.95F)
                .build();

        // 创建ChatModel对象，传入ZhiPuAiApi和options
        ChatModel chatModel = new ZhiPuAiChatModel(new ZhiPuAiApi(chatConfig.getApiKey()), options);
        // 创建ChatClient对象，传入chatModel，设置默认系统消息和默认顾问
        ChatClient chatClient = ChatClient.builder(chatModel).defaultSystem("你现在的身份是一个星轨会议系统的客服助手，请以友好、乐于助人且愉快的方式来回复。我希望你可以以中文的方式给我回答。这里我问你日期的话再回答，否则的话你不要回答")
                .defaultAdvisors(new MessageChatMemoryAdvisor(chatMemory))
                .build();
        return chatClient;
    }
}

 @GetMapping(value = "/AIChatDefaultLoggingStream", produces = MediaType.TEXT_EVENT_STREAM_VALUE)
    public Flux<String> AIChatDefaultLoggingStream(@RequestParam(value = "message") String message) {
        Flux<String> content = zhipuChatClient.getZhipuChatClient().prompt()
                .user(message)
                .function("report", "举报", new Function<MyController.Request, Flux<String>>() {
                    @Override
                    public Flux<String> apply(MyController.Request request) {
                        System.out.println("举报名字是" + request.name);
                        return Flux.just("星轨");
                    }
                })
                .stream()
                .content();
        return content;
    }

 测试用例结果

 

 可以看到日志也已经解决了，在这里遇到了整整两天的bug，一直在尝试使用functions，通过传递functionBean来进行解决，但是一直是有问题的，但是一直报错，只能使用这种方式来解决，当然，如果大佬们有好的文章，记得可以推荐我使用一下，谢谢各位大佬们


http://www.kler.cn/a/460021.html

相关文章：

  • Linux day 1203
  • 41.1 预聚合提速实战项目之需求分析和架构设计
  • C++通讯录管理系统
  • 9. 大数据集群(PySpark)+Hive+MySQL+PyEcharts+Flask：信用贷款风险分析与预测
  • DotnetSpider实现网络爬虫
  • 云轴科技ZStack获评OpenCloudOS社区2024年度优秀贡献单位
  • C++ 设计模式：门面模式（Facade Pattern）
  • 基于Ubuntu2404桌面版制作qcow2镜像
  • 玛哈特矫平机助力其龙机械，引领汽摩配件制造技术升级
  • 中犇科技数字化智能中台系统login存在sql注入漏洞
  • 015-spring-动态原理、AOP的xml和注解方式
  • 【每日学点鸿蒙知识】自定义时间选择器、Image加载本地资源、线程切换、hap包安装、沉浸式无效
  • k8s的可观测性
  • Airbnb/Booking 系统设计（high level architecture）
  • java工作流模式、背包模式、适配器工厂模式整合架构，让服务任务编排更便捷
  • 如何在LabVIEW中更好地使用ActiveX控件？
  • JJJ：linux等待队列用法 init_waitqueue_entry
  • Java虚拟机——JVM高级特性与最佳实践
  • 第10章 初等数论
  • python修改ppt中的文字部分及插入图片