本案例将引导您一步步构建一个 Spring Boot 应用，演示如何利用 Spring AI Alibaba 的 Studio 功能，实现多种 AI 对话交互模式，包括简单对话、流式对话和基于 Advisor 的功能增强。
1. 案例目标
我们将创建一个包含三个核心功能的 Web 应用：
2. 技术栈与核心依赖
- Spring Boot 3.x
- Spring AI Alibaba (用于对接阿里云 DashScope 通义大模型)
- Spring AI Alibaba Studio (提供 Studio 功能支持)
- Maven (项目构建工具)
在 pom.xml 中，你需要引入以下核心依赖：
<dependencies>
<!– Spring Web 用于构建 RESTful API –>
<dependency>
<groupId>org.springframework.boot</groupId>
<artifactId>spring-boot-starter-web</artifactId>
</dependency>
<!– Spring AI Alibaba 核心启动器，集成 DashScope –>
<dependency>
<groupId>com.alibaba.cloud.ai</groupId>
<artifactId>spring-ai-alibaba-starter-dashscope</artifactId>
</dependency>
<!– Spring AI Alibaba Studio 功能支持 –>
<dependency>
<groupId>com.alibaba.cloud.ai</groupId>
<artifactId>spring-ai-alibaba-studio</artifactId>
</dependency>
</dependencies>
3. 项目配置
在 src/main/resources/application.yml 文件中，配置你的 DashScope API Key。
server:
port: 18080
spring:
application:
name: spring-ai-alibaba-studio-example
ai:
dashscope:
api-key: ${AI_DASHSCOPE_API_KEY}
重要提示：请将 AI_DASHSCOPE_API_KEY 环境变量设置为你从阿里云获取的有效 API Key。你也可以直接将其写在配置文件中，但这不推荐用于生产环境。
4. 编写 Java 代码
4.1 StudioExampleApplication.java
Spring Boot 主程序类。
package com.alibaba.cloud.ai.example.studio;
import org.springframework.boot.SpringApplication;
import org.springframework.boot.autoconfigure.SpringBootApplication;
@SpringBootApplication
public class StudioExampleApplication {
public static void main(String[] args) {
SpringApplication.run(StudioExampleApplication.class, args);
}
}
4.2 StudioController.java
实现多种 AI 对话交互模式的控制器。
package com.alibaba.cloud.ai.example.studio.controller;
import com.alibaba.cloud.ai.dashscope.chat.DashScopeChatOptions;
import jakarta.servlet.http.HttpServletResponse;
import reactor.core.publisher.Flux;
import org.springframework.ai.chat.client.ChatClient;
import org.springframework.ai.chat.client.advisor.SimpleLoggerAdvisor;
import org.springframework.web.bind.annotation.GetMapping;
import org.springframework.web.bind.annotation.PathVariable;
import org.springframework.web.bind.annotation.RequestMapping;
import org.springframework.web.bind.annotation.RequestParam;
import org.springframework.web.bind.annotation.RestController;
@RestController
@RequestMapping("/studio")
public class StudioController {
private static final String DEFAULT_PROMPT = "你是一个博学的智能聊天助手，请根据用户提问回答！";
private final ChatClient dashScopeChatClient;
// 也可以使用如下的方式注入 ChatClient
public StudioController(ChatClient.Builder chatClientBuilder) {
this.dashScopeChatClient = chatClientBuilder
.defaultSystem(DEFAULT_PROMPT)
// TODO
// 实现 Chat Memory 的 Advisor
// 在使用 Chat Memory 时，需要指定对话 ID，以便 Spring AI 处理上下文。
// .defaultAdvisors(
// new MessageChatMemoryAdvisor(new InMemoryChatMemory())
// )
// 实现 Logger 的 Advisor
.defaultAdvisors(
new SimpleLoggerAdvisor()
)
// 设置 ChatClient 中 ChatModel 的 Options 参数
.defaultOptions(
DashScopeChatOptions.builder()
.withTopP(0.7)
.build()
)
.build();
}
/**
* ChatClient 简单调用
*/
@GetMapping("/simple/chat")
public String simpleChat(@RequestParam(value = "query", defaultValue = "你好，很高兴认识你，能简单介绍一下自己吗？")String query) {
return dashScopeChatClient.prompt(query).call().content();
}
/**
* ChatClient 流式调用
*/
@GetMapping("/stream/chat")
public Flux<String> streamChat(@RequestParam(value = "query", defaultValue = "你好，很高兴认识你，能简单介绍一下自己吗？")String query, HttpServletResponse response) {
response.setCharacterEncoding("UTF-8");
return dashScopeChatClient.prompt(query).stream().content();
}
/**
* ChatClient 使用自定义的 Advisor 实现功能增强.
* eg:
* http://127.0.0.1:18080/helloworld/advisor/chat/123?query=你好，我叫牧生，之后的会话中都带上我的名字
* 你好，牧生！很高兴认识你。在接下来的对话中，我会记得带上你的名字。有什么想聊的吗？
* http://127.0.0.1:18080/helloworld/advisor/chat/123?query=我叫什么名字？
* 你叫牧生呀。有什么事情想要分享或者讨论吗，牧生？
*/
@GetMapping("/advisor/chat/{id}")
public Flux<String> advisorChat(
HttpServletResponse response,
@PathVariable String id,
@RequestParam String query) {
response.setCharacterEncoding("UTF-8");
return this.dashScopeChatClient.prompt(query)
.advisors(
// TODO
// a -> a
// .param(CHAT_MEMORY_CONVERSATION_ID_KEY, id)
// .param(CHAT_MEMORY_RETRIEVE_SIZE_KEY, 100)
).stream().content();
}
}
5. 运行与测试
测试 1：简单对话
访问以下 URL，测试简单的 AI 对话功能。
http://localhost:18080/studio/simple/chat?query=你好，很高兴认识你，能简单介绍一下自己吗？
预期响应：
你好！我是一个基于人工智能的助手，很高兴认识你。我可以回答问题、提供信息、参与讨论，并尽力帮助你解决各种问题。无论是学习、工作还是日常生活中的疑问，我都很乐意为你提供支持。请随时告诉我你需要什么帮助！
测试 2：流式对话
访问以下 URL，测试流式响应功能。
http://localhost:18080/studio/stream/chat?query=请详细介绍一下人工智能的发展历程
预期响应：
（流式输出，逐字显示）人工智能的发展历程可以追溯到20世纪中期…（完整回答内容）
测试 3：Advisor 增强对话
访问以下 URL，测试基于 Advisor 的功能增强。
http://localhost:18080/studio/advisor/chat/123?query=你好，我叫小明，之后的会话中都带上我的名字
预期响应：
你好，小明！很高兴认识你。在接下来的对话中，我会记得带上你的名字。有什么想聊的吗？
然后继续提问：
http://localhost:18080/studio/advisor/chat/123?query=我叫什么名字？
预期响应：
你叫小明呀。有什么事情想要分享或者讨论吗，小明？
6. 实现思路与扩展建议
实现思路
本案例的核心思想是"模块化设计"与"功能增强"。我们将不同的对话交互模式分离开来，并通过 Advisor 模式实现功能增强。这使得：
- 灵活性高：可以根据需要选择不同的对话模式，满足不同场景的需求。
- 可扩展性强：通过 Advisor 模式，可以轻松添加新功能，如上下文记忆、日志记录、内容过滤等。
- 代码复用性高：核心的 ChatClient 可以被不同的对话模式复用，减少重复代码。
扩展建议
- 实现 Chat Memory Advisor：取消代码中注释的部分，实现真正的上下文记忆功能，让 AI 能够记住之前的对话内容。
- 添加更多 Advisor：实现内容安全过滤、敏感词检测、回答格式控制等 Advisor，增强对话的安全性和可控性。
- 集成多模态功能：扩展 Studio 功能，支持图像、音频等多模态输入和输出。
- 实现对话管理：添加对话列表、对话历史、对话标签等功能，方便用户管理和回顾对话内容。
- 添加性能监控：集成监控工具，跟踪对话响应时间、成功率等指标，优化系统性能。
7. 关键技术点解析
7.1 ChatClient 的配置与使用
ChatClient 是 Spring AI Alibaba 的核心组件，用于与 AI 模型进行交互。在本案例中，我们通过 Builder 模式配置 ChatClient，包括：
- 默认系统提示词：通过 defaultSystem() 方法设置 AI 的角色和基本行为。
- Advisor 配置：通过 defaultAdvisors() 方法添加功能增强组件。
- 模型参数配置：通过 defaultOptions() 方法设置 AI 模型的参数，如 TopP 等。
7.2 流式响应的实现
流式响应通过 Reactor 的 Flux<String> 实现，可以逐字返回 AI 的回答，提升用户体验。关键点包括：
- 使用 stream() 方法获取流式响应。
- 设置 HTTP 响应的字符编码为 UTF-8，确保中文正确显示。
- 前端可以通过 Server-Sent Events (SSE) 或 WebSocket 接收流式数据。
7.3 Advisor 模式的应用
Advisor 模式是 Spring AI Alibaba 的重要特性，允许在不修改核心逻辑的情况下增强功能。本案例中展示了：
- SimpleLoggerAdvisor：提供日志记录功能，记录对话内容。
- Chat Memory Advisor（注释状态）：提供上下文记忆功能，使 AI 能够记住之前的对话内容。
