你是否曾经幻想过，在Spring Boot项目中像调用本地Service一样调用大模型？无需学习各家SDK的差异，也无需处理复杂的HTTP请求封装？其实这一切，Spring AI早已为你实现。本文将带你从零到一，深度解析Spring AI这个官方框架，通过ChatClient优雅地集成大模型，构建属于你的类似AI助手。

一、痛点切入：传统Java集成大模型的困境

在Spring AI出现之前，Java开发者要在项目中接入大模型能力，通常需要这样做：

// 调用OpenAI的SDK

OpenAiClient client = new OpenAiClient(apiKey);
ChatCompletionRequest request = ChatCompletionRequest.builder()
    .model("gpt-4")
    .messages(List.of(new Message("user", "讲个笑话")))
    .build();
ChatCompletionResponse response = client.chat(request);
String answer = response.getChoices().get(0).getMessage().getContent();

而换到通义千问时，代码几乎要完全重写——API签名、请求对象、响应解析方式全部不同。这种方案的缺点显而易见：

• 高耦合：业务代码与具体厂商SDK绑定，切换模型成本极高

• 缺乏统一抽象：每个模型有自己的请求/响应格式，无法复用

• Prompt管理困难：提示词硬编码在代码中，难以维护和版本控制

• RAG/向量检索等高级能力缺失：需要开发者自行实现文档切片、向量化和检索逻辑

Spring AI正是在这样的背景下诞生的——让Java开发者像使用Spring Boot一样方便地调用AI模型。-1

二、核心概念讲解：ChatModel

2.1 什么是ChatModel？

ChatModel是Spring AI中定义的核心接口，代表与AI大模型进行对话的能力。它屏蔽了不同厂商（OpenAI、阿里通义、Ollama等）的API差异，提供统一的调用方式。

用大白话来解释：把ChatModel想象成一个“智能对话机器人”，你给它发消息，它回复你答案。-1

// 在任何Service或Controller中注入ChatModel
@Resource
private ChatModel chatModel;

// 发送一条消息，获取完整回复
String response = chatModel.call("你好，介绍一下你自己");

ChatModel的主要方法包括：

• call(String message)：发送一条消息，获取完整回复

• stream(String message)：以流式方式获取回复（实现打字机效果）

2.2 ChatModel的自动配置机制

ChatModel的强大之处在于：无论底层用的是OpenAI、通义千问还是Ollama，Controller中注入的都是同一个类型——ChatModel。-1不同的AI厂商各自提供自己的Starter依赖和自动配置类来实现这个接口，开发者只需要切换依赖和配置文件，业务代码一行都不用改。

三、关联概念讲解：ChatClient

3.1 什么是ChatClient？

如果说ChatModel是“发动机”，那么ChatClient就是“方向盘+仪表盘”——它是在ChatModel之上封装的应用层Fluent客户端，让开发者用更自然、更链式的方式构建Prompt、配置参数和执行调用。-9

@RestController
public class ChatController {
    private final ChatClient chatClient;
    
    // 通过构造函数注入Builder并创建ChatClient
    public ChatController(ChatClient.Builder builder) {
        this.chatClient = builder.build();
    }
    
    // 极简调用：一行代码完成
    @GetMapping("/chat")
    public String chat(@RequestParam String message) {
        return chatClient.prompt(message).call().content();
    }
}

这个例子中，只需要注入ChatClient.Builder，调用builder.build()即可获得ChatClient实例，然后一行prompt().call().content()就完成了大模型调用。

3.2 ChatClient的进阶能力：结构化输出

ChatClient最强大的能力之一是可以直接让AI返回Java对象，无需手动解析JSON：

@GetMapping("/movie")
public MovieList recommendMovies() {
    return chatClient.prompt("推荐3部科幻电影")
        .call()
        .entity(MovieList.class);  // 自动将AI输出映射为Java对象
}

Spring AI会自动处理JSON Schema生成和结果解析，开发者完全不需要关心底层序列化细节。-16

3.3 ChatClient的Fluent API关键点

四、ChatModel与ChatClient的关系总结

这两者的关系可以这样理解：

• ChatModel是“思想”层——定义“怎么发请求、怎么收响应”的统一标准

• ChatClient是“实现”层——封装Fluent API，让开发者写得更爽、更符合业务习惯

一句话概括：ChatModel负责统一底层协议，ChatClient负责提升上层开发体验。

五、完整代码示例：从零搭建Spring AI智能助手

5.1 添加Maven依赖

<!-- 以OpenAI为例，接入GPT/Gemini/Claude等 -->
<dependency>
    <groupId>org.springframework.ai</groupId>
    <artifactId>spring-ai-openai-spring-boot-starter</artifactId>
</dependency>

5.2 配置文件（application.yml）

spring:
  ai:
    openai:
      api-key: ${OPENAI_API_KEY}
      base-url: https://api.openai.com
      chat:
        options:
          model: gpt-4
          temperature: 0.7
          max-tokens: 4096

5.3 实现类似AI助手的Controller

@RestController
@RequestMapping("/ai-assistant")
public class AiAssistantController {
    
    private final ChatClient chatClient;
    
    public AiAssistantController(ChatClient.Builder builder) {
        this.chatClient = builder.build();
    }
    
    // 1. 基础对话
    @GetMapping("/chat")
    public String chat(@RequestParam String message) {
        return chatClient.prompt(message).call().content();
    }
    
    // 2. 带系统角色的智能助手
    @GetMapping("/assistant")
    public String assistant(@RequestParam String question) {
        return chatClient.prompt()
            .system("你是一个专业的编程助手，擅长Java和Spring生态。请用简洁、准确的语言回答问题。")
            .user(question)
            .call()
            .content();
    }
    
    // 3. 流式输出（打字机效果）
    @GetMapping(value = "/stream", produces = MediaType.TEXT_EVENT_STREAM_VALUE)
    public Flux<String> streamChat(@RequestParam String message) {
        return chatClient.prompt(message).stream().content();
    }
}

执行流程解析：

1. 用户通过HTTP请求发送消息

2. Spring AI将请求参数封装成Prompt对象

3. ChatClient调用底层ChatModel发送请求到AI服务商

4. 获取响应后返回给前端（普通模式）或逐字推送（流式模式）

六、底层原理与技术支撑

Spring AI的分层架构可以拆解为五层：-9

这种设计让Spring AI能够灵活扩展新厂商、新能力，同时保持上层业务代码的稳定性。其底层依赖Spring生态的自动配置机制和依赖注入，开发者只需添加Starter依赖并配置参数，框架就能自动完成所有组件的装配。

七、高频面试题与参考答案

Q1：什么是Spring AI？它解决了什么问题？

参考答案：Spring AI是Spring官方推出的AI应用开发框架，可以理解为“Spring Boot版的LangChain”。它解决的核心问题是统一不同大模型的调用方式——以前调OpenAI要用OpenAI的SDK，调通义千问要用阿里的SDK，代码写法完全不一样。Spring AI抽象了一层ChatModel接口，不管底层是哪个模型，上层代码都一样。换模型只需要改配置，代码不用动。此外它还提供了RAG、Function Calling、向量数据库等AI应用常用能力，与Spring生态无缝集成。-27

Q2：Spring AI的核心设计目标是什么？

参考答案：四个核心目标——①模型无关性：一套代码，切换模型不用改业务；②Spring生态原生集成：自动配置、依赖注入、Starter机制；③简化AI工程化：封装Prompt、Embedding、VectorStore、RAG；④低学习成本：Java开发者不用懂AI底层也能快速开发。-22

Q3：ChatModel和ChatClient有什么区别？

参考答案：ChatModel是Spring AI的核心接口，代表与AI大模型对话的能力，负责定义统一的请求/响应协议；ChatClient是在ChatModel之上封装的Fluent客户端，提供链式API（prompt().system().user().call()）来构建Prompt和执行调用。二者关系是：ChatModel负责“底层统一”，ChatClient负责“上层好用”。

Q4：Spring AI如何实现流式输出？

参考答案：Spring AI通过StreamingChatModel接口返回Flux<ChatResponse>，后端使用text/event-stream格式向前端逐字推送数据，实现打字机效果。用户在300ms内就能看到第一个字，体验远优于等待完整响应。-22

Q5：Spring AI和LangChain的区别是什么？

参考答案：Spring AI是Java第一、Spring生态原生的轻量级框架，工程化强，学习成本低；LangChain以Python为主，功能丰富但复杂，Java支持较弱。Spring AI更适用于企业级Java应用的AI能力集成，而LangChain更适合Python生态的AI原型探索。-22

八、结尾总结

回顾全文，我们一步步认识了Spring AI这个Java生态中AI应用开发的官方框架：

1. 痛点驱动：传统Java集成大模型存在耦合高、无统一抽象的问题

2. 核心概念：ChatModel是统一接口，ChatClient是Fluent客户端

3. 关系要点：ChatModel负责底层统一，ChatClient负责上层体验

4. 示例落地：几行代码即可实现类似AI助手的完整能力

5. 底层支撑：分层架构+自动配置机制，保证可扩展性

重点掌握：ChatModel的自动配置原理、ChatClient的Fluent API使用、结构化输出能力、流式响应实现。这些既是开发必备技能，也是面试高频考点。

下一篇我们将深入讲解Spring AI中的Function Calling机制——如何让大模型自主调用你的Java方法，打造真正的智能体（Agent）。欢迎持续关注！