概要
本文聚焦如何使用spring-AI来开发大模型应用一些进阶技能，包含一套可落地的技术设计模式，读完你将会学习到：
- 如何使用Spring-AI 开发大模型对话应用
- 如何综合设计一套适用Spring-ai的代码结构，为应用提供更好的扩展能力
本文假设读者已经熟悉spring-ai的基本功能以及大模型开发的入门知识，如果你还不熟悉这些基础知识，可以找我仔细学习。
开发目标
我们会简单的模拟豆包的业务模型，开发一个用户与大模型对话的应用程序，我们会从领域模型开始设计，一直到应用模型和应用实现。
由于篇幅有限，我们不展开细节完成每一个功能，这里只介绍核心领域建模和应用的开发模式。
我们将会聚焦一次对话的处理流程，如下图所示：
- 本地工具集也就是function calling 可以随时添加，删除，并且根据对话上下文动态抉择
- 向量数据库搜索可以根据对话上下文选择是否使用，甚至提供多个选择
# 设计领域模型
- Agent 表示一个大模型agent，包括大模型的命名，SystemPrompt，所属用户等
- Conversation 表示一次对话
- User 表示正在使用系统的用户
- ChatMessage表示一个对话消息，一个对话消息由多个内容组成，因为一次对话可以发送包括文本和媒体多条具体内容。
至此，我们简单模拟了豆包的领域模型
设计应用模型
首先设计一个 ChatContext类，用来表示全部对话的上下文核心，这里我们分析如下：
- 对话上下文包含 when，who，what，where，how 五种元素
- When - 用户发送消息的时间
- Who - 发送消息的用户
- What - 用户发送发的消息
- Where - 用户处于哪一个对话
- How - 本次对话有哪些配置选项
- 对话上下文可以配置标记属性，以便在不同功能之间传递消息，这点类似Servlet技术中方的ServletRequest#getAttribute
- 对话上下文是只读的，不允许修改
attributes = new HashMap<>();\n\n private final User user;\n private final UserMessage userMessage;\n private final ChatOption chatOption;\n private final Conversation conversation;\n\n public void setAttribute(String key, Object value) {\n attributes.put(key, value);\n }\n\n public Object getAttribute(String key) {\n return attributes.get(key);\n }\n\n @SuppressWarnings(\"unchecked\")\n public T getAttribute(String key, Class ignored) {\n return (T) attributes.get(key);\n }\n\n}\n\n","classes":null}" data-cke-widget-keep-attr="0" data-cke-widget-upcasted="1" data-widget="codeSnippet">import java.util.HashMap;
import java.util.Map;
import com.github.aurora.ultra.chat.domain.Conversation;
import com.github.aurora.ultra.chat.domain.User;
import lombok.Builder;
import lombok.Getter;
import org.springframework.ai.chat.messages.UserMessage;
@Getter
@Builder
public class ChatContext {
// when who what where how
// -------------------------------------------------------------
// now user userMessage conversation chatOption
private final Map attributes = new HashMap<>();
private final User user;
private final UserMessage userMessage;
private final ChatOption chatOption;
private final Conversation conversation;
public void setAttribute(String key, Object value) {
attributes.put(key, value);
}
public Object getAttribute(String key) {
return attributes.get(key);
}
@SuppressWarnings("unchecked")
public T getAttribute(String key, Class ignored) {
return (T) attributes.get(key);
}
}
至此，我们有了可用的对话上下文，可以围绕这个上下文开发对话逻辑了。
设计应用逻辑
首先我们来设计应用的扩展点，其实本质上应该是先设计应用逻辑，再进行重构设计扩展点，但是这里为了行文方便，直接展示下扩展点，免去重构的过程，请读者注意，真实开发的时候不可能一开始就想得到哪些地方需要扩展，一定是先做出基础逻辑，再重构出扩展点点。
我们先来分析一下可扩展的点：
- 对话模型可以切换，系统将会根据上下文推断出本次要使用的模型。
- 本地方法可以随时增加删除，系统会很久本次上下文推断出需要调用的本地工具。
- 其他spring-ai框架的的Advisor也可能根据一次对话的上下文被推断出。
由此可见对话上下文是整个应用的重点，所有的功能是否被使用都围绕着这个上下文，并且这些功能在运行的时候会根据上下文动态提供出来，不难看出，这是一个策略模式，于是我们设计如下接口：
public interface ChatAdvisorSupplier { boolean support(ChatContext context); Advisor getAdvisor(ChatContext context);}public interface ChatClientSupplier { boolean support(ChatContext context); ChatClient getChatClient(ChatContext context);}public interface ChatTool { String getName(); String getDescription();}public interface ChatToolSupplier { boolean support(ChatContext context); ChatTool getTool(ChatContext context);}- ChatAdvisorSupplier 用来为本次对话提供spring-ai的Advisor
- ChatClientSupplier 会根据本地对话提供可用的模型client
- ChatTool 用来表示一个包含本地放的的类，提供了name和desc两个属性，用来让大模型帮我们判断哪些工具在本次对话需要被使用到
- ChatToolSupplier则会根据当前对话给出哪些本地工具会被使用到。
下面我们将这些组件串联起来，这样一来，我们的核心交互流程不变，而具体交互流程在策略器中可随时动态增减。
实现应用逻辑
我们来看一下ChatService是如何被实现的。
chatToolSuppliers;\n private final ListchatClientSuppliers;\n private final List chatAdvisorSuppliers;\n\n public ChatReply chat(ChatCommand command) throws ChatException {\n try {\n var user = User.mock();\n var chatOption = command.getOption();\n var conversation = getConversation(command.getConversationId());\n var userMessage = createUserMessage(command);\n var context = ChatContext.builder()\n .user(user)\n .userMessage(userMessage)\n .chatOption(chatOption)\n .conversation(conversation)\n .build();\n return this.chat(context);\n } catch (Exception e) {\n throw ChatException.of(\"Something wrong when processing the chat command\", e);\n }\n }\n\n private ChatReply chat(ChatContext context) throws ChatException {\n var tools = getTools(context);\n var advisors = getAdvisors(context);\n var chatClient = getChatClient(context);\n var conversation = context.getConversation();\n var userMessage = context.getUserMessage();\n\n var contents = chatClient\n .prompt()\n .advisors(advisors)\n .messages(conversation.createPromptMessages())\n .messages(userMessage)\n .toolCallbacks(ToolCallbacks.from(tools.toArray()))\n .toolContext(context.getAttributes())\n .stream()\n .content()\n .buffer(CHAT_RESPONSE_BUFFER_SIZE)\n .map(strings -> String.join(\"\", strings));\n\n return ChatReply.builder()\n .contents(contents)\n .build();\n }\n\n private UserMessage createUserMessage(ChatCommand command) {\n return new UserMessage(command.getContent());\n }\n\n private Conversation getConversation(String conversationId) {\n return chatManager.getOrCreateConversation(conversationId);\n }\n\n private List getAdvisors(ChatContext context) {\n return chatAdvisorSuppliers\n .stream()\n .filter(chatAdvisorSupplier -> chatAdvisorSupplier.support(context))\n .map(chatAdvisorSupplier -> chatAdvisorSupplier.getAdvisor(context))\n .toList();\n }\n\n private ChatClient getChatClient(ChatContext context) throws ChatException {\n return chatClientSuppliers\n .stream()\n .filter(chatAdvisorSupplier -> chatAdvisorSupplier.support(context))\n .map(chatAdvisorSupplier -> chatAdvisorSupplier.getChatClient(context))\n .findFirst()\n .orElseThrow(() -> ChatException.of(\"unknown how to create the chat client, maybe you need to add a chat client supplier?\"));\n }\n\n private List getTools(ChatContext context) throws ChatException {\n var tools = chatToolSuppliers\n .stream()\n .filter(supplier -> supplier.support(context))\n .map(supplier -> supplier.getTool(context))\n .toList();\n\n if (tools.isEmpty()) {\n return tools;\n }\n var toolDescription = tools.stream()\n .map(chatTool -> String.format(\"- %s: %s\", chatTool.getName(), chatTool.getDescription()))\n .collect(Collectors.joining(\"\\n\"));\n var systemPrompt = \"You will determine what tools to use based on the user's problem.\" +\n \"Please directly reply the tool names with delimiters ','. \" +\n \"Reply example: tool1,tool2.\" +\n \"The tools are: \\n\" +\n toolDescription;\n\n var toolsDecision = getChatClient(context)\n .prompt()\n .options(ChatOptions.builder()\n .model(CHAT_TOOLS_CHOSEN_MODEL)\n .build())\n .system(systemPrompt)\n .messages(context.getUserMessage())\n .call()\n .content();\n\n if (StringUtils.isBlank(toolsDecision)) {\n return new ArrayList<>();\n }\n\n var chosen = Arrays.asList(toolsDecision.split(\",\"));\n log.info(\"tools chosen: {}\", chosen);\n\n tools = tools.stream()\n .filter(chatTool -> chosen.contains(chatTool.getName()))\n .toList();\n\n return tools;\n }\n}\n","classes":null}" data-cke-widget-keep-attr="0" data-cke-widget-upcasted="1" data-widget="codeSnippet"> @Slf4j@Service@RequiredArgsConstructorpublic class ChatService { public static final int CHAT_RESPONSE_BUFFER_SIZE = 24; public static final String CHAT_TOOLS_CHOSEN_MODEL ="gpt-3.5-turbo"; private final ChatManager chatManager; private final ListchatToolSuppliers; private final List chatClientSuppliers; private final List chatAdvisorSuppliers; public ChatReply chat(ChatCommand command) throws ChatException { try { var user = User.mock(); var chatOption = command.getOption(); var conversation = getConversation(command.getConversationId()); var userMessage = createUserMessage(command); var context = ChatContext.builder() .user(user) .userMessage(userMessage) .chatOption(chatOption) .conversation(conversation) .build(); return this.chat(context); } catch (Exception e) { throw ChatException.of("Something wrong when processing the chat command", e); } } private ChatReply chat(ChatContext context) throws ChatException { var tools = getTools(context); var advisors = getAdvisors(context); var chatClient = getChatClient(context); var conversation = context.getConversation(); var userMessage = context.getUserMessage(); var contents = chatClient .prompt() .advisors(advisors) .messages(conversation.createPromptMessages()) .messages(userMessage) .toolCallbacks(ToolCallbacks.from(tools.toArray())) .toolContext(context.getAttributes()) .stream() .content() .buffer(CHAT_RESPONSE_BUFFER_SIZE) .map(strings -> String.join("", strings)); return ChatReply.builder() .contents(contents) .build(); } private UserMessage createUserMessage(ChatCommand command) { return new UserMessage(command.getContent()); } private Conversation getConversation(String conversationId) { return chatManager.getOrCreateConversation(conversationId); } private List getAdvisors(ChatContext context) { return chatAdvisorSuppliers .stream() .filter(chatAdvisorSupplier -> chatAdvisorSupplier.support(context)) .map(chatAdvisorSupplier -> chatAdvisorSupplier.getAdvisor(context)) .toList(); } private ChatClient getChatClient(ChatContext context) throws ChatException { return chatClientSuppliers .stream() .filter(chatAdvisorSupplier -> chatAdvisorSupplier.support(context)) .map(chatAdvisorSupplier -> chatAdvisorSupplier.getChatClient(context)) .findFirst() .orElseThrow(() -> ChatException.of("unknown how to create the chat client, maybe you need to add a chat client supplier?")); } private List getTools(ChatContext context) throws ChatException { var tools = chatToolSuppliers .stream() .filter(supplier -> supplier.support(context)) .map(supplier -> supplier.getTool(context)) .toList(); if (tools.isEmpty()) { return tools; } var toolDescription = tools.stream() .map(chatTool -> String.format("- %s: %s", chatTool.getName(), chatTool.getDescription())) .collect(Collectors.joining("\n")); var systemPrompt ="You will determine what tools to use based on the user's problem." +"Please directly reply the tool names with delimiters ','." +"Reply example: tool1,tool2." +"The tools are: \n" + toolDescription; var toolsDecision = getChatClient(context) .prompt() .options(ChatOptions.builder() .model(CHAT_TOOLS_CHOSEN_MODEL) .build()) .system(systemPrompt) .messages(context.getUserMessage()) .call() .content(); if (StringUtils.isBlank(toolsDecision)) { return new ArrayList<>(); } var chosen = Arrays.asList(toolsDecision.split(",")); log.info("tools chosen: {}", chosen); tools = tools.stream() .filter(chatTool -> chosen.contains(chatTool.getName())) .toList(); return tools; }}
- 首先ChatService注入了所有的ChatToolSupplier，ChatClientSupplier，ChatAdvisorSupplier接口实例；
- 当处理ChatCommand的时候，组装出ChatContext；
- 然后调用一系列的get方法读取相关的策略
- 最后调用大模型client与之交互
其中getTools方法相对比较复杂，它先便利了所有的本地工具，然后将用户对话和本地工具描述一起交给了大模型，大模型告诉本地应用那一套functions更适合处理这个问题，然后菜返回本地工具集。之所以这么做，是因为（例如）openai官网明确说明，建议一次对话functions不要太多，最好不要超过20个，因为更多的functions意味着更多的token，也意味着更多的处理时间，而且也没有必要。
为应用增加RAG功能
有了ChatAdvisorSupplier这个接口，我们可以轻易的为应用逻辑增加RAG的功能。
@Slf4j@Component@RequiredArgsConstructorpublic class InternalSearchAdvisorSupplier implements ChatAdvisorSupplier { private final static int DEFAULT_TOP_K = 3; private final VectorStore vectorStore; private final static String USER_TEXT_ADVISE =""" 上下文信息如下，用 --------------------- 包围 --------------------- {question_answer_context} --------------------- 根据上下文和提供的历史信息（而非先验知识）回复用户问题。如果答案不在上下文中，请告知用户你无法回答该问题。"""; @Override public boolean support(ChatContext context) { return context.getChatOption().isEnableInternalSearch(); } @Override public Advisor getAdvisor(ChatContext context) { return QuestionAnswerAdvisor.builder(vectorStore) .searchRequest( SearchRequest.builder() .topK(NumberUtils.max(context.getChatOption().getRetrieveTopK(), DEFAULT_TOP_K)) .build() ) .userTextAdvise(USER_TEXT_ADVISE) .build(); }}这里我们规定，只要chatOption里面开启了InternalSearch开关，则应用RAG功能。你只要看一下下面的ChatOption类的设计，就瞬间明白了这个设计。
@Getter@Builder@RequiredArgsConstructorpublic class ChatOption implements Serializable { private final boolean enableInternalSearch; private final boolean enableExternalSearch; private final boolean enableExampleTools; private final boolean enableMemory; private final boolean enableDebug; private final int retrieveTopK; private final String model;}为应用增加一组Function Calling
我们写一个示例的Tool，提供function calling的功能
@Slf4j@Componentpublic class ExampleTool implements ChatTool { @Override public String getName() { return"SampleTool"; } @Override public String getDescription() { return""" contains methods: forecast, get date time, operate local file,"""; } @Tool(description ="Get the current date and time in the user's timezone") public String getCurrentDateTime() { return LocalDateTime.now().atZone(LocaleContextHolder.getTimeZone().toZoneId()).toString(); } @Tool(description ="get the forecast weather of the specified city and date") public String getForecast(@ToolParam(description ="日期") LocalDate date, @ToolParam(description ="城市") String city) { return""" - 当前温度：12°C \n - 天气状况：雾霾 \n - 体感温度：12°C \n - 今天天气：大部分地区多云，最低气温9°C \n - 空气质量：轻度污染 (51-100)，主要污染物 PM2.5 75 μg/m³ \n - 风速：轻风 (2 - 5 公里/小时)，西南风 1级 \n - 湿度：78% \n - 能见度：能见度差 (1 - 2 公里)，2 公里 \n - 气压：1018 hPa \n - 露点：8°C \n"""; }}再为这个tool写一个supplier
@Slf4j@Component@RequiredArgsConstructorpublic class ExampleToolSupplier implements ChatToolSupplier { private final ExampleTool exampleTool; @Override public boolean support(ChatContext context) { return context.getChatOption().isEnableExampleTools(); } @Override public ChatTool getTool(ChatContext context) { return exampleTool; }}于是乎，你在没有修改主逻辑的情况下为应用增加了两个功能，这看上去真的很棒！高内聚，低耦合，并且对扩展开放，对修改封闭！
现在，你可以像下面这样，提供更多的扩展能力
# Maven
首先配置maven配置，导入spring-ai的核心包，这里我们目前只用到了openai和rag向量数据库，暂时导入这两个包即可。
\norg.springframework.ai \nspring-ai-starter-model-openai \n\n\n \n","classes":null}" data-cke-widget-keep-attr="0" data-cke-widget-upcasted="1" data-widget="codeSnippet">org.springframework.ai \nspring-ai-advisors-vector-store \n<!-- spring AI -->org.springframework.ai spring-ai-starter-model-openai org.springframework.ai spring-ai-advisors-vector-store
代码整体结构
具体代码示例
https://github.com/aurora-ultra/aurora-spring-ai