一文搞懂 Spring AI 核心接口，轻松对接所有大模型

一、Spring AI 核心设计理念是什么？

简单说，它就是 Spring 官方为 Java 开发者打造的 AI 应用开发框架。

它借鉴了 LangChain 等 Python 项目的设计思路，但更强调 Spring 生态的核心哲学：可移植性、模块化设计、约定优于配置。

不同 AI 厂商的 API 千差万别，切换模型往往意味着重写大片调用代码。Spring AI 的解法是：定义一套统一的抽象接口，让不同厂商去实现它。业务代码只依赖抽象层，底层模型切换时，代码零改动。

本文目标：从顶层 ChatClient 到底层 Model，逐层拆解 Spring AI 的核心接口设计，帮你彻底理清这套"万能转接头"的工作原理。

二、最底层：Generic Model API（通用模型 API）

这是整个 Spring AI 的基石，定义了与 AI 模型交互的最基本规范。

1. Model 接口

public interface Model<TReq extends ModelRequest<?>, TRes extends ModelResponse<?>> {
    TRes call(TReq request);
}

这是所有模型接口的顶级父接口。无论是聊天、文生图还是嵌入模型，都继承自它。

2. StreamingModel 接口

public interface StreamingModel<TReq extends ModelRequest<?>, TResChunk extends ModelResponse<?>> {
    Flux<TResChunk> stream(TReq request);
}

提供流式响应能力，返回 Reactor 的 Flux，支持打字机效果。

3. ModelRequest 接口

封装请求参数，包含指令（Instructions）和模型选项（ModelOptions）两部分。

4. ModelResponse 接口

封装响应结果，包含主要输出、结果列表和响应元数据（如 token 使用量）。

三、核心业务接口

1. ChatModel —— 聊天模型接口

这是最常用的接口，负责与 LLM 进行对话交互。

public interface ChatModel extends Model<Prompt, ChatResponse> {
    default String call(String message) {
        // 简化调用，实际返回完整响应
    }
    
    ChatResponse call(Prompt prompt);
    Flux<ChatResponse> stream(Prompt prompt);
}

大白话解释：ChatModel 就是一个"智能对话机器人"，你给它发消息，它回复你答案。

使用示例：

@Resource
private ChatModel chatModel;

public String chat(String msg) {
    return chatModel.call(msg);
}

自动配置原理：不同的 AI 厂商各自提供 Starter 依赖和自动配置类来实现这个接口：

Starter 依赖	自动配置类	所需配置项
`spring-ai-alibaba-starter-dashscope`	`DashScopeChatAutoConfiguration`	`spring.ai.dashscope.api-key`
`spring-ai-starter-model-openai`	`OpenAiChatAutoConfiguration`	`spring.ai.openai.api-key`

切换模型只需改依赖和配置，业务代码零改动。

2. EmbeddingClient —— 嵌入模型接口

将文本转换为向量，是 RAG（检索增强生成）的基础。

public interface EmbeddingClient extends Model<EmbeddingRequest, EmbeddingResponse> {
    List<Double> embed(String text);
    EmbeddingResponse embedForResponse(List<String> texts);
}

典型应用：将用户问题和知识库文档都转换成向量，通过相似度检索相关内容。

3. ImageModel —— 图像生成接口

用于文本生成图片。

public interface ImageModel extends Model<ImageGenerationRequest, ImageGenerationResponse> {
    ImageGenerationResponse call(ImageGenerationRequest request);
}

4. AudioModel —— 音频处理接口

支持语音转文字（STT）和文字转语音（TTS）。

public interface SpeechModel extends Model<SpeechPrompt, SpeechResponse> {
    SpeechResponse call(SpeechPrompt request);
}

public interface TranscriptionModel extends Model<TranscriptionPrompt, TranscriptionResponse> {
    TranscriptionResponse call(TranscriptionPrompt request);
}

四、数据层接口

1. VectorStore —— 向量数据库接口

这是做 RAG 的核心接口，抽象了所有向量数据库的操作。

public interface VectorStore {
    void add(List<Document> documents);
    List<Document> similaritySearch(SearchRequest request);
}

支持的主流向量数据库包括：PGVector、Milvus、Chroma、Pinecone、Qdrant、Redis、Elasticsearch 等。

2. Document —— 文档抽象

表示一个待处理的文档，包含内容和元数据。

public class Document {
    private String id;
    private String content;
    private Map<String, Object> metadata;
    // getters/setters
}

配合 ETL 框架，可以从 PDF、Markdown、HTML 等格式读取文档。

五、高级 API 接口

1. ChatClient —— 流式 API（强推）

这是构建在 ChatModel 之上的高级 API，提供链式调用，用起来非常舒服。

String response = chatClient.prompt()
    .system("你是一个专业的Java助手")
    .user("介绍一下Spring AI")
    .call()
    .content();

对比理解：

ChatModel = 功能手机（能打电话就行）
ChatClient = 智能手机（自带通讯录、应用商店、相机）

2. CallAdvisor —— 顾问接口

拦截和增强 AI 交互，封装常见模式。

public interface CallAdvisor {
    ChatClientResponse adviseCall(ChatClientRequest request, CallAdvisorChain chain);
    int getOrder();  // 控制执行顺序
}

内置顾问类型：

对话记忆顾问：自动维护多轮对话上下文
RAG 顾问：自动检索相关知识库
日志顾问：记录请求/响应日志

3. 函数调用接口（Function Calling）

允许 AI 模型主动调用你注册的工具函数。

@Bean
public ToolCallback weatherTool() {
    return FunctionToolCallback.builder("getWeather", (Request request) -> {
        return "15.0°C";  // 返回天气信息
    })
    .description("获取指定地点的天气")
    .inputType(Request.class)
    .build();
}

这让模型不光能"说"，还能真正"做"事情——查数据库、调 API、执行业务逻辑。

4. ETL 相关接口

DocumentReader：从各种源读取文档

public interface DocumentReader {
    List<Document> read();
}

DocumentTransformer：文档转换和分块

public interface DocumentTransformer {
    List<Document> transform(List<Document> documents);
}

DocumentWriter：将处理后的文档写入向量存储

public interface DocumentWriter {
    void accept(List<Document> documents);
}

六、一张图看懂 Spring AI 接口体系

Spring AI 的接口设计采用经典的五层架构，每一层都有明确的职责边界：

层级	名称	核心接口	一句话职责
L1	开发者使用层	`ChatClient`	给你最丝滑的编码体验
L2	高级能力层	`CallAdvisor`、`Function Calling`、ETL 接口	封装 AI 应用中的常见模式
L3	核心抽象层	`ChatModel`、`EmbeddingClient`、`VectorStore`	按功能领域划分的核心能力
L4	基础层	`Model`、`StreamingModel`、`ModelRequest`、`ModelResponse`	定义所有模型调用的统一规范
L5	厂商实现层	OpenAI、通义千问、Anthropic 等实现	可插拔，按需引入

七、总结

三条核心链路

场景	调用链路
简单对话	`ChatClient` → `ChatModel` → `Model` → 厂商实现
RAG 问答	`ChatClient` → `CallAdvisor` → `VectorStore` → `ChatModel` → `Model` → 厂商实现
函数调用	`ChatClient` → `Function Calling` → `ChatModel` → `Model` → 厂商实现

设计精髓

接口与实现分离：L1-L4 定义"是什么"，L5 负责"怎么做"
自动配置驱动：引入 Starter 后，Spring Boot 自动装配正确的实现类
可观测性内置：每一层都可插拔日志、监控、追踪能力
Java 生态优先：拥抱 Reactor 响应式编程，与 Spring 生态无缝集成

推荐订阅源

掘金