SpringAI實現AI應用-自定義顧問（Advisor）

SpringAI實戰鏈接

1.SpringAl實現AI應用-快速搭建-CSDN博客

2.SpringAI實現AI應用-搭建知識庫-CSDN博客

3.SpringAI實現AI應用-內置顧問-CSDN博客

4.SpringAI實現AI應用-使用redis持久化聊天記憶-CSDN博客

5.SpringAI實現AI應用-自定義顧問（Advisor）-CSDN博客

概述

經過前幾篇帖子的鞭打，現在已經對SpringAI有了一定的了解，繼續查看官方文檔，顧問（Advisor）里面還有自定義顧問，這篇帖子就說一下如何進行自定義。

SpringAI官方文檔

中文版：顧問 API :: Spring AI 參考 - Spring 框架

官方：Advisors API :: Spring AI Reference

Advisors原理

在寫代碼之前，得先了解Advisor的一些基本信息，雖然官方文檔里有說明，但還是感覺太官方了

Spring AI 中的?Advisors（顧問）?是一個關鍵概念，用于在模型交互過程中動態調整或增強提示詞（Prompt）、控制生成過程，或注入業務邏輯。它的核心思想是對 AI 模型的輸入/輸出進行攔截和增強，類似于?AOP（面向切面編程）中的攔截器。

核心作用

動態修改提示詞：在發送給模型前，自動添加上下文、示例或格式化內容。

結果后處理：對模型生成的文本進行過濾、校驗或結構化解析。

上下文管理：跨多次對話維護狀態（如歷史記錄、用戶偏好）。

業務規則注入：根據業務需求限制或引導模型的輸出。

工作原理

Advisor 在請求處理鏈中的位置：

用戶輸入 → [Advisor 預處理] → 模型處理 → [Advisor 后處理] → 返回用戶

預處理階段：修改或增強輸入的 AdvisedRequest。

后處理階段：處理模型的 AdvisedResponse。

源碼分析

通過官方文檔和源碼可知（在此就引用官方的圖片了），SpringAI的幾個內置顧問實現的都是Advisor。

代碼實現

廢話就不多說了，直接開始干！！！

根據前幾篇帖子的，現在已經有一個完整的框架了，能夠直接添加代碼進行測試了

LoggingAdvisor（日志顧問）

import org.springframework.ai.chat.client.advisor.api.*;
import org.springframework.ai.chat.model.MessageAggregator;
import reactor.core.publisher.Flux;/*** @Author majinzhong* @Date 2025/5/8 11:27* @Version 1.0*/
public class LoggingAdvisor implements CallAroundAdvisor,StreamAroundAdvisor {@Overridepublic AdvisedResponse aroundCall(AdvisedRequest advisedRequest, CallAroundAdvisorChain chain) {System.out.println("調用AI Call之前："+advisedRequest);AdvisedResponse advisedResponse = chain.nextAroundCall(advisedRequest);System.out.println("調用AI Call之后："+advisedResponse);return advisedResponse;}@Overridepublic Flux<AdvisedResponse> aroundStream(AdvisedRequest advisedRequest, StreamAroundAdvisorChain chain) {System.out.println("調用AI Stream之前："+advisedRequest);Flux<AdvisedResponse> advisedResponseFlux = chain.nextAroundStream(advisedRequest);Flux<AdvisedResponse> advisedResponseFlux1 = new MessageAggregator().aggregateAdvisedResponse(advisedResponseFlux, advisedResponse -> System.out.println("調用AI Stream之后："+advisedResponseFlux));return advisedResponseFlux1;}@Overridepublic String getName() {return this.getClass().getSimpleName();}@Overridepublic int getOrder() {return 0;}
}

AiConfig

    @BeanChatClient chatClient(ChatClient.Builder builder,VectorStore vectorStore) {return builder// 它定義了聊天機器人在回答問題時應當遵循的風格和角色定位。.defaultSystem("你是一個智能機器人,你的名字叫 Spring AI智能機器人")//這里可以添加多個顧問 order(優先級)越小，越先執行// 注意：顧問添加到鏈中的順序至關重要，因為它決定了其執行的順序。每個顧問都會以某種方式修改提示或上下文，一個顧問所做的更改會傳遞給鏈中的下一個顧問。// 在此配置中，將首先執行MessageChatMemoryAdvisor，將對話歷史記錄添加到提示中。然后，問答顧問將根據用戶的問題和添加的對話歷史進行搜索，從而可能提供更相關的結果。.defaultAdvisors(//內存存儲對話記憶new MessageChatMemoryAdvisor(inMemoryChatMemory()),
//                        new PromptChatMemoryAdvisor(inMemoryChatMemory()),// QuestionAnswerAdvisor 此顧問使用矢量存儲提供問答功能，實現RAG（檢索增強生成）模式
//                        QuestionAnswerAdvisor.builder(vectorStore).order(1).build(),// SafeGuardAdvisor是一個安全防護顧問，它確保生成的內容符合道德和法律標準。SafeGuardAdvisor.builder().sensitiveWords(List.of("色情", "暴力")) // 敏感詞列表.order(2) // 設置優先級.failureResponse("抱歉，我無法回答這個問題。").build(), // 敏感詞過濾失敗時的響應// SimpleLoggerAdvisor是一個記錄ChatClient的請求和響應數據的顧問。這對于調試和監控您的AI交互非常有用，建議將其添加到鏈的末尾。new LoggingAdvisor()).defaultOptions(ChatOptions.builder().topP(0.7) // 取值越大，生成的隨機性越高；取值越低，生成的隨機性越低。默認值為0.8.build()).build();}

將原來代碼中的SimpleLoggerAdvisor換成自定義的日志顧問，因為SimpleLoggerAdvisor沒有按照自己的要求進行打印

測試

經過測試，已經在控制臺進行打印了

ReReadingAdvisor（重新閱讀RE2顧問）

import org.springframework.ai.chat.client.advisor.api.*;
import reactor.core.publisher.Flux;import java.util.HashMap;
import java.util.Map;/*** @Author majinzhong* @Date 2025/5/8 15:10* @Version 1.0*/
public class ReReadingAdvisor implements CallAroundAdvisor, StreamAroundAdvisor {private AdvisedRequest before(AdvisedRequest advisedRequest) {Map<String, Object> advisedUserParams = new HashMap<>(advisedRequest.userParams());advisedUserParams.put("re2_input_query", advisedRequest.userText());return AdvisedRequest.from(advisedRequest).userText("你的作用是什么，誰創造的你").userParams(advisedUserParams).build();}@Overridepublic AdvisedResponse aroundCall(AdvisedRequest advisedRequest, CallAroundAdvisorChain chain) {return chain.nextAroundCall(this.before(advisedRequest));}@Overridepublic Flux<AdvisedResponse> aroundStream(AdvisedRequest advisedRequest, StreamAroundAdvisorChain chain) {return chain.nextAroundStream(this.before(advisedRequest));}@Overridepublic int getOrder() {return 0;}@Overridepublic String getName() {return this.getClass().getSimpleName();}
}

繼續修改AIConfig，添加自定義的顧問

測試

經測試可知，自定義的RE2顧問已經成功

RetryAdvisor（異常重試顧問）

import org.springframework.ai.chat.client.advisor.api.*;
import org.springframework.retry.backoff.FixedBackOffPolicy;
import org.springframework.retry.policy.SimpleRetryPolicy;
import org.springframework.retry.support.RetryTemplate;
import reactor.core.publisher.Flux;/*** @Author majinzhong* @Date 2025/5/8 15:21* @Version 1.0*/
public class RetryAdvisor implements CallAroundAdvisor, StreamAroundAdvisor {private final RetryTemplate retryTemplate;public RetryAdvisor() {this.retryTemplate = new RetryTemplate();// 配置重試策略：最多2次，間隔1秒SimpleRetryPolicy policy = new SimpleRetryPolicy();policy.setMaxAttempts(2);FixedBackOffPolicy backOffPolicy = new FixedBackOffPolicy();backOffPolicy.setBackOffPeriod(1000); // 1秒retryTemplate.setRetryPolicy(policy);retryTemplate.setBackOffPolicy(backOffPolicy);}@Overridepublic AdvisedResponse aroundCall(AdvisedRequest advisedRequest, CallAroundAdvisorChain chain) {AdvisedResponse advisedResponse = chain.nextAroundCall(advisedRequest);return retryTemplate.execute(context -> {return advisedResponse;});}@Overridepublic Flux<AdvisedResponse> aroundStream(AdvisedRequest advisedRequest, StreamAroundAdvisorChain chain) {return chain.nextAroundStream(advisedRequest);}@Overridepublic String getName() {return this.getClass().getSimpleName();}@Overridepublic int getOrder() {return 0;}
}

還要修改AiConfig

這個沒有進行測試，因為是返回值異常的時候才會進行重試

至此自定義顧問已經完成，可以按照自己的業務需求進行修改

補充

之前說過顧問可以提前統一進行設置，也可以單獨在方法上進行設置

其實，每個AI大模型也可以單獨在方法上進行設置

統一配置AI模型

AI大模型在application.yml文件里設置

在AiConfig里進行配置大模型的名稱、顧問等信息

方法上配置AI大模型

    /*** 根據消息直接輸出回答* @param map* @return*/@PostMapping("/ai/call")public String call(@RequestBody Map<String,String> map) {String message = map.get("message");
//        return chatClient.prompt().user(message).call().content().trim();OpenAiChatOptions options = OpenAiChatOptions.builder().model("THUDM/GLM-4-9B-0414").temperature(0.5).build();String content = chatClient.prompt().system("你是一個AI小助手，能幫助我們一起學習java").advisors(new LoggingAdvisor(),new ReReadingAdvisor()).user(message).options(options).call().content();return content;}