【2026年4月9日】Spring AI采购助手：基于ChatClient与Advisor的RAG企业级实战

@Service

public class PurchaseAssistantService {
    @Autowired
    private ChatModel chatModel;
    @Autowired
    private VectorStore vectorStore;
    
    public String askPurchase(String userQuery) {
        // 1. RAG检索：从向量库中获取相关采购知识
        List<Document> docs = vectorStore.similaritySearch(userQuery);
        String context = docs.stream().map(Document::getContent).collect(Collectors.joining("\n"));
        
        // 2. 手动拼接提示词模板
        String systemPrompt = "你是一个采购助手，根据以下上下文回答问题：\n" + context;
        String fullPrompt = systemPrompt + "\n用户问题：" + userQuery;
        
        // 3. 构造消息并调用模型
        UserMessage userMsg = new UserMessage(fullPrompt);
        ChatResponse response = chatModel.call(new Prompt(userMsg));
        
        // 4. 手动记录对话历史（如果需要多轮对话）
        // ... 大量重复代码
        
        return response.getResult().getOutput().getContent();
    }
}

public class MyPurchaseAdvisor implements CallAdvisor {
    
    @Override
    public int getOrder() { return 100; }  // 数字越小越先执行
    
    @Override
    public ChatClientResponse adviseCall(ChatClientRequest request, 
                                         CallAdvisorChain chain) {
        // 前置处理：修改/增强请求
        System.out.println("【前置】用户问题：" + request.userText());
        request = enhanceRequestWithPurchaseKnowledge(request);
        
        // 调用链中的下一个Advisor（或最终调用LLM）
        ChatClientResponse response = chain.nextCall(request);
        
        // 后置处理：修改/增强响应
        System.out.println("【后置】AI回答：" + response.assistantResponse());
        return formatResponse(response);
    }
}

<dependency>
    <groupId>org.springframework.ai</groupId>
    <artifactId>spring-ai-openai-spring-boot-starter</artifactId>
    <version>1.0.0</version>
</dependency>
<dependency>
    <groupId>org.springframework.ai</groupId>
    <artifactId>spring-ai-pgvector-store-spring-boot-starter</artifactId>
    <version>1.0.0</version>
</dependency>

@Configuration
public class AIConfig {
    
    @Bean
    public ChatClient purchaseChatClient(ChatClient.Builder builder) {
        return builder
            // 默认系统提示词：定义AI的角色
            .defaultSystem("你是一个专业的企业采购助手，"
                         + "负责回答关于采购流程、供应商管理、采购成本优化等方面的问题。"
                         + "请基于提供的采购知识库上下文给出准确回答。")
            // 默认RAG Advisor：自动从向量库检索知识
            .defaultAdvisors(new RAGAdvisor())
            // 默认对话记忆Advisor：保持10轮对话历史
            .defaultAdvisors(new MessageChatMemoryAdvisor(new InMemoryChatMemory(), 10))
            // 默认日志Advisor：记录每次调用
            .defaultAdvisors(new SimpleLoggerAdvisor())
            .build();
    }
}

@Component
public class RAGAdvisor implements CallAdvisor {
    
    @Autowired
    private VectorStore vectorStore;  // 采购知识库向量存储
    
    @Override
    public String getName() { return "RAGAdvisor"; }
    
    @Override
    public int getOrder() { return 10; }  // 优先级较高，先做检索
    
    @Override
    public ChatClientResponse adviseCall(ChatClientRequest request, 
                                         CallAdvisorChain chain) {
        // 1. 从用户消息中提取查询内容
        String userQuery = extractUserText(request);
        
        // 2. 向量检索：从采购知识库中找相关文档
        List<Document> relevantDocs = vectorStore.similaritySearch(
            SearchRequest.builder()
                .query(userQuery)
                .topK(5)  // 返回最相关的5条知识
                .build()
        );
        
        // 3. 构建增强后的系统提示词（注入检索到的上下文）
        String context = relevantDocs.stream()
            .map(doc -> "- " + doc.getContent())
            .collect(Collectors.joining("\n"));
        String enhancedSystemMsg = "【采购知识库参考】\n" + context + "\n\n请基于以上信息回答用户问题。";
        
        // 4. 修改请求：在原系统消息基础上追加上下文
        ChatClientRequest enhancedRequest = request.mutate()
            .system(enhancedSystemMsg)
            .build();
        
        // 5. 调用链中的下一个Advisor（最终会调用LLM）
        return chain.nextCall(enhancedRequest);
    }
}

@Service
public class PurchaseService {
    
    @Autowired
    private ChatClient purchaseChatClient;  // 注入配置好的ChatClient
    
    // 单轮问答
    public String askPurchase(String userQuery) {
        return purchaseChatClient.prompt()
            .user(userQuery)
            .call()
            .content();
    }
    
    // 带用户ID的多轮对话
    public String askPurchaseWithHistory(String userId, String userQuery) {
        return purchaseChatClient.prompt()
            .user(userQuery)
            .advisors(advisorSpec -> advisorSpec.param("chat_memory_conversation_id", userId))
            .call()
            .content();
    }
    
    // 结构化输出：让AI返回采购建议对象
    public PurchaseAdvice getStructuredAdvice(String productName) {
        return purchaseChatClient.prompt()
            .user("请针对采购【" + productName + "】给出建议：包括供应商推荐、价格区间、注意事项")
            .call()
            .entity(PurchaseAdvice.class);  // 自动映射为Java对象
    }
}

Spring AI核心知识体系
├── ChatClient（调用入口）
│   ├── Fluent链式调用
│   ├── Builder配置（defaultSystem / defaultAdvisors）
│   └── 支持同步/流式/结构化输出
├── Advisor（增强拦截器）
│   ├── 责任链模式
│   ├── 前置/后置处理
│   └── 内置：RAG / 对话记忆 / 日志 / 护栏
└── 实战：AI采购助手
    ├── RAG知识库检索
    ├── 多轮对话记忆
    └── 结构化输出映射