SpringAI实战：ChatModel智能对话全解

一、引言：Spring AI 与 Chat Model 的核心价值

        在 Java 生态中集成大模型能力，Spring AI 提供了高效的解决方案 。其中 Chat Model 作为核心交互组件，通过标准化接口简化了与大语言模型（LLM）的文本交互流程 ✨。本文结合 Alibaba DashScope 实践案例，从原理、代码实现到进阶用法，全面解析如何利用 Chat Model 构建智能对话应用 �‍

二、Chat Model 核心概念与工作原理

2.1 什么是 Chat Model？

Chat Model 是 Spring AI 定义的文本对话模型接口，抽象了应用与大模型的交互逻辑：

• 输入 ：使用 Prompt 封装用户输入，支持纯文本及多角色对话（如系统指令、用户问题）。

• 输出 ：通过 ChatResponse 返回结构化结果，包含模型生成的文本内容及元数据（如 Token 消耗）。

 

2.2 工作原理与架构优势 ⚙️

1. 交互流程 ：接收 Prompt 后，Chat Model 将请求转发至后端大模型（如通义千问），基于训练数据生成响应，最终由应用处理并呈现。

2. 跨模型适配 ：通过 spring-ai-alibaba-starter 自动配置，支持无缝切换通义系列模型（QWEN_PLUS、QWEN_TURBO 等），底层网络请求与参数校验由框架统一管理。

 

 三、Chat Model 基础使用：从简单对话到参数配置 ️

3.1 环境准备与依赖注入 ⚗️ 

// 自动注入 ChatModel 实例（由 spring-ai-alibaba 自动配置）
private final ChatModel dashScopeChat;

public DashScopeChatController(ChatModel dashScopeChat) {
    this.dashScopeChat = dashScopeChat;
}

 

3.2 简单对话：预设角色与固定 Prompt

@GetMapping("/simpleChat")
public BaseResponse simpleChat() {
    // 预设系统角色（情感专家）⚕️
    String PROMOTE_CHAT = "你是一位经验丰富的情感专家，擅长处理复杂的人际关系和情感问题...";
    // 调用模型并获取文本响应
    ChatResponse chatResponse = dashScopeChat.call(new Prompt(PROMOTE_CHAT)); //调用模型
        // 获取模型响应的文本
    String text = chatResponse.getResult().getOutput().getText();
    return ResultUtils.success(text);
}

核心逻辑 ：通过 Prompt 传递固定指令，模型基于预设角色生成回复，适用于客服、问答机器人等场景 .

 

3.3 动态输入：接收用户问题并构建完整 Prompt  

/**
 * 简单对话 使用prompt作为用户的输入
 * @return
 */
@PostMapping("/chatWithRole")
public CompletableFuture> ChatWithRole(@RequestBody ChatRequest chatRequest) {
    return CompletableFuture.supplyAsync(() -> {
        String content = chatRequest.getContent();
        if (StringUtils.isBlank(content)) {
            throw new BusinessException(ErrorCode.PARAMS_ERROR);
        }
        String fullPrompt = PROMOTE_CHAT + "\n\n用户的问题：" + content;

        ChatResponse chatResponse = dashScopeChat.call(new Prompt(fullPrompt));
        String text = chatResponse.getResult().getOutput().getText();
        return ResultUtils.success(text);
    });
}

实践要点 ⚠️：校验用户输入合法性（如 StringUtils.isBlank），避免空参数导致的异常  

四、进阶用法：参数调优与流式响应  

4.1 自定义模型参数（Temperature/MaxToken 等） ️

/**
 * 通过 ChatOptions 在每次调用中调整模型参数
 * @param chatRequest
 * @return
 */
@PostMapping("/chatWithOptions")
public BaseResponse ChatWithOptions(@RequestBody ChatRequest chatRequest) {

    String content = chatRequest.getContent();
    if (StringUtils.isBlank(content)) {
        throw new BusinessException(ErrorCode.PARAMS_ERROR);
    }
    String fullPrompt = PROMOTE_CHAT + "\n\n用户的问题：" + content;

    Prompt prompt = new Prompt(fullPrompt, DashScopeChatOptions
                           .builder()
                           .withModel(DashScopeApi.ChatModel.QWEN_PLUS.getModel())
                           .withTemperature(0.7).withMaxToken(150)
                           .build());

    ChatResponse chatResponse = dashScopeChat.call(prompt); //调用模型
    // 获取模型响应的文本
    String text = chatResponse.getResult().getOutput().getText();
    return ResultUtils.success(text);
}

参数价值 ：通过 Temperature 平衡回答的创造性与确定性，MaxToken 避免长文本导致的性能问题 ⚡ 

4.2 流式响应：实现 "打字机" 效果 ⌨️

@PostMapping("/chatAndStringWithOptions")
public Flux ChatAndStreamWithOptions(@RequestBody ChatRequest chatRequest, HttpServletResponse response) {
    response.setContentType("text/event-stream");
    response.setCharacterEncoding("UTF-8");

    String content = chatRequest.getContent();
    if (StringUtils.isBlank(content)) {
        throw new BusinessException(ErrorCode.PARAMS_ERROR);
    }
    String fullPrompt = PROMOTE_CHAT + "\n\n用户的问题：" + content;

    Prompt prompt = new Prompt(fullPrompt, DashScopeChatOptions
            .builder()
            .withModel(DashScopeApi.ChatModel.QWEN_PLUS.getModel())
            .withTemperature(0.7).withMaxToken(150)
            .build());

    Flux responseStream = dashScopeChat.stream(prompt);//调用模型
    // 获取模型响应的文本

    return responseStream.mapNotNull(res -> res.getResult().getOutput().getText());
}

技术优势 ：基于 Reactor 响应式编程，实时推送部分生成结果，提升用户交互体验 ✨，适合长文本生成场景

总结

        本文通过详细的代码示例和实践要点，全面解析了 Spring AI 中 Chat Model 的核心概念、基础使用方法以及进阶技巧 。开发者可以利用这些知识高效地构建智能对话应用，实现从简单对话到复杂交互的多样化功能 ！