Spring AI中的ChatClient是一个提供流畅API（Fluent API）的客户端，它主要用于与各种AI模型进行通信。ChatClient 提供了与 AI 模型通信的 Fluent API，它支持同步和反应式（Reactive）编程模型。与 ChatModel、Message、ChatMemory 等原子 API 相比，使用 ChatClient 可以将与 LLM 及其他组件交互的复杂性隐藏在背后，因为基于 LLM 的应用程序通常要多个组件协同工作（例如，提示词模板、聊天记忆、LLM Model、输出解析器、RAG 组件：嵌入模型和存储），并且通常涉及多个交互，因此协调它们会让编码变得繁琐。当然使用 ChatModel 等原子 API 可以为应用程序带来更多的灵活性，成本就是您需要编写大量样板代码。
一、核心功能与特点
- 与AI模型通信：
- ChatClient能够与各种支持HTTP请求交互的AI模型进行通信，如GPT系列模型、BERT模型等。
- 它通过发送HTTP请求到AI模型的端点，并解析响应来实现与AI模型的通信。
- 流畅API设计：
- ChatClient采用了Fluent API的设计模式，通过方法链的方式简化了与AI模型通信的过程。
- 开发者可以通过链式调用的方式设置请求参数、发起请求，并获取响应结果。
- 这种设计方式提高了代码的可读性，减少了样板代码的量。
- 支持同步和异步处理：
- ChatClient支持同步和反应式（Reactive）编程模型。
- 同步处理模式下，开发者可以直接获取AI模型的响应结果。
- 异步处理模式下，开发者可以流式地接收AI模型的响应结果，提高系统的并发处理能力和响应速度。
- 丰富的响应格式化选项：
- ChatClient提供了多种方法来格式化AI模型的响应结果。
- 开发者可以根据需要选择返回字符串、实体对象或流式响应等不同类型的输出格式。
- 自定义提示与配置：
- ChatClient允许开发者通过Prompt对象来自定义与AI模型的交互过程。
- 开发者可以设置不同的提示语和参数来引导AI模型的回复方向和内容。
- ChatClient还支持在运行时通过Prompt的配置项覆盖初始化的配置项，以实现更灵活的配置管理。
二、应用场景
ChatClient可以应用于多种业务场景，包括但不限于：
- 客户服务：
- ChatClient可以用于构建智能客服系统，通过集成先进的AI模型（如ChatGPT），自动回答用户的问题，提供24/7不间断的服务。
- 这不仅可以提高客户满意度，还能降低企业的人力成本。
- 教育培训：
C - hatClient可以用于构建智能辅导系统，通过集成各种知识图谱和AI模型，根据学生的学习情况和兴趣爱好提供个性化的学习建议和辅导。- 这不仅可以提高学生的学习效率，还能激发他们的学习兴趣。
- 娱乐游戏：
- ChatClient可以用于构建智能NPC（非玩家角色），通过集成先进的对话系统和情感计算模型，与玩家进行更加自然和有趣的互动。
- 这不仅可以提高游戏的沉浸感和趣味性，还能增加玩家的粘性和活跃度。
三、使用方式
- 引入依赖：
- 如果使用的是Maven项目，可以在pom.xml文件中添加Spring AI的依赖来引入ChatClient。
- 创建ChatClient实例：
- 可以使用Spring Boot的自动配置功能来创建ChatClient实例，也可以通过编程方式来创建。
自动配置方式下，只需在类中注入ChatClient的Bean即可。 - 编程方式下，需要手动创建ChatClient.Builder实例，并通过它来构建ChatClient。
- 可以使用Spring Boot的自动配置功能来创建ChatClient实例，也可以通过编程方式来创建。
- 设置请求参数并发起请求：
- 使用ChatClient的prompt()方法来设置请求参数，如用户输入、系统提示等。
- 调用call()方法向AI模型发送请求，并获取响应结果。
- 可以根据需要使用chatResponse()、entity()等方法来格式化响应结果。
- 处理响应结果：
- 根据需要处理AI模型的响应结果，如将其映射为实体类、进行流式处理等。
四、源代码解读
ChatClient接口
public interface ChatClient {
..... 创建ChatClient方法。
create
.....
..... 创建Builder方法
builder
.....
.....用于设置聊天请求的规范，如提示信息等。
ChatClientRequestSpec prompt();
ChatClientRequestSpec prompt(String content);
ChatClientRequestSpec prompt(Prompt prompt);
.....
.....用于创建新的 Builder 其设置将复制自当前客户端的默认
Builder mutate();
.....配置用户提示
interface PromptUserSpec {......}
.....
.....配置系统提示
interface PromptSystemSpec {......}
.....
interface AdvisorSpec {......}
......回调的响应规格
interface CallResponseSpec {......}
......
......流式响应的规格
interface StreamResponseSpec {......}
......提示响应响应的规格
interface CallPromptResponseSpec {......}
......
......流式提示响应响应的规格
interface StreamPromptResponseSpec {......}
......
......聊天客户端的请求规格
interface ChatClientRequestSpec {......}
......
......提供了一种构建 ChatClient 对象的方式，允许设置默认的顾问、选项、用户和系统提示等。
interface Builder {
Builder defaultAdvisors(Advisor... advisor);
Builder defaultAdvisors(Consumer<AdvisorSpec> advisorSpecConsumer);
Builder defaultAdvisors(List<Advisor> advisors);
Builder defaultOptions(ChatOptions chatOptions);
Builder defaultUser(String text);
Builder defaultUser(Resource text, Charset charset);
Builder defaultUser(Resource text);
Builder defaultUser(Consumer<PromptUserSpec> userSpecConsumer);
Builder defaultSystem(String text);
Builder defaultSystem(Resource text, Charset charset);
Builder defaultSystem(Resource text);
Builder defaultSystem(Consumer<PromptSystemSpec> systemSpecConsumer);
/**
* @deprecated use {@link #defaultFunctions(FunctionCallback...)} instead.
*/
@Deprecated
<I, O> Builder defaultFunction(String name, String description, java.util.function.Function<I, O> function);
/**
* @deprecated use {@link #defaultFunctions(FunctionCallback...)} instead.
*/
@Deprecated
<I, O> Builder defaultFunction(String name, String description,
java.util.function.BiFunction<I, ToolContext, O> function);
Builder defaultFunctions(String... functionNames);
Builder defaultFunctions(FunctionCallback... functionCallbacks);
Builder defaultToolContext(Map<String, Object> toolContext);
Builder clone();
ChatClient build();
}
}
ChatClient 实现类 DefaultChatClient类
创建
使用 ChatClient.Builder 对象创建 ChatClient 实例，您可以自动注入由Spring Boot 自动配置创建的默认 ChatClient.Builder 实例，您也可以通过编程方式自行创建一个 ChatClient.Builder 实例并用它来得到 ChatClient 实例。
- 使用自动配置的 ChatClient.Builder
在快速开始示例中，就是使用的 Spring Boot 自动装配默认生成的 ChatClient.Builder 的 bean，把它注入到您自己的类中。这里是根据用户提问并从模型得到文本回答的简单例子：
@RestController
public class ChatController {
private final ChatClient chatClient;
public ChatController(ChatClient.Builder builder) {
this.chatClient = builder.build();
}
@GetMapping("/chat")
public String chat(String input) {
return this.chatClient.prompt()
.user(input)
.call()
.content();
}
}
在这个示例中，首先设置了用户消息的内容，call 方法向 AI 模型发送请求，content 方法以字符串形式返回 AI 模型的响应。
- 以编程方式创建 ChatClient
可以通过设置属性 spring.ai.chat.client.enabled=false 来禁用 ChatClient.Builder bean 的自动配置，如果需要多个聊天模型一起使用，这会很有用，然后以编程方式创建 ChatClient.Builder，这样可以为每个聊天模型创建一个实例 ChatModel：
ChatModel myChatModel = ... // usually autowired
ChatClient.Builder builder = ChatClient.builder(myChatModel);
// or create a ChatClient with the default builder settings:
ChatClient chatClient = ChatClient.create(myChatModel);
ChatClient 响应
- 返回 ChatResponse
AI 模型的响应是一种由ChatResponse类型定义的丰富结构。它包含响应生成相关的元数据，同时它还可以包含多个子响应（称为Generation），每个子响应都有自己的元数据。元数据包括用于创建响应的令牌（token）数量信息（在英文中，每个令牌大约为一个单词的 3/4）。
ChatResponse
public class ChatResponse implements ModelResponse<Generation> {
private final ChatResponseMetadata chatResponseMetadata;
private final List<Generation> generations;
@Override
public ChatResponseMetadata getMetadata() {...}
@Override
public List<Generation> getResults() {...}
// other methods omitted
}
Generation
public class Generation implements ModelResult<AssistantMessage> {
private final AssistantMessage assistantMessage;
private ChatGenerationMetadata chatGenerationMetadata;
@Override
public AssistantMessage getOutput() {...}
@Override
public ChatGenerationMetadata getMetadata() {...}
// other methods omitted
}
下面的代码段显示了通过调用 chatResponse() 返回 ChatResponse 的示例，相比于调用 content() 方法，这里在调用 call() 方法之后调用 chatResponse()。
ChatResponse chatResponse = chatClient.prompt()
.user("Tell me a joke")
.call()
.chatResponse();
- 返回实体类（Entity）
Spring AI 框架可以自动替我们完成从 String 到实体类的转换，调用entity() 方法可完成响应数据转换。
ActorFilms aFilms = chatClient.prompt()
.user("Generate the filmography for a random actor.")
.call()
.entity(ActorFilms.class);
entity 还有一种带有参数的重载方法 entity(ParameterizedTypeReference<T> type)，可让您指定如泛型 List 等类型：
List<ActorFilms> aFilms = chatClient.prompt()
.user("Generate the filmography of 5 movies for Tom Hanks and Bill Murray.")
.call()
.entity(new ParameterizedTypeReference<List<ActorFilms>>() {
});
- 流式响应
stream 方法是一种异步的、持续的获得模型响应的方式：
Flux<String> oput = chatClient.prompt()
.user("Tell me a joke")
.stream()
.content();
还可以使用 Flux<ChatResponse> chatResponse() 方法获得 ChatResponse 响应数据流。
call 返回值
ChatClient.call() 方法支持几种不同类型的响应格式。
- String content()：返回响应的字符串内容
- ChatResponse chatResponse()：返回ChatResponse包含多个代以及有关响应的元数据的对象，例如，使用了多少个令牌来创建响应。
- entity 返回 Java 类型
- entity(ParameterizedTypeReference type)：用于返回实体类型的集合。
- entity(Class type): 用于返回特定的实体类型。
- entity(StructuredOutputConverter structuredOutputConverter): 用于指定一个实例 StructuredOutputConverter，将 String 转换为实体类型。
stream() 返回值
还可以调用该stream方法而call不是，在指定stream方法后ChatClient，响应类型有几个选项：
Flux<String> content()：返回由AI模型生成的字符串的Flux。Flux<ChatResponse> chatResponse()：返回对象的 Flux ChatResponse，其中包含有关响应的附加元数据。
示例代码：
由ChatClient.Builder创建
@RestController
public class MyController {
private final ChatClient chatClient;
// 通过构造函数注入ChatClient的Bean
public MyController(ChatClient.Builder chatClientBuilder) {
this.chatClient = chatClientBuilder.build();
}
@GetMapping("/ai")
public String generateResponse(String userInput) {
// 设置请求参数并发起请求
ChatResponse chatResponse = chatClient.prompt()
.user(userInput) // 设置用户输入
.call() // 向AI模型发送请求
.chatResponse(); // 获取包含元数据的ChatResponse对象
// 处理响应结果（这里只是简单地返回响应内容）
return chatResponse.getContent();
}
}
ChatClient 默认值
使用 ChatClient.Builder.build() 快速创建了一个 ChatClient 实例，开发者还可以通过修改 ChatClient.Builder 定制 ChatClient 实例。
注意，创建 ChatClient 时指定的配置将作为与模型交互时的默认参数，这样可以避免每次调用都重复设置。
- 示例：设置默认 System Message
为 ChatClient 设置了一个默认的 system message（以海盗风格回答所有问题），这样，当 ChatClient 与模型交互时都会自动携带这条 system message，用户只需要指定 user message 即可。
@Configuration
class Config {
@Bean
ChatClient chatClient(ChatClient.Builder builder) {
return builder.defaultSystem("You are a friendly chat bot that answers question in the voice of a {voice}")
.build();
}
}
@RestController
class AIController {
private final ChatClient chatClient
AIController(ChatClient chatClient) {
this.chatClient = chatClient;
}
@GetMapping("/ai")
Map<String, String> completion(@RequestParam(value = "message", defaultValue = "Tell me a joke") String message, String voice) {
return Map.of(
"completion",
chatClient.prompt()
.system(sp -> sp.param("voice", voice))
.user(message)
.call()
.content());
}
}
启动示例，通过 curl 测试效果：
> curl http localhost:8080/ai?voice=='Robert DeNiro'
{
"completion": "You talkin' to me? Okay, here's a joke for ya: Why couldn't the bicycle stand up by itself? Because it was two tired! Classic, right?"
}
- 其他默认设置
-
defaultOptions(ChatOptions chatOptions)：传入 ChatOptions 类中定义的可移植选项或特定于模型实现的如 DashScopeChatOptions 选项。有关特定于模型的ChatOptions实现的更多信息，请参阅 JavaDocs。
-
defaultFunction(String name, String description, java.util.function.Function<I, O> function)：name 用于在用户文本中引用该函数，description解释该函数的用途并帮助 AI 模型选择正确的函数以获得准确的响应，参数 function 是模型将在必要时执行的 Java 函数实例。
-
defaultFunctions(String… functionNames)：应用程序上下文中定义的 java.util.Function 的 bean 名称。
-
defaultUser(String text)、defaultUser(Resource text)、defaultUser(Consumer userSpecConsumer) 这些方法允许您定义用户消息输入，
Consumer<UserSpec>允许您使用 lambda 指定用户消息输入和任何默认参数。 -
defaultAdvisors(RequestResponseAdvisor… advisor)：Advisors 允许修改用于创建 Prompt 的数据，QuestionAnswerAdvisor 实现通过在 Prompt 中附加与用户文本相关的上下文信息来实现 Retrieval Augmented Generation 模式。
-
defaultAdvisors(Consumer advisorSpecConsumer)：此方法允许您定义一个 Consumer 并使用 AdvisorSpec 配置多个 Advisor，Advisor 可以修改用于创建 Prompt 的最终数据，
Consumer<AdvisorSpec>允许您指定 lambda 来添加 Advisor 例如 QuestionAnswerAdvisor。
-
Advisors
使用上下文数据附加或扩充 Prompt，最终使用扩充后的 Prompt 与模型交互。
扩充 Prompt 的上下文数据可以是不同类型的，常见类型包括：
- 自己的数据：这是 AI 模型尚未训练过的数据，如特定领域知识、产品文档等，即使模型已经看到过类似的数据，附加的上下文数据也会优先生成响应。
- 对话历史记录：聊天模型的 API 是无状态的，如果告诉 AI 模型您的姓名，它不会在后续交互中记住它，每次请求都必须发送对话历史记录，以确保在生成响应时考虑到先前的交互。
检索增强生成（RAG）
向量数据库存储的是 AI 模型不知道的数据，当用户问题被发送到 AI 模型时，会在向量数据库中查询与用户问题相关的文档。
来自向量数据库的响应被附加到用户消息 Prompt 中，为 AI 模型生成响应提供上下文。
假设已将数据加载到中 VectorStore，则可以通过向 ChatClient 提供 QuestionAnswerAdvisor 实例来执行检索增强生成 (RAG ) 。
ChatResponse response = ChatClient.builder(chatModel)
.build().prompt()
.advisors(new QuestionAnswerAdvisor(vectorStore, SearchRequest.defaults()))
.user(userText)
.call()
.chatResponse();
在此示例，SearchRequest.defaults() 将对 Vector 向量数据库中的所有文档执行相似性搜索。为了限制要搜索的文档类型。
记忆
ChatMemory 接口表示聊天对话历史记录存储，提供向对话添加消息、从对话中检索消息以及清除对话历史记录的方法。
目前提供两种实现方式 InMemoryChatMemory、CassandraChatMemory，分别为聊天对话历史记录提供内存存储和 time-to-live 类型的持久存储。
创建一个包含 time-to-live 配置的 CassandraChatMemory
CassandraChatMemory.create(CassandraChatMemoryConfig.builder().withTimeToLive(Duration.ofDays(1)).build());
以下 Advisor 实现使用 ChatMemory 接口来使用对话历史记录来增强（advice）Prompt，这些 advisor 实现在如何将对话历史记录添加到 Prompt 的细节上有所不同。
- MessageChatMemoryAdvisor：内存被检索并作为消息集合添加到提示中
- PromptChatMemoryAdvisor：检索内存并将其添加到提示的系统文本中。
- VectorStoreChatMemoryAdvisor ：构造函数VectorStoreChatMemoryAdvisor(VectorStore vectorStore, String defaultConversationId, int chatHistoryWindowSize)允许指定要从中检索聊天历史记录的 VectorStore、唯一的对话 ID、要检索的聊天历史记录的大小（以令牌大小为单位）。
下面的 @Service 提供了一个使用多个 Advisor 的示例实现：
import static org.springframework.ai.chat.client.advisor.AbstractChatMemoryAdvisor.CHAT_MEMORY_CONVERSATION_ID_KEY;
import static org.springframework.ai.chat.client.advisor.AbstractChatMemoryAdvisor.CHAT_MEMORY_RETRIEVE_SIZE_KEY;
@Service
public class CustomerSupportAssistant {
private final ChatClient chatClient;
public CustomerSupportAssistant(ChatClient.Builder builder, VectorStore vectorStore, ChatMemory chatMemory) {
this.chatClient = builder
.defaultSystem("""
You are a customer chat support agent of an airline named "Funnair".", Respond in a friendly,
helpful, and joyful manner.
If there is a charge for the change, you MUST ask the user to consent before proceeding.
""")
.defaultAdvisors(
new PromptChatMemoryAdvisor(chatMemory),
// new MessageChatMemoryAdvisor(chatMemory), // CHAT MEMORY
new QuestionAnswerAdvisor(vectorStore, SearchRequest.defaults()),
new LoggingAdvisor()) // RAG
.defaultFunctions("getBookingDetails", "changeBooking", "cancelBooking") // FUNCTION CALLING
.build();
}
public Flux<String> chat(String chatId, String userMessageContent) {
return this.chatClient.prompt()
.user(userMessageContent)
.advisors(a -> a
.param(CHAT_MEMORY_CONVERSATION_ID_KEY, chatId)
.param(CHAT_MEMORY_RETRIEVE_SIZE_KEY, 100))
.stream().content();
}
}
日志记录
SimpleLoggerAdvisor 是一个用于记录 ChatClient 的 request 和 response 数据 Advisor，这对于调试和监控 AI 交互非常有用。
要启用日志记录，请在创建 ChatClient 时将 SimpleLoggerAdvisor 添加到 Advisor 链中。建议将其添加到链的末尾：
ChatResponse response = ChatClient.create(chatModel).prompt()
.advisors(new SimpleLoggerAdvisor())
.user("Tell me a joke")
.call()
.chatResponse();
要查看日志，请将 Advisor 包的日志记录级别设置为 DEBUG：
org.springframework.ai.chat.client.advisor=DEBUG
将其添加到 application.properties 或 application.yaml 文件中。
可以使用以下构造函数自定义如何使用 SimpleLoggerAdvisor 记录来自 AdvisedRequest 和 ChatResponse 的数据：
SimpleLoggerAdvisor(
Function<AdvisedRequest, String> requestToString,
Function<ChatResponse, String> responseToString
)
使用示例：
javaCopySimpleLoggerAdvisor customLogger = new SimpleLoggerAdvisor(
request -> "Custom request: " + request.userText,
response -> "Custom response: " + response.getResult()
);
参考项目
紫汐AI
综上所述，Spring AI的ChatClient是一个功能强大且灵活的客户端工具，它能够帮助开发者轻松地与各种AI模型进行通信，并实现丰富的交互功能。
