AI赋能传统系统：Spring AI Alibaba如何用大模型重构机票预订系统？

零、效果

一、启动项目

1.0、前置条件

Java 17+
Node.js 18+
获取 API key
- 具体文档：获取APP ID和Workspace ID_大模型服务平台百炼(Model Studio)-阿里云帮助中心

1.1、下载代码

Github地址：https://github.com/springaialibaba/spring-ai-alibaba-examples/tree/main/spring-ai-alibaba-agent-example/playground-flight-booking

1.2、启动前端

参看 /frontend/README.md 文件说明

启动成功

打开本地页面

提示报错，是因为后端未启动！

1.3、启动后端

修改图中端口号和 api key

修改端口号，是因为报错的端口是9001，这里设置的是9000，应该是前端的5173端口占用导致吧；

api key如何获取，上面前置条件有链接，免费申请；

1.4、项目启动成功

原来名字太广告了，随机ai了几个名字。

二、项目介绍

2.1、架构图

架构图

CodeGeeX 自动生成

2.2、核心功能

使用 Spring AI Alibaba 框架开发一个智能机票助手，它可以帮助消费者完成机票预定、问题解答、机票改签、取消等动作，具体要求为：

基于 AI 大模型与用户对话，理解用户自然语言表达的需求；
支持多轮连续对话，能在上下文中理解用户意图；
理解机票操作相关的术语与规范并严格遵守，如航空法规、退改签规则等；
在必要时可调用工具辅助完成任务；

2.3、Spring AI

智能机票助手的核心就是 Spring AI，也可以叫做智能体，使应用可以与 AI 交互，由 AI 帮助应用理解用户问题并为用户做决策，它包含有两个API&四个核心功能，正如架构图中所画：

2.3.1、两个API

Chat Model：对话模型
Vector Store：向量存储

2.3.2、四个核心功能

System Prompt ：系统提示词
Conversation Memory：对话记忆
**RAG：**检索增强生成
Function Calling：工具/函数调用

三、两个API & 四个核心功能

3.0、ChatClient

更多介绍参看官网介绍：ChatClient

**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。

ChatClient 类似于应用程序开发中的服务层，它为应用程序直接提供 AI 服务，开发者可以使用 ChatClient Fluent API 快速完成一整套 AI 交互流程的组装。

包括一些基础功能，如：

定制和组装模型的输入（Prompt）
格式化解析模型的输出（Structured Output）
调整模型交互参数（ChatOptions）

还支持更多高级功能：

对话记忆（Chat Memory）
工具/函数调用（Function Calling）
检索增强生成（RAG）
日志记录（SimpleLoggerAdvisor）

3.0.1、项目代码

3.1、Chat Model（对话模型）

更多介绍参看官网介绍：对话模型(Chat Model)

对话模型（Chat Model）接收一系列消息（Message）作为输入，与模型 LLM 服务进行交互，并接收返回的聊天消息（Chat Message）作为输出。

Spring AI Alibaba 复用了 Spring AI 抽象的 Model API，并与通义系列大模型服务进行适配（如通义千问、通义万相等），目前支持纯文本聊天、文生图、文生语音、语音转文本等。以下是框架定义的几个核心 API：

ChatModel，文本聊天交互模型，支持纯文本格式作为输入，并将模型的输出以格式化文本形式返回。
ImageModel，接收用户文本输入，并将模型生成的图片作为输出返回。
AudioModel，接收用户文本输入，并将模型合成的语音作为输出返回。

3.2、System Prompt （系统提示词）

更多介绍参看官网介绍：提示词 (Prompt)

Prompt 是引导 AI 模型生成特定输出的输入格式，Prompt 的设计和措辞会显著影响模型的响应。

Prompt 中的主要角色（Role）包括：

系统角色（System Role）：指导 AI 的行为和响应方式，设置 AI 如何解释和回复输入的参数或规则。这类似于在发起对话之前向 AI 提供说明。
用户角色（User Role）：代表用户的输入 - 他们向 AI 提出的问题、命令或陈述。这个角色至关重要，因为它构成了 AI 响应的基础。
助手角色（Assistant Role）：AI 对用户输入的响应。这不仅仅是一个答案或反应，它对于保持对话的流畅性至关重要。通过跟踪 AI 之前的响应（其“助手角色”消息），系统可确保连贯且上下文相关的交互。助手消息也可能包含功能工具调用请求信息。它就像 AI 中的一个特殊功能，在需要执行特定功能（例如计算、获取数据或不仅仅是说话）时使用。
工具/功能角色（Tool/Function Role）：工具/功能角色专注于响应工具调用助手消息返回附加信息。

Message 接口的各种实现对应 AI 模型可以处理的不同类别的消息。模型根据对话角色区分消息类别。

3.2.1、项目代码

3.3、Chat Memory（对话记忆）

更多介绍参看官网介绍：对话记忆

”大模型的对话记忆”这一概念，根植于人工智能与自然语言处理领域，特别是针对具有深度学习能力的大型语言模型而言，它指的是模型在与用户进行交互式对话过程中，能够追踪、理解并利用先前对话上下文的能力。

Spring AI Alibaba 支持基于Chat Memory的对话记忆，也就是不需要调用显示的记录每一轮的对话历史。

当然，开发者也可以自行实现ChatMemory基于类似于文件、Redis等方式进行上下文内容的存储和记录。

3.3.1、项目代码

定义ChatMemory

注入ChatMemory

3.4、Function Calling （工具/函数调用）

更多介绍参看官网介绍：工具(Function Calling)

“工具（Tool）”或“功能调用（Function Calling）”允许大型语言模型（LLM）在必要时调用一个或多个可用的工具，这些工具通常由开发者定义。

Spring AI 使这一过程变得简单，只需定义一个返回 java.util.Function 的 @Bean 定义，并在调用 ChatModel 时将 bean 名称作为选项进行注册。在底层，Spring 会用适当的适配器代码包装你的 POJO（即函数），以便与 AI 模型进行交互，免去了编写繁琐的样板代码。

3.4.1、项目代码

Function 定义

Function 注入

3.5、RAG（检索增强生成）

更多介绍参看官网介绍：核心概念

检索增强生成 (RAG) 是一种技术，它结合了信息检索模型与文本生成模型。其中，检索模型负责从数据源中获取相关信息，而生成模型则基于检索到的信息来生成更加精确且富含背景知识的回答。

该方法涉及批处理式的编程模型，其中涉及到：从文档中读取非结构化数据、对其进行转换、然后将其写入矢量数据库。从高层次上讲，这是一个 ETL（提取、转换和加载）管道。矢量数据库则用于 RAG 技术的检索部分。

假设您已将数据加载到中 VectorStore，则可以通过向 ChatClient 提供 QuestionAnswerAdvisor 实例来执行检索增强生成 (RAG) 。

3.5.1、项目代码

RAG 定义

3.6、Vector Store（向量存储）

更多介绍参看官网介绍：向量存储(Vector Store)

向量存储（VectorStore）是一种用于存储和检索高维向量数据的数据库或存储解决方案，它特别适用于处理那些经过嵌入模型转化后的数据。在 VectorStore 中，查询与传统关系数据库不同。它们执行相似性搜索，而不是精确匹配。当给定一个向量作为查询时，VectorStore 返回与查询向量“相似”的向量。