企业官网建设流程全解析

引言：AI应用的“健忘症”与“死脑筋”怎么治？

在上一轮的《构建专业级AI对话Agent》中，我们掌握了如何利用ChatClient和Advisor赋予AI短期记忆。但在真实生产环境中，仅靠内存存储是远远不够的——服务器一重启，AI就患上了“失忆症”，所有客户的对话记录烟消云散。

同时，你有没有遇到过这样的窘境：想微调一下AI的“人设”措辞，却要重新编译整个Java工程？提示词死死的焊在代码里，改一行字都要发版，这是典型的“死脑筋”设计。

今天，我们将围绕Spring AI框架，直击这两大痛点：对话记忆的持久化与提示词模板化。我们将通过自定义序列化方案绕过官方依赖的“坑”，实现基于文件的永久记忆，并利用PromptTemplate让提示词彻底从代码中解放出来。

第一部分：告别“重启即失”——对话记忆持久化的两种路径

1.1 为什么内存存储hold不住生产环境？

InMemoryChatMemory在开发测试阶段非常方便，但其底层仅仅是ConcurrentHashMap。当应用重启、或发生蓝绿部署时，Map清空，所有AI与用户的交互历史灰飞烟灭。对于客服、咨询、健康陪护等场景，这是不可接受的。

Spring AI官方提供了几种数据库集成的ChatMemory实现，但在实际选型中我们会遇到一个尴尬的局面：

结论：官方提供的JdbcChatMemory版本滞后，社区使用率极低，直接引入风险较高。更优雅的方案是：自定义实现ChatMemory接口，对接我们熟悉的文件系统或Redis。

1.2 架构设计：存储与算法的解耦

Spring AI的设计非常巧妙，它将“记忆算法”（如MessageChatMemoryAdvisor如何裁剪上下文）与“存储介质”（ChatMemory接口）彻底分离。这意味着，我们只需要专注实现存储层，上层的Advisor逻辑完全不用改动。

1.3 硬骨头：如何序列化Message对象？

在实现FileBasedChatMemory时，最大的技术障碍是：如何将Spring AI的Message对象写入文件？

• JSON序列化行不通：Message是一个接口，具体实现类（如UserMessage、AssistantMessage）字段各异，且没有无参构造器，导致Jackson或Gson很难优雅地将反序列化。

• Java原生序列化不靠谱：不仅体积大，且对类路径变更极其敏感。

解决方案：引入Kryo高性能序列化库。Kryo基于字节码生成机制，不需要类实现Serializable接口，也不需要无参构造器，完美适配Spring AI的Message体系。

代码实现：FileBasedChatMemory

<!-- 引入 Kryo 依赖 --> <dependency> <groupId>com.esotericsoftware</groupId> <artifactId>kryo</artifactId> <version>5.6.2</version> </dependency>

以下是完整的文件存储实现逻辑：

public class FileBasedChatMemory implements ChatMemory { private final String baseDir; private static final Kryo kryo = new Kryo(); static { // 关闭严格的注册模式，允许序列化未注册的类 kryo.setRegistrationRequired(false); // 支持对象内循环引用 kryo.setInstantiatorStrategy(new StdInstantiatorStrategy()); } public FileBasedChatMemory(String baseDir) { this.baseDir = baseDir; new File(baseDir).mkdirs(); } @Override public void add(String conversationId, List<Message> messages) { List<Message> all = getOrCreate(conversationId); all.addAll(messages); save(conversationId, all); } @Override public List<Message> get(String conversationId, int lastN) { List<Message> all = getOrCreate(conversationId); // 只返回最后 N 条，防止上下文溢出 return all.stream() .skip(Math.max(0, all.size() - lastN)) .toList(); } @Override public void clear(String conversationId) { new File(baseDir, conversationId + ".kryo").delete(); } // 私有方法：读取文件 private List<Message> getOrCreate(String conversationId) { File file = new File(baseDir, conversationId + ".kryo"); if (!file.exists()) return new ArrayList<>(); try (Input input = new Input(new FileInputStream(file))) { return kryo.readObject(input, ArrayList.class); } catch (Exception e) { return new ArrayList<>(); } } // 私有方法：写入文件 private void save(String conversationId, List<Message> messages) { try (Output output = new Output(new FileOutputStream( new File(baseDir, conversationId + ".kryo")))) { kryo.writeObject(output, messages); } catch (Exception e) { e.printStackTrace(); } } }

1.4 接入Spring容器

在构建ChatClient时，只需将FileBasedChatMemory注入到MessageChatMemoryAdvisor中：

@Bean public ChatClient chatClient(ChatModel chatModel) { // 项目根目录下的 chat-memory 文件夹 ChatMemory fileMemory = new FileBasedChatMemory("./chat-memory"); return ChatClient.builder(chatModel) .defaultSystem("你是一位专业的顾问") .defaultAdvisors(new MessageChatMemoryAdvisor(fileMemory, 20)) .build(); }

运行效果：每发起一次对话，项目根目录下就会生成一个{conversationId}.kryo文件，服务器重启后再次传入相同ID，AI能完美“回忆”起之前的聊天内容。

第二部分：告别硬编码——PromptTemplate让提示词“活”起来

2.1 痛点：提示词焊死在代码里有多痛？

如果你在Service层这样写代码，就已经埋下了技术债务：

String prompt = "你是一位经验丰富的心理专家，语气温柔，名字叫小爱，请用" + style + "的风格回复...";

这种硬编码的方式，导致：

1. 修改成本高：改一个字都要重新编译、打包、发版。

2. 无法多环境差异化：测试环境想用激进一点的语气，生产环境想用保守语气，无法通过配置切换。

3. A/B测试困难：无法快速对比两套提示词的业务效果。

2.2 原理剖析：StringTemplate引擎加持

Spring AI的PromptTemplate底层依赖StringTemplate模板引擎（非String.format），它支持更强大的占位符和条件逻辑，但最常用的是变量替换功能。

基础用法：

String template = "你好，{name}。今天的任务是：{task}。请给出建议。"; PromptTemplate promptTemplate = new PromptTemplate(template); Map<String, Object> params = new HashMap<>(); params.put("name", "王先生"); params.put("task", "制定健身计划"); String rendered = promptTemplate.render(params); // 输出：你好，王先生。今天的任务是：制定健身计划。请给出建议。

2.3 进阶应用：SystemPromptTemplate与角色扮演

SystemPromptTemplate专门用于构建系统级指令。结合外部文件，可以实现“提示词即配置”。

Step 1：创建模板文件
在src/main/resources/prompts/system.st中存储：

你是一位拥有十年经验的{domain}专家。 你的名字是{name}。 你说话的风格必须{style}，并且始终用{language}回复。 当前时间：{current_date}

Step 2：Java代码加载

@Value("classpath:/prompts/system.st") private Resource systemPromptResource; public void chat() { SystemPromptTemplate systemTemplate = new SystemPromptTemplate(systemPromptResource); Map<String, Object> vars = new HashMap<>(); vars.put("domain", "金融理财"); vars.put("name", "财智顾问"); vars.put("style", "严谨细致，数据驱动"); vars.put("language", "中文"); vars.put("current_date", LocalDate.now().toString()); Message systemMessage = systemTemplate.createMessage(vars); // 拼接到 Prompt 中发送 }

这样做的好处：

• 运营友好：非技术人员修改.st文件即可调整AI人设。

• 多语言支持：不同国家的用户加载不同的模板文件（如system_en.st）。

• 版本管理：Git记录模板变更历史，出问题可快速回滚。

第三部分：探索前沿——Spring AI多模态开发初探

3.1 什么是多模态？

传统模型只认文本，而多模态（Multimodal）模型能同时理解文本、图像、音频、视频。例如，给GPT-4o一张图表照片，它能直接分析数据趋势；给它一张手绘草图，它能生成对应的HTML代码。

3.2 如何利用Spring AI发送图片？

注意：并不是所有ChatModel都支持多模态。目前，OpenAI（GPT-4o）、Google VertexAI（Gemini）、Anthropic Claude 3系列支持较好。国内的文心、通义部分版本也开始支持。

方式一：通过构造UserMessage添加Media

byte[] imageData = new ClassPathResource("/screenshot.png").getContentAsByteArray(); UserMessage userMessage = new UserMessage( "请描述这张图片里有什么？", List.of(new Media(MimeTypeUtils.IMAGE_PNG, imageData)) ); ChatResponse response = chatModel.call(new Prompt(List.of(userMessage)));

方式二：通过ChatClient流畅API添加

String result = chatClient.prompt() .user(u -> u.text("这张图片展示了什么布局？") .media(MimeTypeUtils.IMAGE_PNG, new ClassPathResource("/layout.png"))) .call() .content();

3.3 Message类继承结构解析（文字类图）

为了便于理解Message体系，我们整理其继承关系如下：

• MessageType枚举：SYSTEM、USER、ASSISTANT、TOOL，决定了消息在对话中的角色。

• Media对象：封装了MIME类型（如image/png）、文件内容（byte数组）或URI。

结语：让AI应用走向“工业化”

从内存到文件的ChatMemory持久化，我们解决了AI的“健忘症”；通过PromptTemplate外部化配置，我们治理了代码的“硬编码”癌变；触及多模态，我们打开了通往更丰富交互世界的大门。

这三项能力，是AI应用从“Demo玩具”走向“生产级服务”的关键基石。希望本篇的实战代码和踩坑经验，能帮助你打造出更加健壮、灵活且智能的Spring AI应用。

扩展思考：FileBasedChatMemory虽然解决了持久化问题，但在集群部署下，多节点读写本地文件会引发数据不一致。下一期，我们将探讨如何基于Redis实现分布式对话缓存，真正支撑起高并发的AI应用。