AI写作助手翻译 一文读懂Spring AI Advisors：AOP式AI增强核心（2026年4月11日）

2026年4月11日发布

开篇引入

在Spring AI框架体系中，Advisors（顾问）是与大语言模型（Large Language Model，LLM）交互的核心增强机制，属于掌握Spring AI框架后必须攻克的进阶知识点。

许多开发者在使用Spring AI时，常会陷入这样的困境：懂得如何调用ChatClient发送消息、接收回复，但面对“如何给AI对话加上记忆”“如何实现RAG检索增强”“如何统一处理日志与鉴权”等实际问题时，往往束手无策。概念易混淆（Advisors和AspectJ有何区别？）、底层原理模糊、面试答不出要点，是普遍存在的学习痛点。

本文将从痛点出发，系统讲解Spring AI Advisors的核心概念、内置顾问类型、底层原理与实战代码示例，并附高频面试题参考答案，帮助读者建立从概念到落地的完整知识链路。后续还将推出“手写自定义Advisor”等进阶内容，敬请关注。

一、痛点切入：为什么需要Advisors

先看一个典型的“无增强”AI调用示例：

@RestController
public class ChatController {
    private final ChatClient chatClient;
    
    public ChatController(ChatClient.Builder chatClientBuilder) {
        this.chatClient = chatClientBuilder.build();
    }
    
    @PostMapping("/chat")
    public String chat(@RequestBody String userInput) {
        // 每次对话都是孤立的，没有记忆
        return chatClient.prompt().user(userInput).call().content();
    }
}

这段代码存在四个明显缺陷：

1. 无状态隔离：大语言模型（LLM）本身是无状态的，每次调用都是独立的。多轮对话场景下，后续请求无法“记住”之前的对话内容。

2. 缺乏上下文增强：无法在调用前向模型注入私有知识库信息，导致RAG（检索增强生成）等高级功能难以落地。

3. 横切逻辑重复：日志记录、请求校验、鉴权、限流等通用能力，不得不侵入每个业务方法。

4. 扩展性差：想要添加一个新功能（如对话压缩、输出校验），就需要修改核心调用代码，违反开闭原则。

痛点总结：开发者需要一个类似Spring AOP（面向切面编程）的机制，在不污染业务逻辑的前提下，拦截并增强每一次AI模型调用。

这正是Spring AI Advisors设计的初衷。

二、核心概念讲解：Advisors

标准定义

Advisors是Spring AI框架中用于拦截、修改和增强AI驱动交互的核心组件。它围绕ChatClient的请求与响应链路，提供了一套可插拔、可组合、可排序的增强处理机制-。

关键词拆解

• 拦截：Advisors可以“中途截获”即将发送给大语言模型（LLM）的请求，以及模型返回的响应。

• 修改：可以对请求进行“预处理”（如添加对话记忆、注入RAG检索结果），也可以对响应进行“后处理”（如格式化输出、校验内容合法性）。

• 增强：通过叠加多个Advisors，可以组合实现对话记忆、RAG检索、日志记录、护栏（Guardrails）等丰富功能-。

生活化类比

可以把Advisors理解为机场安检通道：

• 旅客手持的登机牌就是用户请求（Prompt）；

• 安检员会核验身份、扫描行李，这个过程就是Advisor的拦截与预处理；

• 如果一切合规，旅客被放行登机，这是调用下一个Advisor或最终的大语言模型（LLM）；

• 落地后行李被再次检查，这是后处理；

• 安检员还可以直接拒绝旅客登机（比如发现违禁品），对应阻止请求继续传递。

作用与价值

Spring AI Advisors的主要优势可以概括为三条-5：

1. 封装通用模式：将对话记忆、RAG、日志记录等常见AI场景，打包成可重用的组件。

2. 数据转换：增强发送给大语言模型（LLM）的数据，并优化返回给客户端的响应格式。

3. 跨模型可移植：同一个Advisor可以用于OpenAI、Ollama、阿里云百炼等不同AI服务，无需修改代码。

三、关联概念讲解：Recursive Advisors（递归顾问）

标准定义

Recursive Advisors（递归顾问） 是Spring AI 1.1.0-M4版本引入的增强机制，它支持多次循环执行顾问链，每次迭代中可根据前一次响应条件决定是否重试或继续-6。

与普通Advisors的关系

普通Advisors是一次通过的线性处理——请求经过链中的每个Advisor一次，然后到达大语言模型（LLM），响应再原路返回。而Recursive Advisors允许重复循环下游顾问链，直至满足某个条件-2。

典型应用场景

快速示例

public class MyRecursiveAdvisor implements CallAdvisor {
    @Override
    public ChatClientResponse adviseCall(ChatClientRequest request, 
                                          CallAdvisorChain chain) {
        // 首次调用
        ChatClientResponse response = chain.nextCall(request);
        // 条件循环重试
        while (!isConditionMet(response)) {
            request = refineRequest(request, response);
            response = chain.nextCall(request);
        }
        return response;
    }
}

四、概念关系与区别总结

一句话记忆：Advisors是增强AI交互的切面化组件，而Recursive Advisors是实现智能体自主迭代的循环引擎。

五、代码示例：给AI对话加上记忆功能

以下示例展示如何通过MessageChatMemoryAdvisor为无状态的AI调用注入对话记忆：

完整代码

import org.springframework.ai.chat.client.ChatClient;
import org.springframework.ai.chat.client.advisor.MessageChatMemoryAdvisor;
import org.springframework.ai.chat.memory.InMemoryChatMemory;
import org.springframework.stereotype.Service;

@Service
public class AIChatService {
    private final ChatClient chatClient;
    
    public AIChatService(ChatClient.Builder chatClientBuilder) {
        // 1. 构建内存级聊天记忆存储
        var chatMemory = new InMemoryChatMemory();
        
        // 2. 配置Advisor：将记忆能力注入ChatClient
        var memoryAdvisor = MessageChatMemoryAdvisor.builder(chatMemory)
                .build();
        
        // 3. 构建带有记忆能力的ChatClient
        this.chatClient = chatClientBuilder
                .defaultAdvisors(memoryAdvisor)   // ← 关键：注册Advisor
                .build();
    }
    
    public String chat(String conversationId, String userMessage) {
        // 4. 调用时传入会话ID，框架自动关联历史记忆
        return chatClient.prompt()
                .advisors(advisor -> advisor.param(
                    ChatMemory.CONVERSATION_ID, conversationId))
                .user(userMessage)
                .call()
                .content();
    }
}

执行流程解析

1. 构建InMemoryChatMemory：在内存中存储每个会话的历史消息。

2. 创建MessageChatMemoryAdvisor：这是一个内置Advisor，负责在请求前自动将历史消息拼接到Prompt中，并在响应后将新消息存入记忆。

3. 注册defaultAdvisors()：将该Advisor注册到ChatClient.Builder中，成为每次调用的默认增强链-1。

4. 传入CONVERSATION_ID：运行时通过.advisors()动态参数指定会话ID，框架根据ID自动区分不同用户的对话历史-1。

对比无记忆版本

效果差异：无记忆版本下，用户问“我叫小明”，再问“我叫什么名字”，AI会答非所问；加上记忆Advisor后，AI能准确回答“你叫小明”。

六、底层原理与技术支撑

Spring AI Advisors的底层实现依赖以下几个核心机制：

1. 责任链（Chain of Responsibility）模式

Advisors以链式结构串联执行，通过getOrder()方法控制执行顺序（值越低越优先）。当请求进入链时，链中的每个Advisor依次处理请求，可选择修改请求、调用下一个Advisor，或直接阻断并返回自定义响应-1。

2. 环绕通知模式（类似Spring AOP）

Advisors的设计与Spring AOP的@Around通知高度相似。核心接口CallAdvisor定义了adviseCall方法，该方法在调用前、调用后均可插入增强逻辑，与AOP切面的“环绕增强”理念一致-5。

3. Spring Boot自动配置

Spring AI通过@ConditionalOnClass、@AutoConfiguration等机制，实现了Advisors的零配置集成——引入对应Starter依赖后，内置Advisors自动生效。

4. 堆栈式执行顺序

Advisors链以堆栈方式运行：最先执行的Advisor（order值最小）在处理请求时最先被调用，但在处理响应时却是最后被调用的。这是因为请求沿链向下传递，响应则沿链向上返回，形成“先入后出”的栈式顺序-1。

原理示意图：

请求流向：A(低order) → B(中order) → C(高order) → LLM
响应流向：A ← B ← C ← LLM

七、高频面试题与参考答案

面试题一：什么是Spring AI Advisors？它的核心作用是什么？

参考答案：

Spring AI Advisors是框架中用于拦截、修改和增强AI交互的核心组件。它的核心作用有三：

1. 封装通用AI模式：将对话记忆、RAG检索增强、日志记录等能力封装为可重用组件；

2. 实现关注点分离：通过类似AOP的环绕通知模式，将横切逻辑从业务代码中解耦，符合开闭原则；

3. 提供跨模型可移植性：同一套Advisor配置可适配OpenAI、Ollama、阿里云百炼等多种大语言模型（LLM），无需修改代码。

踩分点：提及“拦截修改增强”、“AOP式设计”、“内置Advisor类型”、“跨模型可移植”等关键词。

面试题二：Advisors的执行顺序是如何控制的？请简述其原理。

参考答案：

Advisors的执行顺序通过实现Ordered接口的getOrder()方法控制，order值越小，优先级越高，越先执行。

核心原理：Advisors链以堆栈方式运行。假设A.order=0、B.order=5、C.order=10，执行过程为：

• 请求流向下：A → B → C → LLM

• 响应流向上：A ← B ← C ← LLM

这意味着最先处理请求的Advisor，是最后处理响应的。若多个Advisors的order值相同，执行顺序不予保证。

踩分点：说出“order值越小越优先”、“堆栈式执行顺序”、“请求与响应的逆序处理”三个要点。

面试题三：普通Advisors和Recursive Advisors有什么区别？

参考答案：

普通Advisors采用单次通过的线性处理模式——请求依次经过链中每个Advisor一次，到达LLM后响应原路返回。适用于对话记忆、RAG检索、日志记录等一次性增强场景。

Recursive Advisors支持多次循环执行下游顾问链，可根据每次响应结果决定是否继续循环，直至满足特定条件。适用于工具调用循环、输出校验重试、自主智能体迭代等复杂场景。

一句话总结：普通Advisors处理“一次增强”，Recursive Advisors处理“迭代优化”。

踩分点：对比“单次通过vs多次循环”，举例说明各自适用场景。

八、结尾总结

本文核心知识点回顾

重点与易错提示

• 易错点1：混淆defaultAdvisors()（构建时注册）与运行时.advisors()（动态传参）的用途——前者定义默认增强链，后者可在调用时动态覆盖参数。

• 易错点2：误以为order值越大优先级越高——实际是值越小越优先。

• 重点记忆：Advisors链是堆栈式执行，请求与响应的处理顺序相反。

下篇预告

本文以对话记忆Advisor为例展示了基本用法。下一篇将深入手写自定义Advisor，从实现CallAdvisor接口到构建生产级的日志记录与鉴权增强组件，敬请期待。

参考资源：

• Spring AI官方文档：Advisors API

• Spring官方博客：Create Self-Improving AI Agents Using Spring AI Recursive Advisors

本文数据截至2026年4月，基于Spring AI 1.1.x版本编写。随着版本迭代，API可能有变化，请以官方最新文档为准。