基于Spring Ai的Agent 工程师

一、基础概念题

1. 什么是 Spring AI？它的核心定位是什么？

答案：

• Spring AI 是 Spring 生态的 AI 应用开发框架，旨在简化 Java 开发者构建 AI 应用的过程
• 核心定位：“AI 应用的 Spring Boot”，提供统一的抽象层，让开发者像使用数据库一样简单地使用大模型
• 主要功能：对话模型、嵌入模型、向量存储、提示词模板、RAG、Function Calling、结构化输出等

2. 解释 Spring AI 中的核心概念：Model、Prompt、Embedding、Token

答案：

3. 什么是 RAG（检索增强生成）？与微调（Fine Tuning）有什么区别？

答案：

RAG（检索增强生成）：

• 原理：AI 先"百度一下"再回答，从外部知识库检索相关信息后生成答案
• 特点：动态检索，适合知识更新频繁的场景，无需重新训练模型
• 示例：问"成都火锅推荐"，AI 先查大众点评、小红书再总结

微调（Fine Tuning）：

• 原理：给 AI"开小灶补课"，用特定领域数据继续训练模型
• 特点：修改模型参数，适合固定领域深度优化，需要训练成本
• 示例：通用 AI 医生学完 1000 张皮肤病图片后专攻皮肤科

核心区别：RAG 是"考试时翻书"，微调是"考前刷题"

二、Spring AI 使用流程题

4. 使用 Spring AI Alibaba 实现第一个 AI 聊天机器人的完整步骤？

答案：

1) 创建一个 Spring Boot 应用 └── 2) 通过 DashScope 接入大模型 ├── 2.1) 引入 Spring AI Alibaba 的依赖 ├── 2.2) 配置 application.yml ├── 2.3) 通过阿里云百炼平台创建 API-KEY └── 2.4) 设置 AI_DASHSCOPE_API_KEY 的环境变量 └── 3) 注入 ChatClient 实现对话接口 ├── 同步接口实现 ├── 流式响应实现 └── 完整的示例代码 └── 4) 测试

关键配置：

spring:ai:dashscope:api-key:${AI_DASHSCOPE_API_KEY}chat:options:model:qwen-turbo

5. Spring AI 支持哪些模型类型？分别有什么应用场景？

答案：

6. 如何在 Spring AI 中实现结构化输出（Structured Output）？

答案：

需求：将文本转为特定格式（JSON、Java 对象）

两种方式：

1. ChatClient 方式- 调用entity()方法

   // 返回实体对象MyEntityentity=chatClient.prompt().user("提取以下信息...").call().entity(MyEntity.class);// 返回 ListList<MyEntity>list=chatClient.prompt().call().entity(newParameterizedTypeReference<List<MyEntity>>(){});// 返回 MapMap<String,Object>map=chatClient.prompt().call().entity(newParameterizedTypeReference<Map<String,Object>>(){});

2. ChatModel 方式- 使用BeanOutputConverter

   BeanOutputConverter<MyEntity>converter=newBeanOutputConverter<>(MyEntity.class);Stringformat=converter.getFormat();// 将 format 加入提示词，让模型按格式输出

三、Agent 核心概念题

7. 什么是 Agent（智能体）？Spring AI Alibaba 中的 Agent 如何定义？

答案：

Agent 定义：

• 编程模型层把"一个可重入、可恢复、可观测的节点"视为 Agent 的最小执行单元
• 对应 Graph 里的 Node（节点）

Spring AI Alibaba Graph 中的 Agent 特性：

• 可重入：节点可以重复执行
• 可恢复：支持故障恢复
• 可观测：可监控执行状态

Multi-Agent（多智能体）：

• Graph 本身被定义为"多智能体运行时"
• 支持把多个 Agent 节点用边（Edge）连接成 DAG 或带循环的图
• 实现 Multi-Agent 协作

8. 工作流（Workflow）与 Agent（智能体）的核心区别是什么？

答案：

9. 什么是 MCP（Model Context Protocol）？与 Function Calling 有什么区别？

答案：

MCP（模型上下文协议）：

• 一种开放协议，标准化 AI 模型与外部工具/数据源的连接方式
• 类比：类似 USB-C 接口，统一了 AI 与外部世界的交互标准

与 Function Calling 的区别：

Spring AI MCP 实战：

• stdio 实现 MCP 客户端和服务端
• SSE 实现 MCP 客户端和服务端
• 借助 Serverless 将 MCP Server 部署到云端

四、高级应用题

10. 什么是 Function Calling（函数调用）？在 Spring AI 中如何实现？

答案：

Function Calling 定义：

• AI 帮你"按遥控器按钮"——你说"明早7点叫我起床"，AI 自动调用手机闹钟功能设置时间
• 类似智能家居中"开灯"指令触发灯泡开关

Spring AI 实现步骤：

1. 定义工具函数（用@Tool注解或Function接口）
2. 注册工具到 ChatClient
3. 模型自动识别需要调用工具的场景
4. 执行工具并返回结果给模型
5. 模型整合结果生成最终回答

示例场景：

• 实验1：Function Calling 获取天气信息
• 实验2：智能客服根据商品 ID 获取商品详情

11. 解释 RAG 的完整工作原理，以及如何在 Spring AI 中实现？

答案：

RAG 工作原理（两个阶段）：

┌─────────────────┐ ┌─────────────────┐ │ 建立索引阶段 │ │ 检索与生成阶段 │ │ │ │ │ │ 1. 文档切分 │ │ 1. 用户提问 │ │ 2. Embedding │────→│ 2. 问题向量化 │ │ 3. 存入向量库 │ │ 3. 相似度检索 │ │ │ │ 4. 拼接上下文 │ └─────────────────┘ │ 5. LLM 生成回答 │ └─────────────────┘

Spring AI 实现 RAG：

1. 配置类：配置 VectorStore、EmbeddingModel

2. 检索增强服务：

   // 文档导入vectorStore.add(List.of(document));// 相似度检索List<Document>results=vectorStore.similaritySearch(SearchRequest.query(question).withTopK(5));// 构建增强提示Stringcontext=results.stream().map(Document::getContent).collect(Collectors.joining("\n"));

3. 与阿里云百炼实战：

   • 本地集成百炼智能体应用
   • SpringBoot + Spring AI Alibaba 接入 RAG 应用
   • 本地 RAG 应用集成百炼知识库

12. 提示词工程（Prompt Engineering）在 Spring AI 中有哪些实现方式？

答案：

动态模板（PromptTemplate）：

变量注入技巧：

• 使用{变量名}占位符
• 运行时动态替换
• 实验：提示词动态注入

与 RAG 的区别：

• 提示词注入：手动构造上下文
• RAG：自动检索相关文档作为上下文

五、模型调优与面试场景题

13. 通义千问模型的 temperature 和 top_p 参数如何调优？

答案：

是否需要同时调整 temperature 和 top_p？

• 一般不需要，两者都控制随机性
• 同时调整可能导致效果不可控

14. 设计一个智能客服 Agent，需要哪些核心组件？

答案：

┌─────────────────────────────────────────┐ │ 智能客服 Agent 架构 │ ├─────────────────────────────────────────┤ │ 1. 对话模型（Chat Model） │ │ └── 通义千问 / DeepSeek 等 │ ├─────────────────────────────────────────┤ │ 2. 提示词模板（PromptTemplate） │ │ └── 动态注入用户问题、历史会话 │ ├─────────────────────────────────────────┤ │ 3. RAG 知识库 │ │ └── 产品文档、FAQ、历史工单 │ ├─────────────────────────────────────────┤ │ 4. Function Calling 工具 │ │ ├── 查询订单状态 │ │ ├── 获取商品详情 │ │ └── 创建售后工单 │ ├─────────────────────────────────────────┤ │ 5. 记忆管理（Memory） │ │ └── 多轮对话上下文维护 │ ├─────────────────────────────────────────┤ │ 6. 结构化输出（Structured Output） │ │ └── 返回标准 JSON 格式响应 │ └─────────────────────────────────────────┘

15. 如何处理 Agent 的幻觉问题（Hallucination）？

答案：

六、综合场景题

16. 基于 Spring AI Alibaba，设计一个"天气查询助手"的完整实现方案

答案：

方案一：Function Calling 方式

// 1. 定义天气查询工具publicclassWeatherService{@Tool(description="查询指定城市的天气")publicStringgetWeather(@ToolParam(description="城市名称")Stringcity){// 调用天气 APIreturn"北京今天晴，25°C";}}// 2. 注册并使用ChatClientchatClient=ChatClient.builder(model).defaultTools(newWeatherService()).build();Stringresponse=chatClient.prompt("北京今天天气怎么样？").call().content();

方案二：MCP 方式

• 部署天气查询 MCP Server
• Spring AI 作为 MCP Client 连接
• 模型自动发现并调用天气工具

17. 如何评估 AI 应用的效果？有哪些指标？

答案：

以上面试题涵盖了 Spring AI 的核心概念、使用流程、Agent 架构、RAG、Function Calling、MCP 等关键技术点，适合初中高级 Agent 工程师面试使用。