顾问 API
Spring AI 顾问 API 提供了一种灵活而强大的方法来拦截、修改和增强 Spring 应用程序中 AI 驱动的交互。通过利用顾问 API,开发人员可以创建更复杂、可重用和可维护的 AI 组件。
主要优势包括封装重复出现的生成式 AI 模式、转换发送到和来自语言模型 (LLM) 的数据,以及提供跨各种模型和用例的可移植性。
您可以使用聊天客户端 API配置现有顾问,如下例所示
var chatClient = ChatClient.builder(chatModel)
.defaultAdvisors(
new MessageChatMemoryAdvisor(chatMemory), // chat-memory advisor
new QuestionAnswerAdvisor(vectorStore, SearchRequest.defaults()) // RAG advisor
)
.build();
String response = this.chatClient.prompt()
// Set advisor parameters at runtime
.advisors(advisor -> advisor.param("chat_memory_conversation_id", "678")
.param("chat_memory_response_size", 100))
.user(userText)
.call()
.content();
建议使用构建器的 defaultAdvisors()
方法在构建时注册顾问。
顾问也参与可观测性堆栈,因此您可以查看与其执行相关的指标和跟踪。
核心组件
API 包含用于非流式场景的 CallAroundAdvisor
和 CallAroundAdvisorChain
,以及用于流式场景的 StreamAroundAdvisor
和 StreamAroundAdvisorChain
。它还包括 AdvisedRequest
用于表示未密封的 Prompt 请求,AdvisedResponse
用于聊天完成响应。两者都包含一个 advise-context
用于在顾问链之间共享状态。
nextAroundCall()
和 nextAroundStream()
是关键的顾问方法,通常执行诸如检查未密封的 Prompt 数据、自定义和增强 Prompt 数据、调用顾问链中的下一个实体、可选地阻止请求、检查聊天完成响应以及抛出异常以指示处理错误等操作。
此外,getOrder()
方法确定链中顾问的顺序,而 getName()
提供唯一的顾问名称。
顾问链由 Spring AI 框架创建,允许按其 getOrder()
值顺序调用多个顾问。较低的值首先执行。最后一个顾问(自动添加)将请求发送到 LLM。
以下流程图说明了顾问链与聊天模型之间的交互
-
Spring AI 框架根据用户的
Prompt
和一个空的AdvisorContext
对象创建一个AdvisedRequest
。 -
链中的每个顾问都会处理请求,并可能对其进行修改。或者,它可以选择通过不调用以调用下一个实体来阻止请求。在后一种情况下,顾问负责填写响应。
-
框架提供的最终顾问将请求发送到
聊天模型
。 -
然后将聊天模型的响应传递回顾问链并转换为
AdvisedResponse
。后者包括共享的AdvisorContext
实例。 -
每个顾问都可以处理或修改响应。
-
最终的
AdvisedResponse
通过提取ChatCompletion
返回给客户端。
顾问顺序
链中顾问的执行顺序由 getOrder()
方法确定。需要理解的关键点
-
顺序值较低的顾问首先执行。
-
顾问链像栈一样工作
-
链中的第一个顾问是第一个处理请求的顾问。
-
它也是最后一个处理响应的顾问。
-
-
要控制执行顺序
-
将顺序设置为接近
Ordered.HIGHEST_PRECEDENCE
以确保顾问在链中首先执行(请求处理的第一个,响应处理的最后一个)。 -
将顺序设置为接近
Ordered.LOWEST_PRECEDENCE
以确保顾问在链中最后执行(请求处理的最后一个,响应处理的第一个)。
-
-
较高的值被解释为较低的优先级。
-
如果多个顾问具有相同的顺序值,则它们的执行顺序不保证。
顺序和执行顺序之间的表面矛盾是由于顾问链的栈式性质造成的:* 具有最高优先级(最低顺序值)的顾问会被添加到栈顶。* 当栈展开时,它将是第一个处理请求的顾问。* 当栈回溯时,它将是最后一个处理响应的顾问。 |
提醒一下,以下是 Spring Ordered
接口的语义
public interface Ordered {
/**
* Constant for the highest precedence value.
* @see java.lang.Integer#MIN_VALUE
*/
int HIGHEST_PRECEDENCE = Integer.MIN_VALUE;
/**
* Constant for the lowest precedence value.
* @see java.lang.Integer#MAX_VALUE
*/
int LOWEST_PRECEDENCE = Integer.MAX_VALUE;
/**
* Get the order value of this object.
* <p>Higher values are interpreted as lower priority. As a consequence,
* the object with the lowest value has the highest priority (somewhat
* analogous to Servlet {@code load-on-startup} values).
* <p>Same order values will result in arbitrary sort positions for the
* affected objects.
* @return the order value
* @see #HIGHEST_PRECEDENCE
* @see #LOWEST_PRECEDENCE
*/
int getOrder();
}
对于需要在输入和输出端都成为链中第一个的用例
|
API 概述
主要顾问接口位于包 org.springframework.ai.chat.client.advisor.api
中。以下是在创建自己的顾问时会遇到的关键接口
public interface Advisor extends Ordered {
String getName();
}
同步和反应式顾问的两个子接口是
public interface CallAroundAdvisor extends Advisor {
/**
* Around advice that wraps the ChatModel#call(Prompt) method.
* @param advisedRequest the advised request
* @param chain the advisor chain
* @return the response
*/
AdvisedResponse aroundCall(AdvisedRequest advisedRequest, CallAroundAdvisorChain chain);
}
和
public interface StreamAroundAdvisor extends Advisor {
/**
* Around advice that wraps the invocation of the advised request.
* @param advisedRequest the advised request
* @param chain the chain of advisors to execute
* @return the result of the advised request
*/
Flux<AdvisedResponse> aroundStream(AdvisedRequest advisedRequest, StreamAroundAdvisorChain chain);
}
要继续建议链,请在您的建议实现中使用 CallAroundAdvisorChain
和 StreamAroundAdvisorChain
这些接口是
public interface CallAroundAdvisorChain {
AdvisedResponse nextAroundCall(AdvisedRequest advisedRequest);
}
和
public interface StreamAroundAdvisorChain {
Flux<AdvisedResponse> nextAroundStream(AdvisedRequest advisedRequest);
}
实现顾问
要创建顾问,请实现 CallAroundAdvisor
或 StreamAroundAdvisor
(或两者)。要实现的关键方法是用于非流式的 nextAroundCall()
或用于流式顾问的 nextAroundStream()
。
示例
我们将提供一些动手示例来说明如何实现顾问以观察和增强用例。
日志记录顾问
我们可以实现一个简单的日志记录顾问,在调用链中下一个顾问之前记录AdvisedRequest
,之后记录AdvisedResponse
。请注意,顾问仅观察请求和响应,不会修改它们。此实现支持非流式和流式场景。
public class SimpleLoggerAdvisor implements CallAroundAdvisor, StreamAroundAdvisor {
private static final Logger logger = LoggerFactory.getLogger(SimpleLoggerAdvisor.class);
@Override
public String getName() { (1)
return this.getClass().getSimpleName();
}
@Override
public int getOrder() { (2)
return 0;
}
@Override
public AdvisedResponse aroundCall(AdvisedRequest advisedRequest, CallAroundAdvisorChain chain) {
logger.debug("BEFORE: {}", advisedRequest);
AdvisedResponse advisedResponse = chain.nextAroundCall(advisedRequest);
logger.debug("AFTER: {}", advisedResponse);
return advisedResponse;
}
@Override
public Flux<AdvisedResponse> aroundStream(AdvisedRequest advisedRequest, StreamAroundAdvisorChain chain) {
logger.debug("BEFORE: {}", advisedRequest);
Flux<AdvisedResponse> advisedResponses = chain.nextAroundStream(advisedRequest);
return new MessageAggregator().aggregateAdvisedResponse(advisedResponses,
advisedResponse -> logger.debug("AFTER: {}", advisedResponse)); (3)
}
}
1 | 为顾问提供一个唯一的名称。 |
2 | 可以通过设置 order 值来控制执行顺序。较低的值先执行。 |
3 | MessageAggregator 是一个实用程序类,它将 Flux 响应聚合到单个 AdvisedResponse 中。这对于记录或其他观察整个响应而不是流中单个项目的处理很有用。请注意,您不能在MessageAggregator 中更改响应,因为它是一个只读操作。 |
重新阅读 (Re2) 顾问
“重新阅读提高大型语言模型的推理能力”文章介绍了一种称为重新阅读 (Re2) 的技术,该技术可以提高大型语言模型的推理能力。Re2 技术需要像这样增强输入提示
{Input_Query} Read the question again: {Input_Query}
实现一个将 Re2 技术应用于用户输入查询的顾问可以这样完成
public class ReReadingAdvisor implements CallAroundAdvisor, StreamAroundAdvisor {
private AdvisedRequest before(AdvisedRequest advisedRequest) { (1)
Map<String, Object> advisedUserParams = new HashMap<>(advisedRequest.userParams());
advisedUserParams.put("re2_input_query", advisedRequest.userText());
return AdvisedRequest.from(advisedRequest)
.withUserText("""
{re2_input_query}
Read the question again: {re2_input_query}
""")
.withUserParams(advisedUserParams)
.build();
}
@Override
public AdvisedResponse aroundCall(AdvisedRequest advisedRequest, CallAroundAdvisorChain chain) { (2)
return chain.nextAroundCall(this.before(advisedRequest));
}
@Override
public Flux<AdvisedResponse> aroundStream(AdvisedRequest advisedRequest, StreamAroundAdvisorChain chain) { (3)
return chain.nextAroundStream(this.before(advisedRequest));
}
@Override
public int getOrder() { (4)
return 0;
}
@Override
public String getName() { (5)
return this.getClass().getSimpleName();
}
}
1 | before 方法通过应用重新阅读技术来增强用户的输入查询。 |
2 | aroundCall 方法拦截非流式请求并应用重新阅读技术。 |
3 | aroundStream 方法拦截流式请求并应用重新阅读技术。 |
4 | 可以通过设置 order 值来控制执行顺序。较低的值先执行。 |
5 | 为顾问提供一个唯一的名称。 |
Spring AI 内置顾问
Spring AI 框架提供了一些内置顾问来增强您的 AI 交互。以下是可用顾问的概述
流式与非流式
-
非流式顾问使用完整的请求和响应。
-
流式顾问将请求和响应作为连续流处理,使用反应式编程概念(例如,响应的 Flux)。
@Override
public Flux<AdvisedResponse> aroundStream(AdvisedRequest advisedRequest, StreamAroundAdvisorChain chain) {
return Mono.just(advisedRequest)
.publishOn(Schedulers.boundedElastic())
.map(request -> {
// This can be executed by blocking and non-blocking Threads.
// Advisor before next section
})
.flatMapMany(request -> chain.nextAroundStream(request))
.map(response -> {
// Advisor after next section
});
}
向后兼容性
AdvisedRequest 类已移动到一个新包中。虽然RequestResponseAdvisor 接口仍然可用,但它被标记为已弃用,并将在 M3 版本左右移除。建议对新实现使用新的CallAroundAdvisor 和StreamAroundAdvisor 接口。 |
重大 API 更改
Spring AI 顾问链从版本 1.0 M2 到 1.0 M3 经历了重大更改。以下是主要修改
顾问接口
-
在 1.0 M2 中,有单独的
RequestAdvisor
和ResponseAdvisor
接口。-
RequestAdvisor
在ChatModel.call
和ChatModel.stream
方法之前被调用。 -
ResponseAdvisor
在这些方法之后被调用。
-
-
在 1.0 M3 中,这些接口已被替换为
-
CallAroundAdvisor
-
StreamAroundAdvisor
-
-
以前是
ResponseAdvisor
一部分的StreamResponseMode
已被移除。
上下文映射处理
-
在 1.0 M2 中
-
上下文映射是一个单独的方法参数。
-
该映射是可变的,并在链中传递。
-
-
在 1.0 M3 中
-
上下文映射现在是
AdvisedRequest
和AdvisedResponse
记录的一部分。 -
该映射是不可变的。
-
要更新上下文,请使用
updateContext
方法,该方法会创建一个包含更新内容的新不可修改映射。
-
1.0 M3 中更新上下文的示例
@Override
public AdvisedResponse aroundCall(AdvisedRequest advisedRequest, CallAroundAdvisorChain chain) {
this.advisedRequest = advisedRequest.updateContext(context -> {
context.put("aroundCallBefore" + getName(), "AROUND_CALL_BEFORE " + getName()); // Add multiple key-value pairs
context.put("lastBefore", getName()); // Add a single key-value pair
return context;
});
// Method implementation continues...
}