Kotlin AI 示例项目：使用 Spring AI 与 Kotlin 开发 AI 应用指南

前言

在现代应用开发中，人工智能(AI)功能已成为提升用户体验和产品智能化水平的关键要素。本文将详细介绍如何在 Kotlin 项目中利用 Spring AI 框架与大型语言模型(LLM)进行交互，实现各种智能功能。

环境准备

依赖配置

首先需要在项目中添加 Spring AI 相关依赖：

dependencies {
    implementation("org.springframework.ai:spring-ai-openai")
    implementation("com.fasterxml.jackson.module:jackson-module-kotlin:2.18.2")
}

API 密钥设置

使用 OpenAI 服务需要配置 API 密钥，可以通过环境变量或直接赋值：

val apiKey = System.getenv("OPENAI_API_KEY") ?: "YOUR_OPENAI_API_KEY"

基础配置

创建聊天模型

配置 OpenAI 聊天模型的基本参数：

val openAiApi = OpenAiApi.builder().apiKey(apiKey).build()
val openAiChatOptions = OpenAiChatOptions.builder()
    .model(OpenAiApi.ChatModel.GPT_4_O_MINI)
    .temperature(0.7)
    .build()
val chatModel = OpenAiChatModel.builder()
    .openAiApi(openAiApi)
    .defaultOptions(openAiChatOptions)
    .build()

参数说明：

• model: 指定使用的 AI 模型版本
• temperature: 控制生成文本的随机性(0-1)，值越高结果越多样

基本交互

发送简单提示

val response = chatModel.call("生成一首关于 Kotlin 的俳句")
println(response)

使用 ChatClient 增强交互

可以配置系统角色指令，让 AI 以特定风格响应：

val chatClient = ChatClient.builder(chatModel).defaultSystem(
    """
    你是一位《指环王》专家和可信赖的顾问。
    以中土世界的风格提供明智、简洁的指导，
    借鉴其传说、人物和哲学。
    """.trimIndent()
).build()

val advice = chatClient
    .prompt()
    .user("未来会怎样？")
    .call()
    .content()
println(advice)

高级功能

流式响应处理

对于长文本生成，使用流式响应可以提升用户体验：

import kotlinx.coroutines.reactive.asFlow
import kotlinx.coroutines.runBlocking

val streamingResponse: Flow<String> = chatModel
    .stream("生成一首关于 Kotlin 的俳句")
    .asFlow()

runBlocking {
    streamingResponse.collect { chunk ->
        print(chunk)
    }
}

结构化输出

Spring AI 支持将响应自动转换为 Kotlin 数据类：

1. 定义数据模型：

data class Movie(
    val title: String,
    val year: Int,
    val director: String,
    val genre: String
)

2. 配置 JSON 响应格式：

val structuredOutputOptions = OpenAiChatOptions.builder()
    .model(OpenAiApi.ChatModel.GPT_4_O_MINI)
    .responseFormat(ResponseFormat.builder()
        .type(ResponseFormat.Type.JSON_OBJECT)
        .build())
    .build()

3. 获取结构化响应：

val movie = ChatClient.create(chatModelWithStructuredOutput)
    .prompt()
    .user("1990年获得奥斯卡最佳影片的电影")
    .call()
    .entity<Movie>()

工具集成

Spring AI 支持通过工具扩展模型功能：

1. 定义模拟天气服务：

fun mockWeatherService(location: String): Double? = when {
    "Paris" in location -> 15.0
    "Tokyo" in location -> 10.0
    "San Francisco" in location -> 30.0
    else -> null
}

2. 创建工具定义：

val functionTool = OpenAiApi.FunctionTool(
    OpenAiApi.FunctionTool.Type.FUNCTION,
    OpenAiApi.FunctionTool.Function(
        "获取指定位置的当前温度",
        "getCurrentWeather", 
        ModelOptionsUtils.jsonToMap(
            """
            {
                "type": "object",
                "properties": {
                    "location": {
                        "type": "string",
                        "description": "城市和国家，例如：中国北京"
                    }
                },
                "required": ["location"],
                "additionalProperties": false
            }
            """.trimIndent()
        ),
        true
    )
)

3. 使用工具进行交互：

val initialUserMessage = ChatCompletionMessage(
    "巴黎今天的天气如何？",
    ChatCompletionMessage.Role.USER
)
val chatCompletionRequest = ChatCompletionRequest(
    listOf(initialUserMessage), "gpt-4o",
    listOf(functionTool), ToolChoiceBuilder.AUTO
)

val chatCompletion = openAiApi.chatCompletionEntity(chatCompletionRequest)
val responseFromLLM = chatCompletion.body!!.choices().first().message()

最佳实践

1. 模型选择：根据需求平衡模型性能和成本，GPT-4 通常比 GPT-3.5 更准确但更昂贵

2. 错误处理：始终验证 AI 返回的结构化数据，实现回退机制

3. 性能优化：

   • 对于实时交互使用流式响应
   • 缓存常见查询结果
   • 合理设置 temperature 参数

4. 用户体验：

   • 为长时间操作提供加载指示
   • 处理 AI 可能产生的幻觉或不准确信息
   • 实现对话上下文管理

结语

通过 Spring AI 框架，Kotlin 开发者可以轻松地将强大的 AI 功能集成到应用中。本文介绍了从基础配置到高级功能的完整流程，包括流式响应、结构化输出和工具集成等关键特性。随着 AI 技术的快速发展，这些功能将为应用开发带来更多可能性。