Spring AI项目中ChatMemory参数保存问题的分析与解决
在Spring AI项目的开发过程中,开发者可能会遇到ChatMemory无法正确保存PromptUserSpec参数的问题。这个问题主要出现在使用ChatClient构建聊天请求时,当通过PromptUserSpec设置模板和参数后,历史记录中只保存了未渲染的模板字符串,而没有保存实际替换后的内容。
问题现象
当开发者使用如下代码构建聊天请求时:
private ChatClient.ChatClientRequestSpec buildChatClientRequestSpecRAGAdvisor(Question question, String conversationId) {
return chatClient.prompt()
.user(userSpec -> userSpec
.text("{question} (error: '{error}')?")
.param("question", question.question())
.param("error", question.error()!=null?question.error():""))
.advisors( advisorSpec -> advisorSpec.param(AbstractChatMemoryAdvisor.CHAT_MEMORY_CONVERSATION_ID_KEY, conversationId));
}
期望在ChatMemory中保存的是已经替换了参数的完整消息,例如:"What is AI? (error: 'None')",但实际保存的却是未渲染的模板字符串:"{question} (error: '{error}')"。
问题根源
这个问题源于Spring AI框架中PromptChatMemoryAdvisor的实现逻辑。在1.0.0-M8版本之前,PromptChatMemoryAdvisor在处理用户消息时,直接将未渲染的模板字符串添加到了ChatMemoryStore中,而没有先执行参数替换操作。
具体来说,问题出在PromptChatMemoryAdvisor的before方法中:
this.getChatMemoryStore().add(this.doGetConversationId(request.adviseContext()), userMessage);
这里直接将原始的userMessage(包含模板字符串)添加到了内存存储中,而没有先进行参数替换。
解决方案
Spring AI团队在1.0.0-M8版本中修复了这个问题。修复的核心思路是让ChatClient在执行advisor链之前先渲染输入提示。这意味着:
- 在请求处理流程中,ChatClient会先处理PromptUserSpec中的参数替换
- 将渲染后的完整消息传递给后续的advisor处理
- PromptChatMemoryAdvisor现在接收到的是已经替换了参数的消息内容
这个改变确保了ChatMemory中保存的是用户实际发送的消息内容,而不是模板字符串。
升级建议
对于遇到此问题的开发者,建议升级到Spring AI 1.0.0-M8或更高版本。升级后,ChatMemory将能够正确保存渲染后的消息内容。
如果由于某些原因无法立即升级,开发者也可以考虑以下临时解决方案:
- 手动渲染消息内容后再传递给ChatClient
- 实现自定义的ChatMemoryAdvisor,在保存消息前执行参数替换
总结
Spring AI框架在不断演进中解决了许多实际开发中遇到的问题。这个ChatMemory参数保存问题的解决,体现了框架对开发者体验的重视。通过理解问题的根源和解决方案,开发者可以更好地利用Spring AI构建强大的聊天应用,同时也能在遇到类似问题时更快地找到解决方法。
对于使用Spring AI的开发团队,建议保持框架版本的及时更新,并关注官方文档中的升级说明,以确保能够获得最新的功能改进和问题修复。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00