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。
kernelopenEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。C080
baihu-dataset异构数据集“白虎”正式开源——首批开放10w+条真实机器人动作数据,构建具身智能标准化训练基座。00
mindquantumMindQuantum is a general software library supporting the development of applications for quantum computation.Python056
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00
GLM-4.7GLM-4.7上线并开源。新版本面向Coding场景强化了编码能力、长程任务规划与工具协同,并在多项主流公开基准测试中取得开源模型中的领先表现。 目前,GLM-4.7已通过BigModel.cn提供API,并在z.ai全栈开发模式中上线Skills模块,支持多模态任务的统一规划与协作。Jinja00
agent-studioopenJiuwen agent-studio提供零码、低码可视化开发和工作流编排,模型、知识库、插件等各资源管理能力TSX0135
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00