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-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
HY-Embodied-0.5这是一套专为现实世界具身智能打造的基础模型。该系列模型采用创新的混合Transformer(Mixture-of-Transformers, MoT) 架构,通过潜在令牌实现模态特异性计算,显著提升了细粒度感知能力。Jinja00
LongCat-AudioDiT-1BLongCat-AudioDiT 是一款基于扩散模型的文本转语音(TTS)模型,代表了当前该领域的最高水平(SOTA),它直接在波形潜空间中进行操作。00