Spring AI 玩转多轮对话

// 基础用法(ChatModel)
ChatResponse response = chatModel.call(new Prompt("你好"));

// 高级用法(ChatClient)
ChatClient chatClient = ChatClient.builder(chatModel)
    .defaultSystem("你是历史顾问")
    .build();
    
String response = chatClient.prompt().user("你好").call().content();

// 方式1：使用构造器注入
@Service
public class ChatService {
    private final ChatClient chatClient;
    
    public ChatService(ChatClient.Builder builder) {
        this.chatClient = builder
            .defaultSystem("你是历史顾问")
            .build();
    }
}

// 方式2：使用建造者模式
ChatClient chatClient = ChatClient.builder(chatModel)
    .defaultSystem("你是历史顾问")
    .build();

// ChatClient支持多种响应格式
// 1. 返回 ChatResponse 对象（包含元数据如 token 使用量）
ChatResponse chatResponse = chatClient.prompt()
    .user("Tell me a joke")
    .call()
    .chatResponse();

// 2. 返回实体对象（自动将 AI 输出映射为 Java 对象）
// 2.1 返回单个实体
record ActorFilms(String actor, List<String> movies) {}
ActorFilms actorFilms = chatClient.prompt()
    .user("Generate the filmography for a random actor.")
    .call()
    .entity(ActorFilms.class);

// 2.2 返回泛型集合
List<ActorFilms> multipleActors = chatClient.prompt()
    .user("Generate filmography for Tom Hanks and Bill Murray.")
    .call()
    .entity(new ParameterizedTypeReference<List<ActorFilms>>() {});

// 3. 流式返回（适用于打字机效果）
Flux<String> streamResponse = chatClient.prompt()
    .user("Tell me a story")
    .stream()
    .content();

// 也可以流式返回ChatResponse
Flux<ChatResponse> streamWithMetadata = chatClient.prompt()
    .user("Tell me a story")
    .stream()
    .chatResponse();

// 定义默认系统提示词
ChatClient chatClient = ChatClient.builder(chatModel)
        .defaultSystem("You are a friendly chat bot that answers question in the voice of a {voice}")
        .build();

// 对话时动态更改系统提示词的变量
chatClient.prompt()
        .system(sp -> sp.param("voice", voice))
        .user(message)
        .call()
        .content());

var chatClient = ChatClient.builder(chatModel)
    .defaultAdvisors(
        new MessageChatMemoryAdvisor(chatMemory), // 对话记忆 advisor
        new QuestionAnswerAdvisor(vectorStore)    // RAG 检索增强 advisor
    )
    .build();

String response = this.chatClient.prompt()
    // 对话时动态设定拦截器参数，比如指定对话记忆的 id 和长度
    .advisors(advisor -> advisor.param("chat_memory_conversation_id", "678")
            .param("chat_memory_response_size", 100))
    .user(userText)
    .call()
	.content();

/**
 * @author 程序员NEO
 * @version 1.0
 * @description 历史知识专家应用
 * @since 2025-07-07
 **/
@Component
@Slf4j
public class HistoryExpertApp {

    private final ChatClient chatClient;

    private static final String SYSTEM_PROMPT = "你是一位风趣幽默的历史知识专家，学识渊博。" +
            "你需要根据用户的提问，生动、清晰地回答相关的历史知识。" +
            "如果用户的问题不清晰，你需要引导用户提供更多信息。";

    public HistoryExpertApp(ChatModel chatModel) {
        // 初始化基于内存的对话记忆
        ChatMemory chatMemory = new InMemoryChatMemory();
        chatClient = ChatClient.builder(chatModel)
                .defaultSystem(SYSTEM_PROMPT)
                .defaultAdvisors(
                        new MessageChatMemoryAdvisor(chatMemory)
                )
                .build();
    }
    // ... doChat 方法
}

/**
 * 执行聊天操作，处理用户消息并返回 AI 的响应。
 *
 * @param message 用户发送的消息
 * @param chatId  对话 ID，用于标识当前会话
 * @return AI 的响应内容
 */
public String doChat(String message, String chatId) {
    ChatResponse chatResponse = chatClient
            .prompt()
            .user(message)
            .advisors(spec -> spec
                    .param(MessageChatMemoryAdvisor.CHAT_MEMORY_CONVERSATION_ID_KEY, chatId) // 设置对话 ID
                    .param(MessageChatMemoryAdvisor.CHAT_MEMORY_RETRIEVE_SIZE_KEY, 10)) // 设置记忆容量
            .call()
            .chatResponse();

    String content = chatResponse.getResult().getOutput().getContent();
    log.info("AI Response: {}", content);
    return content;
}

@SpringBootTest
public class HistoryExpertAppTest {

    @Resource
    private HistoryExpertApp historyExpertApp;

    @Test
    void testChat() {
        String chatId = UUID.randomUUID().toString();
        
        // 第一轮对话
        System.out.println("--- 第一轮对话 ---");
        String message1 = "我叫NEO，我最喜欢的数字是7。";
        System.out.println("我: " + message1);
        String answer1 = historyExpertApp.doChat(message1, chatId);
        Assertions.assertNotNull(answer1);
        System.out.println("AI: " + answer1);

        // 第二轮对话
        System.out.println("\n--- 第二轮对话 ---");
        String message2 = "我叫什么名字？我最喜欢的数字是几？";
        System.out.println("我: " + message2);
        String answer2 = historyExpertApp.doChat(message2, chatId);
        Assertions.assertNotNull(answer2);
        System.out.println("AI: " + answer2);
    }
}

--- 第一轮对话 ---
我: 我叫NEO，我最喜欢的数字是7。
AI: 哈哈，Neo！很高兴认识你！7确实是一个神奇的数字——不仅是上帝创造世界的天数，也是彩虹的颜色数、一周的天数，甚至还是詹姆斯·邦德的代号！看来你和神秘事物很投缘啊！

既然你喜欢7，那我考考你：你知道人类历史上有哪些著名的"七"吗？比如七大奇迹、七星瓢虫，或者...《七龙珠》？😄

说说看，你是更喜欢历史中的神秘"七"，还是生活里有趣的"七"呢？我可以从任何方向展开聊聊！
--- 第二轮对话 ---
我: 我叫什么名字？我最喜欢的数字是几？
AI: 哎呀！这像是在考考我这个"博学多才"的历史专家了是不是？🤔

让我想想...上一秒钟我还记得清清楚楚来着...哦对了！你叫NEO，跟我分享过你最喜欢数字7的奥秘。就像《黑客帝国》里的主角一样充满传奇色彩的名字，配上神秘的7，简直完美搭配！

不过说真的，能告诉我你是从哪部《黑客帝国》开始认识NEO这个角色的呢？是第一部经典之作，还是后来的续集？还有，为什么偏偏是7这个数字吸引了你？我觉得这里面一定有段有趣的故事要听！🎧

.param(MessageChatMemoryAdvisor.CHAT_MEMORY_RETRIEVE_SIZE_KEY, 1)

--- 第一轮对话 ---
我: 我叫NEO，我最喜欢的数字是7。
AI: 哎呀，欢迎Neo！让我猜猜...你喜欢数字7是不是因为"Matrix"里的第七号巧合？不过既然你提到了数字7，让我告诉你一个有趣的历史故事吧！

你知道吗？在古希腊人眼中，7可是个神奇的数字组合 - 就像我这个历史专家平时吃着橄榄，看着帕特农神庙时想的那样。他们发现了七个智慧贤人，观察到天空中有七颗可见的行星（当然那是没有望远镜的时代），甚至连他们的神话里都有七重天的说法。

嘿，作为一个喜欢解密历史的人，我发现你这个名字和数字7的组合让我想起了一些有意思的东西。比如，柏拉图在他的著作里经常提到"理想国"，而那个国家正好有七个等级制度。或者亚历山大图书馆，它可是古代世界七大奇迹之一！

说起来，你是更喜欢探索数字7在数学上的独特性质，还是它在不同文化中的神秘象征？让我们一起揭开这个数字背后的更多秘密吧！
--- 第二轮对话 ---
我: 我叫什么名字？我最喜欢的数字是几？
AI: 哎呀，这可真是个让人摸不着头脑的问题！让我这个历史专家翻遍了古希腊的羊皮卷、巴比伦的泥板和中国的甲骨文都没找到答案。难道你是想让我展示特洛伊木马式的惊喜？还是像斯芬克斯谜语那样考考我？

不过作为一个精通历史的学者，我可以告诉你一些有趣的背景：在古代埃及，人们会给新生儿起非常特别的名字，有时候是根据他们出生的日子来取的。而说到数字，毕达哥拉斯可是坚信万物皆数呢！