聊天客户端 API
ChatClient 提供了一个流畅的 API,用于与 AI 模型通信。它支持同步和流式编程模型。
|
请参阅本文档底部的实现注意事项,其中涉及 |
流畅的 API 提供了用于构建传递给 AI 模型作为输入的提示的组成部分的方法。Prompt 包含指导 AI 模型输出和行为的指令文本。从 API 的角度来看,提示由消息集合组成。
AI 模型处理两种主要类型的消息:用户消息(直接来自用户的输入)和系统消息(系统生成以引导对话)。
这些消息通常包含占位符,这些占位符在运行时根据用户输入进行替换,以自定义 AI 模型对用户输入的响应。
还可以指定提示选项,例如要使用的 AI 模型的名称以及控制生成输出的随机性或创造性的温度设置。
创建 ChatClient
ChatClient 是使用 ChatClient.Builder 对象创建的。您可以获取任何 ChatModel Spring Boot 自动配置的自动配置 ChatClient.Builder 实例,也可以通过编程方式创建它。
使用自动配置的 ChatClient.Builder
在最简单的用例中,Spring AI 提供 Spring Boot 自动配置,为您创建一个原型 ChatClient.Builder bean,以便注入到您的类中。以下是一个简单的示例,用于检索对简单用户请求的 String 响应。
@RestController
class MyController {
private final ChatClient chatClient;
public MyController(ChatClient.Builder chatClientBuilder) {
this.chatClient = chatClientBuilder.build();
}
@GetMapping("/ai")
String generation(String userInput) {
return this.chatClient.prompt()
.user(userInput)
.call()
.content();
}
}
在这个简单的例子中,用户输入设置了用户消息的内容。call() 方法向 AI 模型发送请求,content() 方法将 AI 模型的响应作为 String 返回。
使用多个聊天模型
在单个应用程序中,您可能需要处理多个聊天模型的几种情况:
-
对不同类型的任务使用不同的模型(例如,对于复杂推理使用强大的模型,对于简单任务使用更快、更便宜的模型)
-
在某个模型服务不可用时实现回退机制
-
对不同的模型或配置进行 A/B 测试
-
根据用户的偏好为用户提供模型选择
-
组合专用模型(一个用于代码生成,另一个用于创意内容等)
默认情况下,Spring AI 自动配置单个 ChatClient.Builder bean。但是,您可能需要在应用程序中使用多个聊天模型。以下是如何处理这种情况:
在所有情况下,您都需要通过设置属性 spring.ai.chat.client.enabled=false 来禁用 ChatClient.Builder 自动配置。
这允许您手动创建多个 ChatClient 实例。
使用单一模型类型的多个 ChatClient
本节介绍了一个常见用例,您需要创建多个 ChatClient 实例,它们都使用相同的底层模型类型,但配置不同。
// Create ChatClient instances programmatically
ChatModel myChatModel = ... // already autoconfigured by Spring Boot
ChatClient chatClient = ChatClient.create(myChatModel);
// Or use the builder for more control
ChatClient.Builder builder = ChatClient.builder(myChatModel);
ChatClient customChatClient = builder
.defaultSystemPrompt("You are a helpful assistant.")
.build();
不同模型类型的 ChatClient
当使用多个 AI 模型时,您可以为每个模型定义单独的 ChatClient bean。
import org.springframework.ai.chat.ChatClient;
import org.springframework.context.annotation.Bean;
import org.springframework.context.annotation.Configuration;
@Configuration
public class ChatClientConfig {
@Bean
public ChatClient openAiChatClient(OpenAiChatModel chatModel) {
return ChatClient.create(chatModel);
}
@Bean
public ChatClient anthropicChatClient(AnthropicChatModel chatModel) {
return ChatClient.create(chatModel);
}
}
然后,您可以使用 @Qualifier 注解将这些 bean 注入到应用程序组件中。
@Configuration
public class ChatClientExample {
@Bean
CommandLineRunner cli(
@Qualifier("openAiChatClient") ChatClient openAiChatClient,
@Qualifier("anthropicChatClient") ChatClient anthropicChatClient) {
return args -> {
var scanner = new Scanner(System.in);
ChatClient chat;
// Model selection
System.out.println("\nSelect your AI model:");
System.out.println("1. OpenAI");
System.out.println("2. Anthropic");
System.out.print("Enter your choice (1 or 2): ");
String choice = scanner.nextLine().trim();
if (choice.equals("1")) {
chat = openAiChatClient;
System.out.println("Using OpenAI model");
} else {
chat = anthropicChatClient;
System.out.println("Using Anthropic model");
}
// Use the selected chat client
System.out.print("\nEnter your question: ");
String input = scanner.nextLine();
String response = chat.prompt(input).call().content();
System.out.println("ASSISTANT: " + response);
scanner.close();
};
}
}
多个 OpenAI 兼容 API 端点
OpenAiApi 和 OpenAiChatModel 类提供了一个 mutate() 方法,允许您创建具有不同属性的现有实例的变体。当您需要处理多个 OpenAI 兼容 API 时,这尤其有用。
@Service
public class MultiModelService {
private static final Logger logger = LoggerFactory.getLogger(MultiModelService.class);
@Autowired
private OpenAiChatModel baseChatModel;
@Autowired
private OpenAiApi baseOpenAiApi;
public void multiClientFlow() {
try {
// Derive a new OpenAiApi for Groq (Llama3)
OpenAiApi groqApi = baseOpenAiApi.mutate()
.baseUrl("https://api.groq.com/openai")
.apiKey(System.getenv("GROQ_API_KEY"))
.build();
// Derive a new OpenAiApi for OpenAI GPT-4
OpenAiApi gpt4Api = baseOpenAiApi.mutate()
.baseUrl("https://api.openai.com")
.apiKey(System.getenv("OPENAI_API_KEY"))
.build();
// Derive a new OpenAiChatModel for Groq
OpenAiChatModel groqModel = baseChatModel.mutate()
.openAiApi(groqApi)
.defaultOptions(OpenAiChatOptions.builder().model("llama3-70b-8192").temperature(0.5).build())
.build();
// Derive a new OpenAiChatModel for GPT-4
OpenAiChatModel gpt4Model = baseChatModel.mutate()
.openAiApi(gpt4Api)
.defaultOptions(OpenAiChatOptions.builder().model("gpt-4").temperature(0.7).build())
.build();
// Simple prompt for both models
String prompt = "What is the capital of France?";
String groqResponse = ChatClient.builder(groqModel).build().prompt(prompt).call().content();
String gpt4Response = ChatClient.builder(gpt4Model).build().prompt(prompt).call().content();
logger.info("Groq (Llama3) response: {}", groqResponse);
logger.info("OpenAI GPT-4 response: {}", gpt4Response);
}
catch (Exception e) {
logger.error("Error in multi-client flow", e);
}
}
}
ChatClient 流畅 API
ChatClient 流畅 API 允许您使用重载的 prompt 方法以三种不同的方式创建提示,以启动流畅 API。
-
prompt(): 此无参数方法允许您开始使用流畅 API,从而构建用户、系统和提示的其他部分。 -
prompt(Prompt prompt): 此方法接受一个Prompt参数,允许您传入使用 Prompt 的非流畅 API 创建的Prompt实例。 -
prompt(String content): 这是一个方便的方法,类似于前面的重载。它接受用户的文本内容。
ChatClient 响应
ChatClient API 提供了多种使用流畅 API 格式化 AI 模型响应的方式。
返回 ChatResponse
AI 模型的响应是一个由类型 ChatResponse 定义的丰富结构。它包含有关响应如何生成的元数据,并且还可以包含多个响应,称为 Generation,每个响应都有其自己的元数据。元数据包括用于创建响应的令牌数量(每个令牌大约是 3/4 个单词)。此信息很重要,因为托管 AI 模型根据每个请求使用的令牌数量收费。
下面通过在 call() 方法之后调用 chatResponse() 演示了返回包含元数据的 ChatResponse 对象的示例。
ChatResponse chatResponse = chatClient.prompt()
.user("Tell me a joke")
.call()
.chatResponse();
返回实体
您经常希望返回从返回的 String 映射的实体类。entity() 方法提供了此功能。
例如,给定 Java 记录
record ActorFilms(String actor, List<String> movies) {}
您可以使用 entity() 方法轻松地将 AI 模型的输出映射到此记录,如下所示:
ActorFilms actorFilms = chatClient.prompt()
.user("Generate the filmography for a random actor.")
.call()
.entity(ActorFilms.class);
还有一个重载的 entity 方法,其签名是 entity(ParameterizedTypeReference<T> type),它允许您指定泛型列表等类型。
List<ActorFilms> actorFilms = chatClient.prompt()
.user("Generate the filmography of 5 movies for Tom Hanks and Bill Murray.")
.call()
.entity(new ParameterizedTypeReference<List<ActorFilms>>() {});
流式响应
stream() 方法允许您获得异步响应,如下所示:
Flux<String> output = chatClient.prompt()
.user("Tell me a joke")
.stream()
.content();
您还可以使用方法 Flux<ChatResponse> chatResponse() 流式传输 ChatResponse。
将来,我们将提供一个便捷方法,允许您使用响应式 stream() 方法返回 Java 实体。在此之前,您应该使用 结构化输出转换器 明确转换聚合响应,如下所示。这也演示了在流畅 API 中使用参数,这将在文档的后面部分详细讨论。
var converter = new BeanOutputConverter<>(new ParameterizedTypeReference<List<ActorsFilms>>() {});
Flux<String> flux = this.chatClient.prompt()
.user(u -> u.text("""
Generate the filmography for a random actor.
{format}
""")
.param("format", this.converter.getFormat()))
.stream()
.content();
String content = this.flux.collectList().block().stream().collect(Collectors.joining());
List<ActorsFilms> actorFilms = this.converter.convert(this.content);
提示模板
ChatClient 流畅 API 允许您将用户和系统文本作为模板提供,其中变量在运行时被替换。
String answer = ChatClient.create(chatModel).prompt()
.user(u -> u
.text("Tell me the names of 5 movies whose soundtrack was composed by {composer}")
.param("composer", "John Williams"))
.call()
.content();
在内部,ChatClient 使用 PromptTemplate 类处理用户和系统文本,并根据给定的 TemplateRenderer 实现,在运行时用提供的值替换变量。默认情况下,Spring AI 使用 StTemplateRenderer 实现,该实现基于 Terence Parr 开发的开源 StringTemplate 引擎。
Spring AI 还提供了一个 NoOpTemplateRenderer,用于不需要模板处理的情况。
直接在 ChatClient 上配置的 TemplateRenderer(通过 .templateRenderer())仅适用于直接在 ChatClient 构建器链中定义的提示内容(例如,通过 .user()、.system())。它不影响由 Advisors(如 QuestionAnswerAdvisor)内部使用的模板,这些 Advisor 有自己的模板自定义机制(参见 自定义 Advisor 模板)。 |
如果您更喜欢使用不同的模板引擎,可以直接向 ChatClient 提供 TemplateRenderer 接口的自定义实现。您也可以继续使用默认的 StTemplateRenderer,但使用自定义配置。
例如,默认情况下,模板变量由 {} 语法标识。如果您打算在提示中包含 JSON,您可能需要使用不同的语法来避免与 JSON 语法冲突。例如,您可以使用 < 和 > 分隔符。
String answer = ChatClient.create(chatModel).prompt()
.user(u -> u
.text("Tell me the names of 5 movies whose soundtrack was composed by <composer>")
.param("composer", "John Williams"))
.templateRenderer(StTemplateRenderer.builder().startDelimiterToken('<').endDelimiterToken('>').build())
.call()
.content();
call() 返回值
在 ChatClient 上指定 call() 方法后,响应类型有几种不同的选项。
-
String content(): 返回响应的字符串内容 -
ChatResponse chatResponse(): 返回ChatResponse对象,该对象包含多个生成以及有关响应的元数据,例如用于创建响应的令牌数量。 -
ChatClientResponse chatClientResponse(): 返回一个ChatClientResponse对象,该对象包含ChatResponse对象和 ChatClient 执行上下文,使您可以访问 Advisor 执行期间使用的额外数据(例如,RAG 流中检索到的相关文档)。 -
entity()返回 Java 类型-
entity(ParameterizedTypeReference<T> type): 用于返回实体类型的Collection。 -
entity(Class<T> type): 用于返回特定实体类型。 -
entity(StructuredOutputConverter<T> structuredOutputConverter): 用于指定StructuredOutputConverter的实例,将String转换为实体类型。
-
-
responseEntity()返回ChatResponse和 Java 类型。当您需要在一次调用中同时访问完整的 AI 模型响应(带元数据和生成)和结构化输出实体时,这非常有用。-
responseEntity(Class<T> type): 用于返回包含完整ChatResponse对象和特定实体类型的ResponseEntity。 -
responseEntity(ParameterizedTypeReference<T> type): 用于返回包含完整ChatResponse对象和实体类型Collection的ResponseEntity。 -
responseEntity(StructuredOutputConverter<T> structuredOutputConverter): 用于返回包含完整ChatResponse对象和使用指定StructuredOutputConverter转换的实体的ResponseEntity。
-
您还可以调用 stream() 方法而不是 call()。
调用 call() 方法实际上不会触发 AI 模型执行。相反,它只指示 Spring AI 是否使用同步或流式调用。实际的 AI 模型调用发生在 content()、chatResponse() 和 responseEntity() 等方法被调用时。 |
stream() 返回值
在 ChatClient 上指定 stream() 方法后,响应类型有几个选项。
-
Flux<String> content(): 返回 AI 模型正在生成的字符串的Flux。 -
Flux<ChatResponse> chatResponse(): 返回ChatResponse对象的Flux,该对象包含有关响应的其他元数据。 -
Flux<ChatClientResponse> chatClientResponse(): 返回ChatClientResponse对象的Flux,该对象包含ChatResponse对象和 ChatClient 执行上下文,使您可以访问 Advisor 执行期间使用的额外数据(例如,RAG 流中检索到的相关文档)。
消息元数据
ChatClient 支持向用户和系统消息添加元数据。元数据提供了有关消息的额外上下文和信息,可由 AI 模型或下游处理使用。
向用户消息添加元数据
您可以使用 metadata() 方法向用户消息添加元数据。
// Adding individual metadata key-value pairs
String response = chatClient.prompt()
.user(u -> u.text("What's the weather like?")
.metadata("messageId", "msg-123")
.metadata("userId", "user-456")
.metadata("priority", "high"))
.call()
.content();
// Adding multiple metadata entries at once
Map<String, Object> userMetadata = Map.of(
"messageId", "msg-123",
"userId", "user-456",
"timestamp", System.currentTimeMillis()
);
String response = chatClient.prompt()
.user(u -> u.text("What's the weather like?")
.metadata(userMetadata))
.call()
.content();
向系统消息添加元数据
同样,您可以向系统消息添加元数据。
// Adding metadata to system messages
String response = chatClient.prompt()
.system(s -> s.text("You are a helpful assistant.")
.metadata("version", "1.0")
.metadata("model", "gpt-4"))
.user("Tell me a joke")
.call()
.content();
默认元数据支持
您还可以在 ChatClient 构建器级别配置默认元数据。
@Configuration
class Config {
@Bean
ChatClient chatClient(ChatClient.Builder builder) {
return builder
.defaultSystem(s -> s.text("You are a helpful assistant")
.metadata("assistantType", "general")
.metadata("version", "1.0"))
.defaultUser(u -> u.text("Default user context")
.metadata("sessionId", "default-session"))
.build();
}
}
元数据验证
ChatClient 验证元数据以确保数据完整性。
-
元数据键不能为 null 或空。
-
元数据值不能为 null。
-
传递 Map 时,键和值都不能包含 null 元素。
// This will throw an IllegalArgumentException
chatClient.prompt()
.user(u -> u.text("Hello")
.metadata(null, "value")) // Invalid: null key
.call()
.content();
// This will also throw an IllegalArgumentException
chatClient.prompt()
.user(u -> u.text("Hello")
.metadata("key", null)) // Invalid: null value
.call()
.content();
使用默认值
在 @Configuration 类中创建具有默认系统文本的 ChatClient 可简化运行时代码。通过设置默认值,您在调用 ChatClient 时只需指定用户文本,无需在运行时代码路径中为每个请求设置系统文本。
默认系统文本
在下面的示例中,我们将配置系统文本始终以海盗的语气回复。为了避免在运行时代码中重复系统文本,我们将在 @Configuration 类中创建一个 ChatClient 实例。
@Configuration
class Config {
@Bean
ChatClient chatClient(ChatClient.Builder builder) {
return builder.defaultSystem("You are a friendly chat bot that answers question in the voice of a Pirate")
.build();
}
}
以及一个 @RestController 来调用它。
@RestController
class AIController {
private final ChatClient chatClient;
AIController(ChatClient chatClient) {
this.chatClient = chatClient;
}
@GetMapping("/ai/simple")
public Map<String, String> completion(@RequestParam(value = "message", defaultValue = "Tell me a joke") String message) {
return Map.of("completion", this.chatClient.prompt().user(message).call().content());
}
}
通过 curl 调用应用程序端点时,结果如下:
❯ curl localhost:8080/ai/simple
{"completion":"Why did the pirate go to the comedy club? To hear some arrr-rated jokes! Arrr, matey!"}
带参数的默认系统文本
在下面的示例中,我们将在系统文本中使用占位符,以便在运行时而不是设计时指定完成的语气。
@Configuration
class Config {
@Bean
ChatClient chatClient(ChatClient.Builder builder) {
return builder.defaultSystem("You are a friendly chat bot that answers question in the voice of a {voice}")
.build();
}
}
@RestController
class AIController {
private final ChatClient chatClient;
AIController(ChatClient chatClient) {
this.chatClient = chatClient;
}
@GetMapping("/ai")
Map<String, String> completion(@RequestParam(value = "message", defaultValue = "Tell me a joke") String message, String voice) {
return Map.of("completion",
this.chatClient.prompt()
.system(sp -> sp.param("voice", voice))
.user(message)
.call()
.content());
}
}
通过 httpie 调用应用程序端点时,结果如下:
http localhost:8080/ai voice=='Robert DeNiro'
{
"completion": "You talkin' to me? Okay, here's a joke for ya: Why couldn't the bicycle stand up by itself? Because it was two tired! Classic, right?"
}
其他默认值
在 ChatClient.Builder 级别,您可以指定默认提示配置。
-
defaultOptions(ChatOptions chatOptions): 传入在ChatOptions类中定义的便携式选项或模型特定选项,例如OpenAiChatOptions中的选项。有关模型特定的ChatOptions实现的更多信息,请参阅 JavaDocs。 -
defaultFunction(String name, String description, java.util.function.Function<I, O> function):name用于在用户文本中引用函数。description解释函数目的并帮助 AI 模型选择正确的函数以获得准确的响应。function参数是模型在必要时将执行的 Java 函数实例。 -
defaultFunctions(String… functionNames): 应用程序上下文中定义的 `java.util.Function` 的 bean 名称。 -
defaultUser(String text),defaultUser(Resource text),defaultUser(Consumer<UserSpec> userSpecConsumer): 这些方法允许您定义用户文本。Consumer<UserSpec>允许您使用 lambda 来指定用户文本和任何默认参数。 -
defaultAdvisors(Advisor… advisor): Advisor 允许修改用于创建Prompt的数据。QuestionAnswerAdvisor实现通过将提示附加与用户文本相关的上下文信息来启用检索增强生成模式。 -
defaultAdvisors(Consumer<AdvisorSpec> advisorSpecConsumer): 此方法允许您定义一个Consumer,以使用AdvisorSpec配置多个 Advisor。Advisor 可以修改用于创建最终Prompt的数据。Consumer<AdvisorSpec>允许您指定一个 lambda 来添加 Advisor,例如QuestionAnswerAdvisor,它通过根据用户文本附加相关的上下文信息来支持检索增强生成。
您可以使用不带 default 前缀的相应方法在运行时覆盖这些默认值。
-
options(ChatOptions chatOptions) -
function(String name, String description, java.util.function.Function<I, O> function) -
functions(String… functionNames) -
user(String text),user(Resource text),user(Consumer<UserSpec> userSpecConsumer) -
advisors(Advisor… advisor) -
advisors(Consumer<AdvisorSpec> advisorSpecConsumer)
Advisor
Advisors API 提供了一种灵活而强大的方式来拦截、修改和增强 Spring 应用程序中 AI 驱动的交互。
当使用用户文本调用 AI 模型时,常见的模式是用上下文数据附加或增强提示。
此上下文数据可以是不同类型。常见类型包括:
-
您自己的数据:这是 AI 模型尚未训练的数据。即使模型看到了类似的数据,附加的上下文数据在生成响应时也具有优先权。
-
对话历史记录:聊天模型的 API 是无状态的。如果您告诉 AI 模型您的名字,它在后续交互中不会记住它。每次请求都必须发送对话历史记录,以确保在生成响应时考虑先前的交互。
ChatClient 中的 Advisor 配置
ChatClient 流畅 API 提供了一个 AdvisorSpec 接口用于配置 Advisor。此接口提供了添加参数、一次设置多个参数以及向链中添加一个或多个 Advisor 的方法。
interface AdvisorSpec {
AdvisorSpec param(String k, Object v);
AdvisorSpec params(Map<String, Object> p);
AdvisorSpec advisors(Advisor... advisors);
AdvisorSpec advisors(List<Advisor> advisors);
}
| Advisor 添加到链中的顺序至关重要,因为它决定了它们的执行顺序。每个 Advisor 都以某种方式修改提示或上下文,一个 Advisor 所做的更改将传递给链中的下一个 Advisor。 |
ChatClient.builder(chatModel)
.build()
.prompt()
.advisors(
MessageChatMemoryAdvisor.builder(chatMemory).build(),
QuestionAnswerAdvisor.builder(vectorStore).build()
)
.user(userText)
.call()
.content();
在此配置中,MessageChatMemoryAdvisor 将首先执行,将对话历史记录添加到提示中。然后,QuestionAnswerAdvisor 将根据用户的问题和添加的对话历史记录执行其搜索,可能会提供更相关的结果。
检索增强生成
请参阅检索增强生成指南。
日志记录
SimpleLoggerAdvisor 是一个 Advisor,它记录 ChatClient 的 request 和 response 数据。这对于调试和监控您的 AI 交互非常有用。
| Spring AI 支持 LLM 和向量存储交互的可观测性。有关更多信息,请参阅可观测性指南。 |
要启用日志记录,请在创建 ChatClient 时将 SimpleLoggerAdvisor 添加到 Advisor 链中。建议将其添加到链的末尾。
ChatResponse response = ChatClient.create(chatModel).prompt()
.advisors(new SimpleLoggerAdvisor())
.user("Tell me a joke?")
.call()
.chatResponse();
要查看日志,请将 Advisor 包的日志级别设置为 DEBUG。
logging.level.org.springframework.ai.chat.client.advisor=DEBUG
将其添加到您的 application.properties 或 application.yaml 文件中。
您可以使用以下构造函数自定义从 AdvisedRequest 和 ChatResponse 记录的数据:
SimpleLoggerAdvisor(
Function<ChatClientRequest, String> requestToString,
Function<ChatResponse, String> responseToString,
int order
)
用法示例:
SimpleLoggerAdvisor customLogger = new SimpleLoggerAdvisor(
request -> "Custom request: " + request.prompt().getUserMessage(),
response -> "Custom response: " + response.getResult(),
0
);
这允许您根据您的特定需求调整记录的信息。
| 在生产环境中记录敏感信息时要小心。 |
聊天记忆
接口 ChatMemory 表示聊天对话记忆的存储。它提供将消息添加到对话、从对话中检索消息和清除对话历史记录的方法。
目前有一个内置实现:MessageWindowChatMemory。
MessageWindowChatMemory 是一种聊天记忆实现,它维护一个消息窗口,最大大小为指定值(默认值:20 条消息)。当消息数量超过此限制时,较旧的消息将被逐出,但系统消息会保留。如果添加新的系统消息,所有以前的系统消息都将从记忆中移除。这确保了对话始终可用最新的上下文,同时保持内存使用量受限。
MessageWindowChatMemory 由 ChatMemoryRepository 抽象支持,该抽象为聊天对话记忆提供存储实现。有多种实现可用,包括 InMemoryChatMemoryRepository、JdbcChatMemoryRepository、CassandraChatMemoryRepository 和 Neo4jChatMemoryRepository。
有关更多详细信息和使用示例,请参见聊天记忆文档。
实现注意事项
在 ChatClient 中命令式和响应式编程模型的组合使用是 API 的一个独特方面。通常,应用程序要么是响应式的,要么是命令式的,但不会两者兼而有之。
-
在自定义模型实现的 HTTP 客户端交互时,必须同时配置 RestClient 和 WebClient。
|
由于 Spring Boot 3.4 中的一个错误,必须设置“spring.http.client.factory=jdk”属性。否则,它默认设置为“reactor”,这会破坏某些 AI 工作流,例如 ImageModel。 |
-
流式传输仅通过响应式堆栈支持。因此,命令式应用程序必须包含响应式堆栈(例如 spring-boot-starter-webflux)。
-
非流式传输仅通过 Servlet 堆栈支持。因此,响应式应用程序必须包含 Servlet 堆栈(例如 spring-boot-starter-web),并期望某些调用是阻塞的。
-
工具调用是命令式的,导致阻塞工作流。这还会导致 Micrometer 观察结果不完整/中断(例如,ChatClient 跨度和工具调用跨度未连接,因此第一个跨度不完整)。
-
内置 Advisor 对标准调用执行阻塞操作,对流式调用执行非阻塞操作。用于 Advisor 流式调用的 Reactor Scheduler 可以通过每个 Advisor 类上的 Builder 进行配置。