Advisors

Advisor（切面）是 Spring AI 的横切关注点机制，采用围绕调用链模式——在每个模型请求前后插入自定义逻辑，实现日志记录、内容安全、对话记忆、RAG 检索等能力。

1. 注册 Advisor

ChatClient 提供两种注册方式：defaultAdvisors() 在构建时设置全局生效，advisors() 在单次调用时追加。

// 全局注册：所有请求生效
ChatClient chatClient = ChatClient.builder(chatModel)
        .defaultAdvisors(new SimpleLoggerAdvisor())
        .build();

// 单次注册：仅本次调用生效
chatClient.prompt()
        .user("今天的天气怎么样？")
        .advisors(new SafeGuardAdvisor())
        .call()
        .content();

全局和单次注册的 Advisor 可以叠加使用，按优先级排序后依次执行。

---

2. 内置 Advisor

2.1 请求日志

SimpleLoggerAdvisor 在请求前后记录日志，输出请求内容和模型响应，调试时无需手动打印。

ChatClient chatClient = ChatClient.builder(chatModel)
        .defaultAdvisors(new SimpleLoggerAdvisor())
        .build();

// 调试时自动输出：
// [Request]: user="北京天气？"
// [Response]: "北京今天晴，22°C"

默认使用 SLF4J debug 级别，可通过 Builder 自定义日志格式：

SimpleLoggerAdvisor advisor = SimpleLoggerAdvisor.builder()
        .requestToString(req -> "用户说了: " + req.prompt().getInstructions())
        .responseToString(resp -> "模型回复: " + resp.chatResponse().getResult().getOutput().getText())
        .build();

2.2 内容安全

SafeGuardAdvisor 在请求到达模型之前检测敏感词，命中则直接返回拒绝响应，不调用模型。

ChatClient chatClient = ChatClient.builder(chatModel)
        .defaultAdvisors(new SafeGuardAdvisor())
        .build();

// 包含敏感词时直接返回：
// "I'm unable to respond to that due to sensitive content..."

默认使用内置的敏感词列表，可通过构造函数传入自定义的 List<String>：

List<String> customWords = List.of("密码", "密钥", "token");
SafeGuardAdvisor advisor = new SafeGuardAdvisor(customWords);

2.3 对话记忆——基于消息

MessageChatMemoryAdvisor 自动将每次对话的 Message 对象存入 ChatMemory，下次请求时检索历史并追加到消息列表中。

ChatMemory chatMemory = new InMemoryChatMemory();

ChatClient chatClient = ChatClient.builder(chatModel)
        .defaultAdvisors(new MessageChatMemoryAdvisor(chatMemory))
        .build();

// 第一轮
chatClient.prompt()
        .user("我叫张三")
        .advisors(a -> a.param("chat_memory_conversation_id", "conv-001"))
        .call()
        .content();

// 第二轮——自动携带上轮记忆
chatClient.prompt()
        .user("我叫什么名字？")
        .advisors(a -> a.param("chat_memory_conversation_id", "conv-001"))
        .call()
        .content();
// 模型回答: "你叫张三"

2.4 对话记忆——基于提示词

PromptChatMemoryAdvisor 将对话历史渲染到 System Prompt 中，而非追加为独立 Message。适合不希望消息列表无限增长的场景。

ChatMemory chatMemory = new InMemoryChatMemory();

ChatClient chatClient = ChatClient.builder(chatModel)
        .defaultAdvisors(new PromptChatMemoryAdvisor(chatMemory))
        .build();

chatClient.prompt()
        .user("我叫李四")
        .advisors(a -> a.param("chat_memory_conversation_id", "conv-002"))
        .call()
        .content();

自定义记忆提示词模板：

PromptChatMemoryAdvisor advisor = PromptChatMemoryAdvisor.builder(chatMemory)
        .systemTextTemplate("以下是对话历史，请参考：\n{memory}")
        .build();

2.5 向量检索增强

QuestionAnswerAdvisor 在请求模型前，先用用户问题检索 VectorStore，将检索到的文档作为上下文注入提示词。

VectorStore vectorStore = new SimpleVectorStore(embeddingModel);

ChatClient chatClient = ChatClient.builder(chatModel)
        .defaultAdvisors(new QuestionAnswerAdvisor(vectorStore))
        .build();

String response = chatClient.prompt()
        .user("Spring AI 如何实现函数调用？")
        .call()
        .content();
// 模型基于检索到的相关文档回答

2.6 模块化 RAG

RetrievalAugmentationAdvisor 提供完整的 RAG 流水线，支持查询转换、检索、后处理、增强等可配置阶段。适合需要精细控制 RAG 流程的场景。

RetrievalAugmentationAdvisor advisor = RetrievalAugmentationAdvisor.builder()
        .documentRetriever(vectorStore)
        .queryAugmenter(new ContextualQueryAugmenter())
        .build();

ChatClient chatClient = ChatClient.builder(chatModel)
        .defaultAdvisors(advisor)
        .build();

---

3. 传递参数给 Advisor

通过 AdvisorSpec.param() 向 Advisor 传递参数，如对话 ID、检索阈值等。

chatClient.prompt()
        .user("我叫王五")
        .advisors(a -> a
                .param("chat_memory_conversation_id", "conv-003")
                .param("chat_memory_response_size", 10)
        )
        .call()
        .content();

param() 的参数会被写入请求上下文，各 Advisor 按需读取。常用参数：

参数名	适用的 Advisor	说明
chat_memory_conversation_id	记忆类 Advisor	对话唯一标识，区分不同会话
chat_memory_response_size	记忆类 Advisor	每次检索的历史消息数量

---

4. 完整示例

完整示例：AdvisorExample.java

public class AdvisorExample {

    public static void main(String[] args) {
        OllamaApi ollamaApi = OllamaApi.builder()
                .baseUrl("http://localhost:11434")
                .build();
        OllamaChatModel chatModel = OllamaChatModel.builder()
                .ollamaApi(ollamaApi)
                .defaultOptions(OllamaOptions.builder().model("qwen3:8b").build())
                .build();

        // 创建带记忆的 ChatClient
        ChatMemory chatMemory = new InMemoryChatMemory();
        ChatClient chatClient = ChatClient.builder(chatModel)
                .defaultAdvisors(
                        new SimpleLoggerAdvisor(),
                        new MessageChatMemoryAdvisor(chatMemory)
                )
                .defaultSystem("你是一个乐于助人的助手")
                .build();

        // 第一轮对话
        String response1 = chatClient.prompt()
                .user("我叫张三，是一名 Java 工程师")
                .advisors(a -> a.param("chat_memory_conversation_id", "conv-001"))
                .call()
                .content();
        System.out.println("第一轮: " + response1);

        // 第二轮对话——自动携带记忆
        String response2 = chatClient.prompt()
                .user("我叫什么名字？做什么工作？")
                .advisors(a -> a.param("chat_memory_conversation_id", "conv-001"))
                .call()
                .content();
        System.out.println("第二轮: " + response2);
    }
}