核心概念

Advisor是Spring AI框架中的拦截增强机制，扮演着类似Spring AOP中"切面"的角色。它允许开发者在不修改核心业务代码的情况下，对AI模型的请求和响应流程进行拦截、修改和增强。

简单来说，Advisor就像AI应用的智能管家，在问题发送给大模型前和答案返回给用户后，自动完成一系列预处理和后处理工作。

---

核心功能特点

1. 请求/响应拦截

• 前置增强：在调用AI模型前修改Prompt、添加上下文、过滤敏感词

• 后置增强：在模型返回后记录日志、格式化结果、安全校验

2. 链式处理机制

多个Advisor按责任链模式串联执行，通过getOrder()方法确定顺序（值越小越优先），形成完整的处理流水线

3. 模块化与可复用

将通用模式（对话记忆、RAG、安全过滤）封装成可复用组件，提升代码可移植性

---

内置Advisor类型

Spring AI提供了丰富的内置Advisor实现，覆盖常见场景：

1. 聊天记忆Advisor（Chat Memory）

管理多轮对话历史，避免手动维护对话列表

类型	工作原理	适用场景
MessageChatMemoryAdvisor	将历史对话作为独立消息集合添加到Prompt，保留完整角色结构（user/assistant/system）	推荐，符合现代LLM对话模型设计
PromptChatMemoryAdvisor	将对话历史合并到系统文本中，可能丢失消息边界	简单场景
VectorStoreChatMemoryAdvisor	基于向量数据库存储和检索历史对话	大规模对话数据

使用示例：

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

2. 问答增强Advisor（Q&A）

• QuestionAnswerAdvisor：实现朴素RAG模式，从向量存储中检索相关知识增强回答

• RetrievalAugmentationAdvisor：基于模块化RAG架构的高级实现

3. 内容安全Advisor

• SafeGuardAdvisor：过滤有害或不适当内容，防止模型生成违规输出

4. 日志与调试Advisor

• SimpleLoggerAdvisor：记录完整的AI交互日志，便于调试和监控

---

高级特性：递归Advisor（Recursive Advisors）

Spring AI 1.1+版本引入递归Advisor，支持Advisor调用其他Advisor，构建多步骤AI工作流。

典型应用场景：

1. 自改进AI智能体：生成答案 → 评估质量 → 基于反馈优化答案

2. LLM-as-a-Judge评估系统：一个模型生成内容，另一个模型评估质量，形成闭环反馈

实现原理：通过SelfRefineEvaluationAdvisor等实现类，自动评估回答质量，未达标则携带反馈重新尝试，直到满足要求或达到重试上限。

---

自定义Advisor开发

开发者可以轻松创建自定义Advisor满足特定需求：

// 自定义日志Advisor示例
public class MyLoggerAdvisor implements AroundAdvisor {
    @Override
    public AdvisedResponse aroundCall(AdvisedRequest request, CallAroundAdvisorChain chain) {
        // 前置处理：记录请求
        log.debug("AI Request: {}", request.userText());
        
        // 执行后续Advisor或模型调用
        AdvisedResponse response = chain.nextAroundCall(request);
        
        // 后置处理：记录响应
        log.debug("AI Response: {}", response.response().getResult());
        return response;
    }
}

典型自定义场景：

• Re-Reading（Re2）模式：强制模型重新阅读问题以提升复杂推理准确率

• 特定业务逻辑增强：如简历优化场景中的专业顾问模式

---

使用建议

1. 优先级设计：合理设置getOrder()值，确保核心Advisor（如安全检查）优先执行

2. 性能考量：每个Advisor都会增加处理延迟，避免过度堆叠

3. 成本敏感：如Re2模式会翻倍输入长度，谨慎在C端高并发场景使用

4. 模型兼容性：部分Advisor（如MessageChatMemoryAdvisor）并非所有模型都支持

---

总结

Spring AI Advisor通过拦截增强机制，将AI应用中的横切关注点（日志、记忆、安全、RAG等）解耦为可复用的组件，极大提升了开发效率和代码可维护性。结合递归Advisor等创新特性，开发者能够构建出具备自我改进能力的复杂AI智能体，是当前Java AI工程化实践中不可或缺的核心设计模式。