引言：还记得第一次使用 ChatGPT 时，它能记住我们之前对话的惊喜吗？这种“记忆”能力，对于打造一个真正智能的应用至关重要。今天，我将带你深入 Spring AI 的内部，手把手教你如何为你的 AI 应用赋予“持久化记忆”，让每一次对话都充满上下文的情感与智慧。

一、故事开始：为什么我们需要“记忆”？

想象一下这个场景：你正在和一个智能客服聊天。

• 第一次：你问：“我想买一台笔记本电脑。”

• AI 回答：推荐了几款产品。

• 第二次：你接着问：“第一款有什么颜色？”

这时，一个没有记忆的 AI 会困惑：“嗯？您说的‘第一款’是指什么？” 而一个有记忆的 AI 会流畅地回答：“您刚才看到的联想 Yoga 有灰色和银色两种配色。”

这就是会话记忆的价值：它让对话变得连续、自然、有温度。而 Spring AI 要做的，就是帮我们优雅地实现这一点。

二、揭秘：Spring AI 的记忆是如何设计的？

Spring AI 采用了一种非常聪明的“两层架构”，把复杂问题简单化：

🧠 上层：记忆管家（ChatMemory）

• 角色：就像人类的短期记忆。

• 职责：决定每次和 AI 模型聊天时，要“想起”之前的哪几句话。太多了会乱（Token 超限），太少了会断片。

• 实现：MessageWindowChatMemory，像一个滑动窗口，只保留最近的 N 条对话。

💾 下层：记忆仓库（ChatMemoryRepository）

• 角色：就像人类的长期记忆或日记本。

• 职责：负责把所有的对话原原本本地“写”进数据库（如 MySQL），需要时再完整地“读”出来。

• 实现：JdbcChatMemoryRepository，是连接 Spring AI 和 MySQL 的那座坚固的桥梁。

简单来说：记忆管家（ChatMemory）负责“灵活动脑”，记忆仓库（ChatMemoryRepository）负责“可靠记录”。两者配合，才造就了一个既聪明又靠谱的 AI 助手。

三、动手实战：三步搭建“记忆系统”

理论听起来很美妙，现在我们来真刀真枪地配置一下。整个过程清晰简单，就像搭积木一样。

第 1 步：引入“积木块”（Maven 依赖）

首先，我们需要告诉项目，我们要使用 Spring AI 官方提供的与 MySQL 交互的记忆组件。

<dependency>
    <groupId>org.springframework.ai</groupId>
    <artifactId>spring-ai-starter-model-chat-memory-repository-jdbc</artifactId>
</dependency>
<dependency>
    <groupId>com.mysql</groupId>
    <artifactId>mysql-connector-j</artifactId>
</dependency>

小贴士：这个 starter包就像是一个智能工具箱，只要引入它，Spring AI 就会自动帮我们准备好后面要用到的 JdbcChatMemoryRepository这个核心零件。

第 2 步：配置“连接器”（application.yml）

接下来，我们需要进行一些配置，让工具箱知道如何工作。

spring:
  ai:
    chat:
      memory:
        repository:
          jdbc:
            initialize-schema: always        # 告诉Spring AI：请帮我自动创建数据库表
            schema: classpath:sql/schema-mysql.sql  # 创建表所需要的SQL脚本文件在这里
  datasource:
    url: jdbc:mysql://localhost:3306/your_database
    username: your_username
    password: your_password

第 3 步：设计“日记本”（数据库表结构）

最后，我们需要设计一下“日记本”的格式，也就是数据库表的结构。创建一个 schema-mysql.sql文件：

CREATE TABLE IF NOT EXISTS SPRING_AI_CHAT_MEMORY (
    id BIGINT NOT NULL AUTO_INCREMENT,
    conversation_id VARCHAR(36) NOT NULL, -- 会话ID：区分不同聊天
    content TEXT NOT NULL,                -- 消息内容：完整记录说了什么
    type VARCHAR(10) NOT NULL,             -- 消息类型：用户/助手/系统
    timestamp TIMESTAMP NOT NULL,         -- 时间戳：保证对话顺序
    PRIMARY KEY (id),
    INDEX CONVERSATION_ID_IDX (conversation_id, timestamp) -- 索引：加速查询
);

解读：这张表就像一本按不同 conversation_id分册的日记。每次对话，Spring AI 都会自动帮你按时间顺序记好每一笔，完全不用你手动写 SQL 干预！

四、灵魂配置：让记忆系统“活”起来

配置好了基础设施，现在需要创建一个核心的 Bean，让记忆管家和记忆仓库协同工作。

@Configuration
public class AiConfig {
    
    @Bean
    public ChatMemory chatMemory(ChatMemoryRepository chatMemoryRepository) {
        return MessageWindowChatMemory.builder()
                .chatMemoryRepository(chatMemoryRepository) // 注入仓库
                .maxMessages(50) // 设置记忆窗口：只记得最近50轮对话
                .build();
    }
}

这个 Bean 是整个记忆系统的灵魂：

• 它告诉 MessageWindowChatMemory（记忆管家）：“你的记忆数据都存在那个 chatMemoryRepository（记忆仓库）里。”

• maxMessages(50)是一个黄金平衡点：既保证了对话上下文的连贯性，又防止了因记忆过长导致的 API 令牌消耗过大和模型响应变慢。

五、业务实现：轻松管理聊天历史

最棒的部分来了！由于 Spring AI 已经把脏活累活都干完了，我们在业务层（如 Controller）调用记忆功能变得异常简单。

@RestController
@RequestMapping("/chat/history")
@RequiredArgsConstructor
public class ChatHistoryController {

    // 直接注入Spring AI为我们准备好的“记忆仓库”
    private final ChatMemoryRepository chatMemoryRepository;

    /**
     * 获取某个会话的完整聊天历史
     * 比如：用户想回顾之前和AI的整个聊天过程
     */
    @GetMapping("/{chatId}")
    public List<MessageVO> getChatHistory(@PathVariable String chatId) {
        // 一行代码搞定！底层复杂的数据序列化、SQL查询都由框架完成
        List<Message> messages = chatMemoryRepository.findByConversationId(chatId);
        return messages.stream().map(MessageVO::new).toList();
    }

    /**
     * 删除某个会话的所有记录
     * 比如：用户想清空某次聊天，重新开始
     */
    @DeleteMapping("/{chatId}")
    public void deleteChatHistory(@PathVariable String chatId) {
        // 同样是一行代码，清晰易懂
        chatMemoryRepository.deleteByConversationId(chatId);
    }
}

看到这里的优雅了吗？​ 我们不需要编写任何 SQL 语句，也不需要理解消息是如何被序列化成 JSON 存入 content字段的。Spring AI 的封装，让我们可以像使用普通 Java 集合一样操作数据库中的聊天记录。

六、全景图：一次用户请求的完整旅程

让我们通过一个生动的例子，把上面的知识点串联起来，看看从用户提问到收到回答，记忆系统是如何全程参与的：

1. 用户提问：在聊天界面输入：“这款电脑的续航怎么样？” 并点击发送。前端的请求中包含了 chatId（例如 "chat_001"）。

2. 记忆唤醒：ChatMemory（记忆管家）收到请求，它转身对 ChatMemoryRepository（记忆仓库）说：“嘿，帮我把 chat_001这个会话的日记本拿给我看看。”

3. 检索记忆：记忆仓库（JdbcChatMemoryRepository）熟练地打开 MySQL 数据库，执行查询，将之前所有关于 chat_001的对话记录按时间顺序整理好，交还给记忆管家。

4. 智能裁剪：记忆管家发现日记本太厚了（超过了50条），它遵循“最近50条”的原则，只摘取了最新的相关对话（比如用户之前问过“联想Yoga”），准备作为上下文。

5. 寻求答案：记忆管家将“精简版”的对话历史和新问题一起发送给大语言模型（如 GPT-4）。模型因为有上下文，能精准理解“这款电脑”指的是之前讨论的“联想Yoga”，然后生成关于其续航能力的专业回答。

6. 珍藏记忆：收到模型的回答后，记忆管家会将用户的新问题和AI的新回答作为新的一页，郑重地交给记忆仓库，由它存入数据库的 SPRING_AI_CHAT_MEMORY表中。这样，下次聊天时，这段记忆就又可以被唤醒了。

七、优雅背后的思考

通过今天的实战，我们看到了 Spring AI 如何通过 ChatMemory​ 和 ChatMemoryRepository​ 的巧妙分工，将复杂的会话记忆持久化问题变得如此简单和优雅。

然而，一个优秀的工程师总能发现潜在的问题：这种基于 MessageWindowChatMemory的设计，虽然完美服务于 AI 模型，但它为了实现滑动窗口，会在数据库层面删除旧消息。这意味着，从业务角度看，我们的聊天记录并不是“永久”的。

那么，如何实现既能给 AI 模型提供“短期记忆”，又能为业务留存“永久历史”的完美方案呢？这将是我们在下一篇文章《解决Spring AI聊天记录丢失：自定义Advisor实现持久化存储》中要揭秘的核心内容。

---

附录：快速回顾

核心概念	作用	好比是
ChatMemoryRepository​	持久化引擎，直接与数据库交互	日记本​
ChatMemory​	记忆管理器，控制上下文窗口	记忆管家​
conversation_id​	区分不同会话的唯一标识	日记本的分册标签​
maxMessages​	限制单次对话上下文的长度	记忆的黄金七秒法则​