Spring AI 聊天记忆功能实战(一):从接口设计到生产实践

架构设计内容分享(一百三十六):Spring AI 项目简介 本文介绍了 Spring AI 项目及其在 REST API 方面的功能,它为生成式 AI 集成到 Spring Boot 应用中提供了一个可靠的接口。在撰写本文时,spring-ai-starter 仍在积极开发中(可以访问快照版本)。本文介绍了与 Spring AI 的基本集成和高级集成,包括AiClientAiResponse和以及异常处理。 阅读详情

在构建AI对话应用时,聊天记忆管理及存储是实现连贯上下文交互的关键组件。而大模型(LLM)本质上是无状态的,这意味着它们不会保留历史交互信息。当需要跨多轮交互保持上下文时,这一特性会带来局限。为此,Spring AI 提供了聊天记忆功能,支持在 LLM 交互过程中存储和检索上下文数据。

入门理解

Spring AI 框架通过模块化设计提供了灵活的聊天记忆解决方案,其核心在于ChatMemoryRepository与ChatMemory的协同工作机制。

ChatMemoryRepository 接口提供了各种存储方式实现的统一抽象,增加了聊天记忆功能的灵活性及扩展性,目前 Spring AI(1.0.0 版本)框架提供了基于 内存(默认)、JDBC、Cassandra、Neo4j 四种存储方式的实现。

public interface ChatMemoryRepository {
    // 获取所有会话ID
	List<String> findConversationIds();
    // 获取指定会话ID的聊天消息
	List<Message> findByConversationId(String conversationId);
	// 存储整个会话ID的历史消息(替换式更新)
	void saveAll(String conversationId, List<Message> messages);
    // 清理指定会话ID中的聊天消息
	void deleteByConversationId(String conversationId);
}

ChatMemory 抽象层支持实现多种记忆类型以满足不同场景需求。消息的底层存储由 ChatMemoryRepository 处理,其唯一职责是存储和检索消息。ChatMemory 实现类可自主决定消息保留策略 —— 例如保留最近 N 条消息、按时间周期保留或基于 Token 总量限制保留。

public interface ChatMemory {
	// 从聊天记忆的上下文检索会话ID
	String CONVERSATION_ID = "chat_memory_conversation_id";
	// 将聊天消息保存到指定会话ID的存储中
	void add(String conversationId, List<Message> messages);
	// 获取指定会话ID中的聊天消息
	List<Message> get(String conversationId);
	// 清理指定会话ID中的聊天消息
	void clear(String conversationId);
}

快速使用

Spring AI 自动配置 ChatMemory Bean 供直接使用。默认采用内存存储(InMemoryChatMemoryRepository)及 MessageWindowChatMemory 实现管理会话历史。若已配置其他 Repository(如 Cassandra / JDBC / Neo4j ),则自动切换至对应实现。

记忆类型:MessageWindowChatMemory 维护固定容量的消息窗口(默认 20 条)。当消息超限时,自动移除较早的对话消息(始终保留系统消息)。

// 自动注入
@Autowired
ChatMemory chatMemory;

// 手动创建
MessageWindowChatMemory memory = MessageWindowChatMemory.builder()
    .maxMessages(10)
    .build();

记忆存储:InMemoryChatMemoryRepository 内存存储为默认的聊天记忆存储实现。同样地,Spring AI 提供了统一的自动配置,可直接自动注入使用。

// 自动注入
@Autowired
ChatMemoryRepository chatMemoryRepository;

// 手动创建
ChatMemoryRepository repository = new InMemoryChatMemoryRepository();

自动配置在默认情况下,Spring AI 注入了如下 Bean 对象:

@Bean
ChatMemoryRepository chatMemoryRepository() {
    return new InMemoryChatMemoryRepository();
}

@Bean
ChatMemory chatMemory(ChatMemoryRepository chatMemoryRepository) {
    return MessageWindowChatMemory.builder().chatMemoryRepository(chatMemoryRepository).build();
}

原理实现

聊天记忆存储的实现主要依靠 ChatMemoryRepository 接口 及 ChatMemory 接口,它们的默认实现类分别为 InMemoryChatMemoryRepository及 MessageWindowChatMemory 。

InMemoryChatMemoryRepository实现类:

public final class InMemoryChatMemoryRepository implements ChatMemoryRepository {
    Map<String, List<Message>> chatMemoryStore = new ConcurrentHashMap<>();
    // 方法实现...
}

InMemoryChatMemoryRepository 使用并发安全的 ConcurrentHashMap 实现聊天记录的增删改操作,存储实现依赖 Map 的 get、put、remove 操作。需要注意的是,这里 saveAll(写入记录)方法实现是替换旧数据的更新逻辑,若对应到外部存储的写入方式应该先删除后插入数据,而限制聊天对话历史长度的逻辑在 MessageWindowChatMemory 类实现。

MessageWindowChatMemory 实现类:

public final class MessageWindowChatMemory implements ChatMemory {
    private final ChatMemoryRepository chatMemoryRepository;
    private final int maxMessages;
    // 方法实现...

    private List<Message> process(List<Message> memoryMessages, List<Message> newMessages) {
        // 根据最大消息数处理消息窗口
    }
}

处理消息窗口容量的主要逻辑为:

  • 识别新增的SystemMessage,当有新系统消息时,清除所有旧系统消息、所有的新SystemMessage不受容量限制;
  • 保留非系统消息历史+新增消息,按添加顺序移除最早的非系统消息,确保 最终消息数 == maxMessages、返回处理后的新消息;

消息窗口的聊天记忆管理与数据存储交互的 UML 类图 如下:

实战案例

接下来我们使用MessageWindowChatMemory+JdbcChatMemoryRepository的方式实现一个AI聊天助手的功能。

JdbcChatMemoryRepository 是内置的 JDBC 实现,支持多种关系型数据库,适用于需要持久化存储聊天记忆的场景。JDBC 实现是基于 spring-jdbc 模块,我们可通过 JdbcTemplate 来配置任一数据源。

1、导入模块

首先,在 spring-boot 项目中添加以下依赖:

<dependency>
    <groupId>org.springframework.boot</groupId>
    <artifactId>spring-boot-starter-web</artifactId>
</dependency>

<dependency>
    <groupId>org.springframework.ai</groupId>
    <artifactId>spring-ai-starter-model-openai</artifactId>
</dependency>

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

<dependency>
    <groupId>org.postgresql</groupId>
    <artifactId>postgresql</artifactId>
    <scope>runtime</scope>
</dependency>

2、配置参数

新建 application.yml,添加配置 spring.ai和JdbcTemplate 相关参数:

spring:
  application:
    name: AI Assistant
  ai:
    openai:
      api-key: ${OPENAI_API_KEY:NONE}
      base-url: ${OPENAI_BASE_URL:NONE}
      chat:
        options:
          model: DeepSeek-V3
        completions-path: /v1/chat/completions
    chat:
      memory:
        repository:
          jdbc:
            initialize-schema: always # Always initialize
  datasource:
    url: jdbc:postgresql://localhost:5432/test
    username: root
    password: 123456
    driver-class-name: org.postgresql.Driver

3、创建 Bean 实例

Spring AI 为 JdbcChatMemoryRepository 提供了自动配置,可直接在应用中使用 (默认使用 hsqldb 嵌入式数据库),也可手动创建 Bean 实例。

@Configuration
public class GeneralChatClientConfig {

    private final JdbcChatMemoryRepository jdbcChatMemoryRepository;

    public GeneralChatClientConfig(JdbcChatMemoryRepository jdbcChatMemoryRepository) {
        this.jdbcChatMemoryRepository = jdbcChatMemoryRepository;
    }

    @Bean(name = "messageWindowChatMemoryWithJdbc")
    public MessageWindowChatMemory messageWindowChatMemoryWithJdbc() {
        int maxMessages = 20;
        return MessageWindowChatMemory.builder()
                .chatMemoryRepository(jdbcChatMemoryRepository) // default: new InMemoryChatMemoryRepository()
                .maxMessages(maxMessages)
                .build();
    }
}

目前 Spring AI 支持的数据库与方言抽象层:

  • PostgreSQL
  • MySQL / MariaDB
  • SQL Server
  • HSQLDB

使用 JdbcChatMemoryRepositoryDialect.from(DataSource) 时可基于 JDBC URL 自动识别正确方言。通过实现 JdbcChatMemoryRepositoryDialect 接口可扩展其他数据库方言支持。

4、聊天记忆客户端

创建使用 ChatClient API 时,可通过注入 ChatMemory 实现来维护跨多轮交互的会话上下文。

Spring AI 提供多种内置 Advisor,用于按需配置 ChatClient 的记忆行为。

  • MessageChatMemoryAdvisor:通过指定 ChatMemory 实现管理会话记忆。每次交互时从记忆库检索历史消息,并将其作为消息集合注入提示词。
  • PromptChatMemoryAdvisor:基于指定 ChatMemory 实现管理会话记忆。每次交互时从记忆库检索历史对话,并以纯文本形式追加至系统(system)提示词。
  • VectorStoreChatMemoryAdvisor:通过指定 VectorStore 实现管理会话记忆。每次交互时从向量存储检索历史对话,并以纯文本形式追加至系统(system)消息。

例如,若需结合 MessageWindowChatMemory 与 PromptChatMemoryAdvisor,可按如下方式配置:

    @Bean(name = "deepseekV3ClientWithJdbc")
    public ChatClient deepseekV3ClientWithJdbc(
            @Value("${spring.ai.openai.base-url}") String baseUrl,
            @Value("${spring.ai.openai.chat.options.model}") String modelName,
            @Value("${spring.ai.openai.api-key}") String apiKey,
            @Qualifier("messageWindowChatMemoryWithJdbc") MessageWindowChatMemory messageWindowChatMemoryWithJdbc) {

        OpenAiApi build = OpenAiApi.builder().apiKey(apiKey).baseUrl(baseUrl).build();

        OpenAiChatModel openAiChatModel =
                OpenAiChatModel.builder()
                        .openAiApi(build)
                        .defaultOptions(OpenAiChatOptions.builder().model(modelName).build())
                        .build();

        return ChatClient.builder(openAiChatModel)
                .defaultAdvisors(PromptChatMemoryAdvisor.builder(messageWindowChatMemoryWithJdbc).build())
                .defaultAdvisors(new SimpleLoggerAdvisor())
                .build();
    }

调用 ChatClient 时,ChatMemoryAdvisor 将自动管理记忆存储。系统会根据指定的会话 ID 从记忆库检索历史对话。

我们新建一个 Controller ,注入配置好的 ChatClient,定义一个api实现大模型的 chat 调用,代码如下:

@RestController
@RequestMapping("/ai/v3/chat/")
@Slf4j
public class GeneralChatController {

    private final ChatClient jdbcChatClient;

    public GeneralChatController(@Qualifier("deepseekV3ClientWithJdbc") ChatClient jdbcChatClient) {
        this.jdbcChatClient = jdbcChatClient;
    }

    @PostMapping(value = "/t1", produces = {MediaType.TEXT_EVENT_STREAM_VALUE})
    @ResponseBody
    public Object chatWithJdbc(@RequestBody String body) {
        JSONObject entries = JSONUtil.parseObj(body);
        String text = entries.getStr("text");
        Boolean stream = entries.getBool("stream", false);
        String conversationId = entries.getStr("conversationId");

        log.info("开始对话聊天,会话ID:{}", conversationId);
        var request = jdbcChatClient
                        .prompt()
                        .system("你是乐观小王,回答问题简练精要。")
                        .advisors(advisor -> advisor.param(CONVERSATION_ID, conversationId))
                        .user(text);

        try {
            log.info("开始生成回答,是否流式输出:{}", stream);
            return stream ? request.stream().content() : request.call().content();
        } catch (Exception e) {
            log.error("对话聊天发生异常,会话ID:{}", conversationId, e);
            throw e;
        }
    }
}

5、测试AI聊天功能

通过上述的简单配置和代码编写,我们已经实现了一个通用的带有记忆功能的AI聊天助手。

接下来让我们测试一下这个聊天助手的使用效果,设置几条 USER 的提问内容,具体内容如下:

# Openai Chat API
### 我的名字叫小明,你叫什么名字?
### 我是谁?
### 我们之间的第一句问话是什么?
POST http://localhost:10001/ai/v3/chat/t1
Content-Type: application/json

{
"text": "我的名字叫小明,你叫什么名字?",
"stream": false,
"conversationId": "bnA9f525-l7ae-5c66-ae21-vh53547c96cf"
}

聊天消息记录会被存储到 PostgreSQL 数据库中,http顺序请求后的大模型返回结果 如图所示:

小总结

通过上述测试结果可以清晰看到,基于 Spring AI 搭建的聊天助手凭借聊天记忆存储功能,能够准确关联上下文信息,针对连续提问给出符合对话逻辑的回答。无论是识别用户身份,还是追溯对话起始内容,系统都能有效利用历史消息,实现连贯且智能的交互体验,充分利用聊天记忆存储机制可以更好的维护对话上下文及提高模型回答的准确性。

目前 Spring AI (1.0.0 版本) 官方还没有提供 Redis 的聊天记忆外部存储实现,那么,下一篇文章我们将聚焦于 自定义 Redis 聊天记忆的外部存储实现,通过 自定义一个外部存储方式,自己实现一个聊天记忆存储功能,来进一步提升聊天助手的扩展性与数据持久性,让AI聊天助手在高并发、大规模对话场景中稳定运行。敬请期待接下来的深度技术解析!

Spring AI 对话记忆持久化实战-MySQL方案 文章详细讲解了项目环境搭建、核心配置参数说明,并提供了MysqlMemoryConfig配置类及控制器代码实现。其中MySQL方案适合需要长期存档的场景,Redis则适用于高并发实时聊天应用。以MySQL为例子,SpringAI的记忆管理功能有效解决了AI对话的"金鱼记忆"问题,为构建更智能的对话系统提供了技术保障。 阅读详情

相关推荐

大模型之Spring AI实战系列(三):Spring Boot + OpenAI 实现聊天应用上下文记忆功能

为了让 AI 聊天机器人具备“记忆力”,能够理解上下文并进行连贯的多轮对话,我们需要引入**上下文管理机制**。本文将基于 `spring-ai-openai-context` 示例项目,详细介绍如何构建一个支持上下文记忆的 OpenAI 聊天服务。

寻道AI,探索AI无限可能! 2705

Spring AI实战初体验——实现可切换模型AI聊天助手

手把手教你使用Spring AI实现一个对接本地ollama大模型的AI聊天助手,实现可切换模型并且多模型共享聊天记录

m0_52620144的博客 2832

嵌入式设备系统日志记录及调试技巧_嵌入式日志系统(1),如何成为杰出的程序员

这里面我使用的芯片为哈弗体系,全局常量存储编译器默认分配在flash,需要注意如果使用片内flash时,注意存储调试等级的flash块不要与代码区重合,要不然修改调试等级擦除flash块同时PC指针指向当前块的代码区,会导致仪器死机;这个也是之前用的比较多的,以上代码是模仿linux 内核的写法,可以比较好的做到日志信息分层,编译时相加对应的编译开关即可。但有个弊端就是,切换debug等级时,需要重新编译且需更新固件,而嵌入式设备出现异常后更新固件往往复位后,故障有时很难复现,调试起来比较浪费时间。

2401_84240431的博客 1296

Spring AI -使用Spring快速开发ChatGPT应用

本篇文章将会对SpringAI进行简单的介绍和使用,并通过SpringBoot来集成SpringAI实际开发出一个简单的http对话接口。

qq_41481367的博客 5万+

数字IC后端时序违例修复:setup/hold冲突与时钟树优化实战

时序收敛是数字IC后端设计中最关键的环节之一,直接影响芯片能否在目标频率下稳定工作。建立时间与保持时间的本质是寄存器对数据稳定性的物理约束,而实际工程中,setup违例和hold违例往往此消彼长,冲突的根源在于数据路径与时钟路径的延迟匹配。时钟树综合(CTS)作为连接逻辑与物理的关键步骤,其skew、insertion delay和transition的优化直接决定了时序修复的成败。通过useful skew技术、合理的单元替换和路径结构调整,可以系统性地解决setup/hold冲突,实现时序收敛。本文结合

weixin_28292761的博客 225

【R语言】富集分析可视化代码(整理版)

分别介绍了如何使用DAVID在线分析工具对基因进行GO/KEGG功能富集分析、使用R ggplot包对获得的基因GO/KEGG功能富集结果进行可视化、使用R clusterProfiler包和R AnnotationHub包对基因进行GO/KEGG功能富集分析、OrgDb包制作以及结果可视化等。故,我重新整理了一波,并补充了可对多个分组的富集结果进行可视化以及富集结果绘制圈图等的代码。关注“在打豆豆的小潘学长”公众号,发送“富集分析3”获得完整代码包和演示数据。一、单组富集结果可视化。

weixin_54004950的博客 1万+

SpringAI实践(一)

最近看了很多大模型的文章,感觉AI可以能做很多事情,例如RAG(文档检索生成)、Function Calling(模型回调)、MCP(模型上下文协议)、AI链式工作流等,接下来会都动手尝试一下这些功能,探索运用大模型可以拓展哪些能力。实现这些功能需要探索的很多,这里先进行第一步使用SpringAI调用大模型实现对话。

sc35262的博客 524

MATLAB小白也能搞定!BCT脑网络分析工具箱安装与入门指南

本文为零基础用户提供了一份详尽的BCT脑网络分析工具箱安装与入门指南。从MATLAB环境配置、BCT工具箱下载与路径添加,到连接矩阵构建、节点度与聚类系数等基础指标计算,手把手带领神经科学研究者跨越编程门槛,快速掌握脑影像数据分析的核心流程。

threejs5artist的博客 1092

Spring AI:ChatMemory 实现聊天记忆功能

Spring AI:ChatMemory 实现聊天记忆功能

weixin_46619605的博客 2200

Playwright Java环境配置避坑指南:浏览器路径、类加载与离线部署

Playwright作为现代端到端测试框架,其Java SDK突破了传统Selenium的Driver管理模式,将Chromium/Firefox/WebKit内核视为可编程运行时资源。其核心原理在于SDK与浏览器二进制分离——Maven仅管理Java字节码,而浏览器需独立下载、校验与沙箱加载。这一设计带来显著技术价值:跨平台一致性、进程隔离安全性及多浏览器并行能力;典型应用场景涵盖Spring Boot集成测试、金融级离线CI/CD、Kubernetes容器化部署及Air-Gapped封闭环境。然而,因J

weixin_32956805的博客 680

基于GA-BP遗传算法优化神经网络的多输入多输出数据预测-Python代码实现

多输入多输出的GA-BP神经网络

2301_80449389的博客 2309

Spring AI 聊天记忆

Spring AI提供了多种聊天内存管理方案,支持内存存储和持久化存储。默认使用内存中的MessageWindowChatMemory,限制消息数量为20条。开发者可通过JdbcChatMemoryRepository实现关系型数据库持久化,支持PostgreSQL、MySQL等数据库,支持自动建表。ChatClient API通过MessageChatMemoryAdvisor等内置顾问管理对话上下文,支持按会话ID维护历史记录。示例代码展示了如何配置基于智谱AI模型的聊天客户端,实现带内存管理的对话功能

ling_zhi_xin的博客 1150

【基于 CasADi 的欠驱动无人船实时非线性模型预测控制(NMPC)实现与避碰仿真】MATLAB开源复现

本文提出了一种基于CasADi的欠驱动无人船实时非线性模型预测控制(NMPC)方法,实现了轨迹跟踪与避碰功能。研究采用三自由度USV动力学模型,集成静态与动态障碍物避碰约束,并满足国际海上避碰规则(COLREGS)。通过CasADi+IPOPT数值优化求解,实现了毫秒级实时控制。文章详细介绍了USV建模、NMPC控制器设计、避碰约束建模以及CasADi实现流程,包括核心求解流程和轨迹生成方法。实验结果表明,该方法能有效实现复杂环境下的轨迹跟踪与避碰功能。

vor234的博客 1399

Spring AI应用系列——基于Alibaba DashScope的聊天记忆功能实现

本项目通过Spring AI框架和Alibaba DashScope API实现了聊天记忆功能,并支持三种存储方式。用户可以根据实际需求选择合适的存储方案。未来可以进一步优化存储策略,例如结合Redis和MySQL实现冷热数据分离,提升系统性能和扩展性。

weixin_50236329的博客 2300

CUDA:实现使用cuSolverSP底层API实现Cholesky因式分解(附完整源码)

CUDA:实现使用cuSolverSP底层API实现Cholesky因式分解(附完整源码)

希望我的博客,能帮上你解决学习中工作中所遇到的问题 350

STM32F407中文手册

STM32f407中文手册 本参考手册面向应用开发人员,提供有关使用 STM32F405xx/07xx、STM32F415xx/17xx、 STM32F42xxx 和 STM32F43xxx 微控制器存储器与外设的完整信息。STM32F405xx/07xx、STM32F415xx/17xx、STM32F42xxx 和 STM32F43xxx 构成一个微 控制器系列,各产品具有不同的存储器大小、封装和外设。有关订购信息以及器件的机械与电气特性,请参见数据手册。有关 ARM Cortex™-M4F 内核的信息,请参见《Cortex™-M4F 技术参考手册》。

Spring AI 聊天记忆功能实战(二):自定义 Redis 聊天记忆外部存储实现

Spring AI 框架通过模块化的抽象设计允许我们将默认的内存存储替换为自定义的外部存储方式,从而获得更好的扩展性和数据持久性。本文将深入探讨如何通过自定义 Redis 存储实现聊天记忆的功能。相较于内存存储,Redis 作为聊天记忆存储具有以下显著优势:通过上文可知,Spring AI 框架通过与抽象层实现聊天记忆及消息存储。那么 Spring AI 在 Chat Memory 上都做了哪些工作呢? 接口提供了存储逻辑的统一抽象,这些方法会在模型交互时与 对象中产生调用: 项目准备阶段,创建新的项目模

Cyanty的博客 967

精雕软件(JDpaint) 5.5 绿色版

精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版

Spring AI 聊天记忆管理:MessageWindowChatMemory 与 MessageChatMemoryAdvisor 详解

在现代对话系统开发中,维护对话上下文是构建智能交互体验的关键。Spring AI 框架提供了强大的聊天记忆管理功能,其中 `MessageWindowChatMemory` 和 `MessageChatMemoryAdvisor` 是两个核心组件。本文将深入探讨这两个组件的正确使用方法,分析常见错误原因,并提供完整的配置示例。

私聊前往站内信:https://i.youkuaiyun.com/#/msg/chat/weixin_44976692 2980

锂电池充电器电路设计 里面有电路

锂电池充电器电路设计 里面有电路 3.7V升压到5V电路设计。

SAP B1中文培訓教材_SDK

公司内部培训资料,对开发工具 ,DIAPI, UIAPI,Add-ON有详细解说

【AI实战】基于 Spring Boot 和 Spring AI 的聊天机器人,记忆功能、向量数据检索、function call一应俱全

使用了 `VectorStore` 和 `SearchRequest`,表明项目集成了向量数据库,用于语义搜索和检索增强生成(RAG, Retrieval-Augmented Generation)。- 使用了 `ChatClient` 和 `PromptChatMemoryAdvisor` 等组件,表明项目集成了 Spring AI 框架,用于构建聊天机器人功能。- 使用了 `Flux`,表明项目采用了响应式编程模型,支持流式数据处理和异步操作。- **工具**:日志记录、动态上下文生成、跨域支持。

u010297447的专栏 1825

Spring AI:基于 “助手角色” 消息实现聊天记忆功能 && 提示词模板

Spring AI:基于“助手角色”消息实现聊天记录功能,已经提示词模板介绍

weixin_46619605的博客 1322

Spring AI 系列1: ChatMemory聊天记忆总结

Spring AI 中的的ChatMemory(聊天记忆)提供了维护 AI 聊天应用程序的对话上下文和历史的机制。聊天记忆使 AI 应用程序能够:维护对话历史、提供上下文感知的响应、实现不同的记忆策略、管理对话状态。

何哥的博客 3075

Spring AI 系列之四 - 聊天记忆之入门

本章介绍了Spring AI如何快速的搭建具有聊天记忆的功能,并实现了基于MySQL数据库的聊天记录。在Spring AI自身实现的。

代码让AI扣 1644

Spring AI实战:SpringBoot项目结合Spring AI开发——聊天记忆(ChatMemory)源码及实战

在现代对话系统开发中,维护对话上下文是构建智能交互体验的关键,而大语言模型(LLM)本质上是无状态的,这意味着它们不会保留历史交互信息,当需要跨多轮交互保持上下文时,这一特性会带来局限。Spring AI 中的的ChatMemory(聊天记忆)提供了维护 AI 聊天应用程序的对话上下文和历史的机制。聊天记忆使 AI 应用程序能够:维护对话历史、提供上下文感知的响应、实现不同的记忆策略、管理对话状态。

weixin_51360020的博客 1030

Spring AI 系列之二十九 - Spring AI Alibaba-聊天记忆

本章演示了Spring AI Alibaba扩展的Redis存储,通过引入Spring AI Alibaba可以实现更多的存储类型。下一章将演示Spring AI Alibaba如何使用其它类型的大模型Spring AI系列上一章:《

代码让AI扣 1702

Spring AI 对话记忆

对话记忆功能是一种技术,使得应用程序或智能助手能够在一段时间内“记住”用户提供的信息,以便在后续对话中参考和使用。这种记忆可以让对话更加连贯,并使助手能够理解用户的背景和偏好,从而提供更加个性化和精准的回复。ChatMemory作为一个内存管理容器,存储和管理多轮对话中的ChatMessage。

王小工小工历程 4555

Spring AI进阶:AI聊天机器人之ChatMemory持久化(二)

继上篇我们介绍了如何使用Spring AI+DeepSeek本地模型搭建AI聊天机器人,本期主要介绍如何实现聊天上下文以及聊天记录如何持久化。 上篇地址:Spring AI进阶:使用DeepSeek本地模型搭建AI聊天机器人(一)-优快云博客 那么要了解如何实现聊天上下文,以及如何将上下文持久化,我们将从以下几个方面来学习。 Spring AI的是一个核心组件,旨在简化与大语言模型(如ChatGPT、Azure OpenAI等)的交互,支持同步和异步调用,并提供了

wanganui的博客 7730
上一篇: Spring技术原理深度解析:从IoC容器到微服务架构的完整指南
下一篇: 现代化 Java 企业级应用分层开发架构设计最佳实践
程序员职业指南
博客等级 码龄4年 2139粉丝 960原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值