1. 什么是 Spring AI？它解决什么问题？

答：
Spring AI 是 Spring 官方推出的 AI 应用开发框架，用来简化 Java 后端接入大模型。
它统一了对话、向量、文档、RAG 等接口，让开发者不用关心底层是 OpenAI、通义还是文心，一套代码通用，快速做企业 AI 应用。

---

2. Spring AI 的核心组件有哪些？

答：

• ChatModel：对话模型统一接口
• EmbeddingModel：文本转向量
• VectorStore：向量数据库抽象
• DocumentReader & TextSplitter：文档读取与切片
• PromptTemplate：提示词模板
• RAG：检索增强生成
• FunctionCall：让 AI 调用 Java 方法

---

3. Spring AI 和 LangChain 的区别？

答：

• Spring AI：Java 优先、轻量、Spring 生态强、工程化友好、学习成本低
• LangChain：Python 为主，功能多但复杂，Java 支持弱

---

4. 什么是 RAG？为什么要用 RAG？

答：
RAG = 检索增强生成。
先从知识库检索相关内容，再把内容给大模型，让它基于资料回答。
解决大模型三大问题：

• 不知道企业私有数据
• 会胡说八道（幻觉）
• 知识过时

---

5. RAG 的完整流程是什么？

答：
离线构建知识库：

1. 加载文档（PDF/TXT/MD）
2. 文本分块 Chunk
3. 向量化 Embedding
4. 存入向量库

用户提问：
5. 问题转向量
6. 向量库做相似度检索
7. 拼接上下文给大模型
8. 大模型生成回答

---

6. 为什么要用向量数据库？普通数据库不行吗？

答：

• 普通数据库做精确匹配
• 向量数据库做语义相似度匹配
• 能理解“意思相近”，而不只是关键词一样
• 是 RAG 的核心基础设施

---

7. Spring AI 中 VectorStore 是干嘛的？支持哪些库？

答：
VectorStore 是向量数据库的统一抽象。
支持：

• SimpleVectorStore（内存）
• Milvus
• PGVector
• Chroma
• ElasticSearch

---

8. Spring AI 如何实现流式输出（打字机效果）？

答：

• 使用 StreamingChatModel
• 模型返回 SSE 流式数据
• 返回 Flux<ChatResponse>
• 前端逐字接收展示

---

9. Spring AI 函数调用（FunctionCall）原理？

答：

1. 给 Java 方法加 @Tool
2. Spring AI 自动生成函数描述 Schema
3. 把函数信息传给大模型
4. 模型判断是否需要调用
5. Spring AI 自动反射执行方法
6. 结果返回给模型，生成最终回答

---

10. 生产上 RAG 怎么优化？（高频加分题）

答：

• 合理文本分块（大小、重叠）
• 调整 TopK 召回数量
• 加入重排 Rerank
• 元数据过滤，缩小检索范围
• 提示词优化，限制模型只看资料
• 向量库使用 Milvus / PGVector 提高性能