大家好，我是直奔標杆，欢迎各位Java同仁来到《Spring AI 零基础到实战》专栏的第七课，咱们继续并肩前行，一步步搞定Spring AI实战技能，共同实现AI转型！

在上一节《Java开发者AI转型第六课！Spring AI 灵魂架构 Advisor 切面拦截与自定义实战》中，咱们一起吃透了现代Spring AI的核心——Advisor（顾问/切面拦截器）。掌握了这个高阶技能，咱们终于能直面AI应用开发中最头疼的难题：大模型的“7秒钟失忆症”，今天就带大家彻底解决它！

相信很多同仁在实际开发中都遇到过这样的问题，用代码调用大模型聊天时：

你问：“我叫张三，今年 6 岁。”

AI 答：“你好，张三小朋友。”

你紧接着问：“我几岁了？”

AI 答：“抱歉，我不知道你的年龄。”

是不是很困惑？网页版的Deepseek/ChatGPT能轻松记住上下文，为啥咱们通过API调用的大模型就成了“失忆症患者”？还有更实际的问题：如果同时有100个用户使用你的AI客服，怎么确保张三的聊天记忆不串到李四那里？服务器重启后，之前的聊天记录还能找回来吗？

这节课，咱们就借助上一节学到的Advisor机制，结合Spring AI强大的ChatMemory组件，手把手教大家给大模型装上“长久记忆”，同时实现多租户隔离和数据库持久化，直接适配生产环境，干货拉满，建议收藏跟着实操！

本节学习目标（共勉）

  • 认知破局：搞懂大语言模型（LLM）的无状态（Stateless）本质，避开初学者常见误区；

  • 自动化记忆：掌握MessageWindowChatMemory与MessageChatMemoryAdvisor的用法，实现零代码侵入的上下文自动拼接；

  • 多租户隔离：巧用ChatMemory.CONVERSATION_ID，实现多用户会话的物理隔离，避免记忆串线；

  • 记忆持久化：告别内存丢失问题，实战JdbcChatMemoryRepository，将对话记录永久存入MySQL数据库，适配生产级需求。

多租户记忆检索与装配引擎（核心原理拆解）

在动手写代码之前，咱们先通过一张逻辑图，搞清楚多用户场景下，Spring AI底层的记忆切面是如何工作的：

这张图的核心关键的就是ChatMemoryRepository，咱们可以把它类比成一个大型文件柜，方便大家记忆：

  • 抽屉（Key）：就是咱们传入的conversationId（会话ID，比如user_001，可对应用户唯一标识）；

  • 内容（Value）：就是该用户与AI之前所有的聊天记录（List<Message>）。

每次收到用户的提问时，MemoryAdvisor会自动根据请求中的会话ID，从这个“文件柜”里取出该用户的历史聊天数据，自动拼接上下文，彻底省去咱们手动处理的繁琐操作，这就是Spring AI的强大之处！

深入理解：大模型为什么会“失忆”？

在动手写代码之前，咱们先纠正一个很多初学者都会踩的误区：不少同仁觉得，大模型是一个能随时记住数据的“智能伙伴”，其实不然。

无论是ChatGPT、DeepSeek还是通义千问，咱们调用它们的API时，其本质就是一个无状态（Stateless）的数学函数：f(prompt) = response。简单说，就是你的HTTP请求发过去，它只识别本次发送的文本内容；一旦请求结束，你的聊天数据就会被彻底清除，不会在它的内存中留存。

那网页版的Deepseek为什么能记住咱们之前说的话？答案很简单：它的前端或后端会悄悄帮咱们保存所有聊天记录，每次发送新消息时，系统会自动把“历史聊天记录+本次新问题”拼接成一个完整的Prompt，再打包发给大模型——说白了，就是手动帮大模型“记笔记”。

在Spring AI中，这些聊天记录被抽象成了两个核心接口，咱们重点掌握即可，不用死记原理，结合实操理解更高效：

  • ChatMemory：负责记忆管理策略（比如只保留最近10条消息，防止记忆过长撑爆Token，避免不必要的损耗）；

  • ChatMemoryRepository：负责物理存储（决定聊天记录存在内存里，还是存入MySQL等数据库）。

实战上手：引入ChatMemory与Advisor（零代码侵入实现自动记忆）

咱们先回顾一下，不使用Spring AI框架时，AI开发中处理聊天记忆有多繁琐：需要手动创建List<Message>，每次对话后还要手动add()用户提问和AI回答，重复工作多，还容易出错。

而Spring AI框架已经帮咱们封装好了一切，借助ChatClient的流式API和内置Advisor，就能省去这些繁琐操作，咱们直接上手实操，步骤清晰，跟着做就能搞定！

第一步：注册全局记忆组件（Spring自动装配，无需手动写大量代码）

要让系统拥有记忆能力，首先需要在Spring容器中注册一个ChatMemory。最简洁的方式是使用MessageWindowChatMemory（滑动窗口记忆法），它会维护一个消息窗口，窗口大小不超过指定上限（默认20条消息），当消息数量超出上限时，会自动删除较旧的消息，但会保留系统消息。

重点来了：这一步咱们完全不用手动实现！当咱们引入模型相关的starter（比如spring-ai-starter-model-deepseek）时，Spring会自动向容器中注册ChatMemoryRepository和MessageWindowChatMemory，底层默认使用InMemoryChatMemoryRepository（本质就是ConcurrentHashMap），将数据存在JVM内存中，核心自动装配代码如下（大家可以参考理解，不用手动编写）：

/**
 * 自动装配逻辑（Spring默认实现，供大家参考学习）
 * 
 * 账号：直奔標杆（CSDN），专注Java AI转型实战分享
 */
@AutoConfiguration
@ConditionalOnClass({ChatMemory.class, ChatMemoryRepository.class})
public class ChatMemoryAutoConfiguration {
    @Bean
    @ConditionalOnMissingBean
    ChatMemoryRepository chatMemoryRepository() {
        return new InMemoryChatMemoryRepository();
    }

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

这里重点提醒一下：@ConditionalOnMissingBean注解的作用是“当容器中没有该Bean时才自动注册”，这意味着咱们可以根据自己的需求，在项目配置中自行替换组件，灵活性拉满。

第二步：挂载Memory Advisor（将记忆组件绑定到ChatClient）

注册好全局记忆组件后，咱们需要将它通过拦截器挂载到ChatClient上，这样ChatClient就能自动调用记忆功能了，直接上Controller代码，注释详细，大家可以直接复制实操：

/**
 * 自动记忆功能实战（可直接复制到项目中测试）
 *
 * @author 直奔標杆（CSDN），专注Java AI转型实战，与大家共同进步
 */
@RestController
public class AutoMemoryController {

    private final ChatClient chatClient;

    // 构造器注入 Builder 和 ChatMemory（推荐构造器注入，更规范）
    public AutoMemoryController(ChatClient.Builder builder, ChatMemory chatMemory) {
        this.chatClient = builder
                // 为ChatClient挂载全局记忆拦截器，实现自动记忆
                .defaultAdvisors(MessageChatMemoryAdvisor.builder(chatMemory).build())
                .defaultSystem("你是一个贴心的私人助理，你需要努力记住用户的偏好。")
                .build();
    }

    @GetMapping("/api/chat")
    public String chatWithMemory(@RequestParam String msg) {
        // 重点：配置Advisor后，每次call()前后都会自动读写chatMemory，无需手动处理
        return chatClient.prompt()
                .user(msg)
                .call()
                .content();
    }
}

测试验证（必做！加深理解）

咱们分两步测试，就能看到效果，非常直观：

  1. 先访问接口：/api/chat?msg=我叫张三，我最喜欢吃火锅。

  2. 再访问接口：/api/chat?msg=我是谁，我喜欢吃什么？

大家会发现，AI终于不再失忆，能准确回答出你的名字和喜好——这就是Advisor和ChatMemory的作用，自动帮咱们拼接了上下文！

关键优化：解决记忆“串线”问题（多租户隔离，生产级必备）

上面的代码虽然能实现自动记忆，但在真实服务器环境中会出现致命问题：咱们只注册了一个全局ChatMemory，如果张三和李四同时访问/api/chat接口，就会出现“串记忆”的情况——张三能看到李四的聊天记录，李四也能看到张三的，直接导致业务异常，这是生产环境绝对不能容忍的。

要实现多租户（多用户）的物理隔离，核心就是给每个用户分配一个专属的“记忆抽屉”，关键操作就是：每次请求时，通过ChatMemory.CONVERSATION_ID告诉Advisor，当前对话属于哪个用户。

咱们稍微改造一下Controller，就能完美解决这个问题，代码如下（重点修改部分已标注，可直接替换测试）：

    /**
     * 多租户隔离版聊天接口（生产级可用）
     * @param userId 用户唯一标识（比如登录用户的token、uuid等，确保唯一）
     * @param msg 用户的新问题
     */
    @GetMapping("/api/chat/isolated")
    public String chatWithIsolatedMemory(
            @RequestParam String userId,
            @RequestParam String msg) {

        return chatClient.prompt()
                .user(msg)
                // 重点：动态传入用户专属会话ID，实现记忆物理隔离（取值参考BaseChatMemoryAdvisor#getConversationId）
                .advisors(a -> a.param(ChatMemory.CONVERSATION_ID, userId))
             // 备注：参数设置在call()时生效，可参考DefaultChatClientUtils#toChatClientRequest源码
                .call()
                .content();
    }

测试验证（多租户隔离效果）

按以下步骤测试，就能确认隔离效果，建议大家实际操作一遍：

  1. 访问：/api/chat/isolated?userId=zhangsan&msg=我叫张三

  2. 访问：/api/chat/isolated?userId=lisi&msg=我叫李四

  3. 交叉访问：/api/chat/isolated?userId=lisi&msg=你知道张三吗？

测试后会发现，李四的对话中无法获取张三的信息，多用户记忆物理隔离完美生效，再也不用担心串线问题！

进阶实战：从内存到JDBC数据库持久化（生产级落地关键）

咱们前面用到的InMemoryChatMemory，是将数据存在JVM的ConcurrentHashMap中，这就意味着：只要Spring Boot服务重启，所有的聊天记录都会丢失——这在开发测试环境没问题，但在生产环境中是绝对不可接受的。

Spring AI提供了官方JDBC存储方案，咱们只需几行代码，就能将聊天记录永久存入MySQL或PostgreSQL数据库，彻底解决内存丢失问题，直接适配生产环境，咱们一步步实操：

1. 引入JDBC相关依赖（pom.xml中添加）

首先引入JDBC记忆库的官方Starter和MySQL驱动，版本可根据自己的项目需求调整，代码如下：

<!-- JDBC 记忆库官方 Starter（Spring AI官方提供，直接引入即可） -->
<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>
    <scope>runtime</scope>
    <version>${mysql.version}</version>
</dependency>

2. 配置数据库连接（application.yml中配置）

在配置文件中填写MySQL连接信息，同时配置memory的初始化策略，重点是initialize-schema的设置，代码如下（注释详细，可直接复制修改）：

spring:
  ai:
    chat:
      memory:
        repository:
          jdbc:
#           初始化数据库：默认值为embedded（仅适配H2、HSQL等嵌入式数据库）
#           改为always，Spring AI启动时会自动创建表，无需手动建表
            initialize-schema: always 
  datasource:
    driver-class-name: com.mysql.cj.jdbc.Driver
    url: jdbc:mysql://localhost:3306/springai?serverTimezone=Asia/Shanghai&useUnicode=true&characterEncoding=utf-8&allowPublicKeyRetrieval=true&useSSL=false&allowMultiQueries=true
    username: root  # 替换为自己的MySQL用户名
    password: 123456 # 替换为自己的MySQL密码

重点提醒：配置initialize-schema: always后，Spring AI启动时会自动在MySQL中创建名为spring_ai_chat_memory的表，无需咱们手动建表，省去繁琐操作。

3. 将Memory库切换为JDBC驱动（手动配置，可选）

咱们可以手动构建ChatMemory，将存储方式切换为JDBC，代码如下（可直接复制到项目中，注释详细，方便理解）：

package com.uka.springai.demo;

import org.springframework.ai.chat.memory.ChatMemory;
import org.springframework.ai.chat.memory.MessageWindowChatMemory;
import org.springframework.ai.chat.memory.repository.jdbc.JdbcChatMemoryRepository;
import org.springframework.ai.chat.memory.repository.jdbc.MysqlChatMemoryRepositoryDialect;
import org.springframework.context.annotation.Bean;
import org.springframework.context.annotation.Configuration;
import org.springframework.jdbc.core.JdbcTemplate;
/**
 * JDBC 存储记忆配置（生产级实战，可直接复用）
 *
 * @author 直奔標杆（CSDN），分享Java AI转型实战经验，与大家共同成长
 */
@Configuration
public class AiMemoryConfig {

    @Bean
    public ChatMemory chatMemory(JdbcTemplate jdbcTemplate) {
        // 1. 构建基于MySQL语法的JDBC记忆库，也可通过@Bean覆盖默认的内存存储
        JdbcChatMemoryRepository repository = JdbcChatMemoryRepository.builder()
                .jdbcTemplate(jdbcTemplate)
                // 重点：设置MySQL方言，适配MySQL数据库
                .dialect(new MysqlChatMemoryRepositoryDialect())
                .build();

        // 2. 将JDBC记忆库注入到滑动窗口策略中
        return MessageWindowChatMemory.builder()
                .chatMemoryRepository(repository)
                .build();
    }
}

配置完成后，再调用之前的/api/chat/isolated接口，所有的对话记录都会被永久存入MySQL数据库——即使服务器断电、重启，只要传入相同的userId，大模型就能精准回忆起之前的所有对话，彻底解决记忆丢失问题！

补充知识点：JDBC自动装配（无需手动配置，更便捷）

上面咱们演示的是手动构建ChatMemory，其实还有更便捷的方式：由于咱们引入了spring-ai-starter-model-chat-memory-repository-jdbc，Spring会自动帮咱们装配JdbcChatMemoryRepository，因此上面第3步的手动替换操作，咱们可以选择忽略，Spring会自动覆盖默认的内存存储。

给大家贴出Spring的自动装配代码，方便大家理解底层逻辑（不用手动编写，参考学习即可）：

@AutoConfiguration(
    after = {JdbcTemplateAutoConfiguration.class},
  // 关键：在ChatMemoryAutoConfiguration之前执行，实现对内存存储的覆盖
    before = {ChatMemoryAutoConfiguration.class}
)
@ConditionalOnClass({JdbcChatMemoryRepository.class, DataSource.class, JdbcTemplate.class})
@EnableConfigurationProperties({JdbcChatMemoryRepositoryProperties.class})
public class JdbcChatMemoryRepositoryAutoConfiguration {
    @Bean
    @ConditionalOnMissingBean
    JdbcChatMemoryRepository jdbcChatMemoryRepository(JdbcTemplate jdbcTemplate, DataSource dataSource) {
       // 根据数据库配置，自动获取对应的数据库方言
        JdbcChatMemoryRepositoryDialect dialect = JdbcChatMemoryRepositoryDialect.from(dataSource);
        return JdbcChatMemoryRepository.builder().jdbcTemplate(jdbcTemplate).dialect(dialect).build();
    }
  // 其余自动装配逻辑省略，大家可自行查看Spring AI源码学习
}

本节课总结（共勉复盘）

本节课咱们重点攻克了大模型“失忆”的核心难题，结合Spring AI的Advisor机制和ChatMemory组件，实现了AI的长久记忆，同时完成了多租户隔离和数据库持久化，直接达到生产级标准，咱们一起复盘一下核心要点：

  1. 依托MessageChatMemoryAdvisor切面机制，彻底省去了手动拼接聊天历史的繁琐代码，实现零代码侵入的自动记忆；

  2. 通过ChatMemory.CONVERSATION_ID，轻松实现多用户会话的物理隔离，解决了记忆串线的生产级痛点；

  3. 引入JdbcChatMemoryRepository，无需修改核心业务代码，就能将记忆从内存平滑迁移到MySQL数据库，彻底解决记忆丢失问题。

建议大家课后多动手实操一遍，把代码跑起来，感受Spring AI的便捷性，遇到问题可以在评论区留言，咱们一起交流解决，共同进步！

下节预告（精彩继续）

随着用户与AI的聊天次数增多，记忆中的上下文会越来越多，这会导致传递给大模型的Prompt越来越大——不仅会让API计费暴涨（Token成本太高），还可能超出大模型的窗口限制，直接报错OOM，这也是生产环境中必须解决的问题。

下一节课，咱们将带来《Java开发者AI转型第八课！避开Token陷阱！Spring AI记忆裁剪源码解析与Token级防溢出核心技巧》，深入剖析Token的本质，教大家如何在Spring AI中精确计算和动态裁剪长文本，守住钱包和服务器的底线！

干货持续输出，咱们下节不见不散！

往期实战内容（连贯学习，效果更佳）

  • Java开发者AI转型第四课！告别硬编码！Spring AI 提示词模板 (Prompt) 注入与多模态识图全攻略

  • Java开发者AI转型第五课！让AI懂规矩！Spring AI 结构化输出 (DTO) 映射与 Flux 流式打字机极速响应

  • Java开发者AI转型第六课！Spring AI 灵魂架构 Advisor 切面拦截与自定义实战

我是直奔標杆，专注Java开发者AI转型实战分享，每天进步一点点，一起向标杆靠拢！觉得本文有用的话，欢迎点赞、收藏、关注，评论区交流实操心得～

# 人工智能 # java # 开发语言
Logo
AtomGit开源社区

AtomGit 是由开放原子开源基金会联合 CSDN 等生态伙伴共同推出的新一代开源与人工智能协作平台。平台坚持“开放、中立、公益”的理念，把代码托管、模型共享、数据集托管、智能体开发体验和算力服务整合在一起，为开发者提供从开发、训练到部署的一站式体验。

更多推荐

在 WSL 环境下完整安装 Hermes Agent（爱马仕）并配置微信机器人的实战记录

本文详细记录了在 Windows WSL2 (Ubuntu 24.04) 环境下，从零开始安装 Nous Research Hermes Agent（爱马仕） 开源 AI 智能体，并成功配置 DeepSeek API 作为模型后端、绑定微信个人号实现聊天机器人的完整过程。

avatar AtomGit开源社区
cover

2026年进销存系统怎么选？10款热门进销存软件盘点！

avatar AtomGit开源社区

AI笔记004.代码感知，修改重建工具全方位对比（2026年5月）

本文对比了7款遗留代码治理工具（code-review-graph、GitNexus等），从基本信息、技术架构、核心功能等方面进行全方位分析。测试基于2900文件项目和Linux内核（28M LOC）。结果显示，不同工具在索引性能（最快毫秒级）、功能覆盖（最多30个MCP工具）、屎山代码处理能力等方面差异显著。开源方案如code-review-graph适合中小项目，而商业工具Augment Co

avatar AtomGit开源社区