Spring AI实现对话记忆的三种方案对比

1. 项目概述

作为一名长期从事企业级Java开发的工程师，我最近在探索如何将大语言模型(LLM)能力整合到现有系统中。在这个过程中，最让我头疼的就是如何实现像ChatGPT那样的多轮对话体验。经过几周的实践和踩坑，我总结出了三种在Spring AI中实现对话记忆(ChatMemory)的方案，从最简单的内存存储到生产级的Redis方案，希望能帮助到有同样需求的开发者。

2. 核心概念解析

2.1 为什么需要对话记忆？

大语言模型本质上是无状态的(Stateless)，这意味着每次请求都是独立的。举个例子，如果你先问"Java中的Spring是什么？"，接着问"它有什么优势？"，模型并不知道第二个问题中的"它"指的是什么。这种体验显然不符合用户预期。

2.2 Spring AI中的记忆机制

Spring AI通过ChatMemory接口和Advisor机制优雅地解决了这个问题。其核心原理是：

1. 将历史对话存储在某种介质中（内存、数据库或Redis）
2. 在每次请求时，自动将相关历史记录拼接到当前问题前
3. 将完整的上下文发送给模型
4. 存储新的问答对供下次使用

这种机制完美模拟了人类对话中的"记忆"能力。

3. 环境准备

3.1 项目结构

我采用了Maven多模块结构：

code复制spring-ai-parent (父POM)
└── ChatMemory (子模块)

3.2 关键依赖

父POM中需要定义Spring AI和Alibaba AI的依赖管理：

xml复制<dependencyManagement>
    <dependencies>
        <dependency>
            <groupId>org.springframework.ai</groupId>
            <artifactId>spring-ai-bom</artifactId>
            <version>${spring-ai.version}</version>
            <type>pom</type>
            <scope>import</scope>
        </dependency>
        <dependency>
            <groupId>com.alibaba.cloud.ai</groupId>
            <artifactId>spring-ai-alibaba-bom</artifactId>
            <version>${spring-ai-alibaba.version}</version>
            <type>pom</type>
            <scope>import</scope>