Spring AI对话记忆持久化实战与优化

1. Spring AI 上下文记忆持久化实战指南

作为一名长期深耕Java生态的后端开发者，最近在探索Spring AI框架时发现其对话记忆功能非常实用。但默认的内存存储方式在服务重启后会丢失所有对话记录，这显然不符合生产环境需求。本文将详细介绍如何通过JDBC实现对话记录的持久化存储，并分享我在实际项目中总结的打断对话流和记录管理的实战经验。

2. 环境准备与依赖配置

2.1 核心依赖解析

首先需要在pom.xml中添加两个关键依赖：

xml复制<!-- 会话记忆JDBC持久化 -->
<dependency>
    <groupId>org.springframework.ai</groupId>
    <artifactId>spring-ai-starter-model-chat-memory-repository-jdbc</artifactId>
    <version>1.1.0</version>
</dependency>
<!-- MySQL驱动 -->
<dependency>
    <groupId>mysql</groupId>
    <artifactId>mysql-connector-java</artifactId>
    <version>8.0.32</version>
</dependency>

这里特别说明版本选择的考量：

• 使用spring-ai 1.1.0版本是因为它与Spring Boot 3.5.7有最好的兼容性
• MySQL驱动选择8.0.32是经过生产验证的稳定版本，避免了8.1.x系列的一些连接池兼容性问题

2.2 数据库初始化

创建数据库时建议使用utf8mb4字符集以支持完整的Unicode字符（特别是表情符号）：

sql复制CREATE DATABASE `spring-ai` CHARACTER SET utf8mb4 COLLATE utf8mb4_general_ci;

然后在resources/sql/schema-mysql.sql中定义表结构：

sql复制CREATE TABLE IF NOT EXISTS SPRING_AI_CHAT_MEMORY (
    conversation_id VARCHAR(36) NOT NULL,
    content TEXT NOT NULL,
    type VARCHAR(10) NOT NULL,
    `timestamp` TIMESTAMP NOT NULL,
    CONSTRAINT TYPE_CHECK CHECK (type IN ('USER', 'ASSISTANT', 'SYSTEM', 'TOOL'))
);

注意：timestamp字段加了反引号是因为它是MySQL保留字，直接使用会导致语法错误

3. 配置详解与最佳实践

3.1 应用配置

application.yml中的关键配置项：

yaml复制spring:
  ai:
    chat:
      memory:
        repository:
          jdbc:
            initialize-schema: always  # 启动时自动初始化表结构
            schema: classpath:sql/schema-mysql.sql  # 建表SQL路径
  datasource:
    url: jdbc:mysql://localhost:3306/spring-ai?characterEncoding=UTF-8&serverTimezone=Asia/Shanghai
    username: root
    password: yourpassword
    driver-class-name: com.mysql.cj.jdbc.Driver

实际项目中我推荐以下优化配置：

1. 生产环境将initialize-schema改为never，通过Flyway管理数据库变更
2. 连接URL添加连接池参数：

   yaml复制url: jdbc:mysql://localhost:3306/spring-ai?characterEncoding=UTF-8&serverTimezone=Asia/Shanghai&useSSL=false&allowPublicKeyRetrieval=true&connectionTimeout=3000&socketTimeout=5000
   

3. 建议使用单独的数据库用户而非root账号

3.2 表结构设计解析

SPRING_AI_CHAT_MEMORY表的设计有几个精妙之处：

1. conversation_id使用VARCHAR(36)存储UUID，支持会话隔离
2. content字段使用TEXT类型以适应长对话内容
3. type字段的CHECK约束确保只能存储预定义的消息类型
4. timestamp记录消息时间，便于后续分析对话流

4. 核心功能实现

4.1 对话持久化流程

启动应用后，系统会自动：

1. 检测数据源配置
2. 执行schema-mysql.sql中的建表语句
3. 初始化JdbcChatMemoryRepository

当进行对话时：

1. 用户输入被标记为USER类型存入数据库
2. AI回复被标记为ASSISTANT类型存入数据库
3. 同一会话的对话通过conversation_id关联

4.2 打断对话实现

实际项目中，我们经常需要实现对话打断功能。核心原理是控制Flux流的输出：

java复制@GetMapping("/chat")
public Flux<String> chatStream(@RequestParam String message, 
                              @RequestParam String conversationId) {
    return chatClient.prompt()
        .user(message)
        .advisors(new MemoryChatMemoryAdvisor(chatMemory))
        .stream()
        .takeUntil(signal -> {
            // 添加中断条件判断
            if(shouldInterrupt.get()) {
                shouldInterrupt.set(false);
                return true;
            }
            return false;
        });
}

// 中断端点
@PostMapping("/interrupt")
public void interrupt() {
    shouldInterrupt.set(true);
}

重要提示：打断只是终止了数据流返回，AI模型实际上仍在继续生成内容，仍然会产生费用。真正的成本控制需要在服务端实现超时或字数限制。

5. 性能优化与问题排查

5.1 数据库性能优化

在高并发场景下，建议：

1. 为conversation_id和timestamp添加复合索引：

   sql复制CREATE INDEX idx_conversation_time ON SPRING_AI_CHAT_MEMORY(conversation_id, timestamp);
   

2. 定期归档历史对话到归档表
3. 对于高频对话应用，考虑使用Redis缓存最近对话

5.2 常见问题解决

问题1：启动时报表已存在错误

• 原因：initialize-schema设置为always但表已存在
• 解决：改为conditional或通过Flyway管理

问题2：中文乱码

• 检查：确保数据库、连接字符串、表都使用utf8mb4
• 测试：执行SHOW VARIABLES LIKE 'character_set%'确认服务器配置

问题3：对话记忆不生效

• 检查步骤：
  1. 确认数据库中有新记录插入
  2. 检查conversation_id是否一致
  3. 查看日志中MemoryChatMemoryAdvisor是否生效

6. 进阶功能实现

6.1 对话记录管理

实现对话删除功能：

java复制@DeleteMapping("/conversations/{conversationId}")
public ResponseEntity<Void> deleteConversation(
        @PathVariable String conversationId) {
    jdbcTemplate.update(
        "DELETE FROM SPRING_AI_CHAT_MEMORY WHERE conversation_id = ?",
        conversationId);
    return ResponseEntity.noContent().build();
}

6.2 对话分页查询

java复制@GetMapping("/conversations/{conversationId}")
public Page<ChatMessage> getConversation(
        @PathVariable String conversationId,
        @PageableDefault(size = 20) Pageable pageable) {
    return jdbcChatMemoryRepository.findByConversationId(
        conversationId, pageable);
}

7. 生产环境建议

1. 安全方面：

   • 对content内容进行敏感词过滤
   • 实现对话记录加密存储
   • 添加访问权限控制

2. 性能方面：

   • 对频繁访问的对话实现缓存
   • 考虑使用读写分离架构
   • 监控慢查询

3. 数据管理：

   • 实现自动归档策略
   • 添加对话标签功能
   • 考虑支持对话导出

在实际项目中，我们还将这套系统与ELK日志系统集成，实现了对话分析和用户行为分析功能。通过Kibana可以直观看到不同会话的对话热图和用户关注点，为产品优化提供了数据支持。

Spring AI的对话记忆功能虽然简单，但通过合理的扩展和优化，完全可以满足企业级应用的需求。特别是在需要长期维护客户关系的场景下，持久化的对话记录能有效提升用户体验和服务连续性。