第二学SpringAi1.0.0整合redis实现上下文记忆在上一篇文章中我们已经知道怎么实现简单对话聊天因为spring-boot-ai 现在体系和版本都还不成熟兼容的版本目前还不够多现在我们导入新的依赖这一步是为了后续兼容更多的工具以及mcp等设定好对应的版本导入对应的版本spring-ai版本以及redis依赖!--spring-ai依赖--dependencygroupIdorg.springframework.ai/groupIdartifactIdspring-ai-starter-model-openai/artifactId/dependency!--redis依赖--dependencygroupIdorg.redisson/groupIdartifactIdredisson-spring-boot-starter/artifactIdversion3.23.2/version/dependency版本管理propertiesspring-ai.version1.0.0/spring-ai.version/properties!--SpringAIBOM--dependencygroupIdorg.springframework.ai/groupIdartifactIdspring-ai-bom/artifactIdversion${spring-ai.version}/versiontypepom/typescopeimport/scope/dependency这里我们已经导入对应的版本和依赖同样我们按照官方需要创建一个ChatClient 的实列对象这个时候通过官网观察到 springai提供了几种类型上下文管理官网大致分为三部分记忆方式第一种:记忆窗口(Message Window)像手机最近通话记录一样只保留最近的N条对话默认20条第二种存储方式 内存存储默认方式重启程序会丢失适合测试 数据库存储支持JDBC(MySQL/PostgreSQL等)、Cassandra、Neo4j等第三种Advisor记忆顾问 来管理对话上下文目前的方案我们不需要持久化到对应的数据库我们可以通过自动化的管理的方式管理我们自己的记忆所以我们选择第三种方式实现我们的需求packageorg.oppo.chat.ai.config;importcom.fasterxml.jackson.databind.ObjectMapper;importjakarta.annotation.Resource;importlombok.extern.slf4j.Slf4j;importorg.oppo.chat.ai.constant.Constant;importorg.oppo.common.core.utils.RedisCache;importorg.springframework.ai.chat.client.ChatClient;importorg.springframework.ai.chat.client.advisor.MessageChatMemoryAdvisor;importorg.springframework.ai.tool.ToolCallbackProvider;importorg.springframework.beans.factory.annotation.Value;importorg.springframework.context.annotation.Bean;importorg.springframework.context.annotation.Configuration;ConfigurationSlf4jpublicclassSpringAIConfig{ResourceprivateRedisCacheredisCache;// 构建历史记录BeanpublicMessageChatMemoryAdvisormessageHistoryAdvisor(){returnMessageChatMemoryAdvisor.builder(newRedisMemoryChatMemory(redisCache)).build();}BeanpublicChatClientchatClient(ChatClient.Builderbuilder,MessageChatMemoryAdvisormessageHistoryAdvisor){returnbuilder.defaultSystem(Constant.SYSTEM_ROLE).defaultAdvisors(messageHistoryAdvisor).build();}}默认设定publicinterfaceConstant{StringSYSTEM_ROLE #角色 你是全能智能化助手为用户解决任何问题 ;}这里要注意的是默认的ChatMemory 不能满足我们的这里我们可以通过源码观察到所以我们需要从重构ChatMemory这里可以观察到MessageChatMemoryAdvisor 默认构建方式是ChatMemory所以这里我们需要重新实现ChatMemory 这个就可以实现了packageorg.oppo.chat.ai.config;importjakarta.annotation.Resource;importorg.oppo.common.core.constant.RedisKeyConstant;importorg.oppo.common.core.utils.RedisCache;importorg.springframework.ai.chat.memory.ChatMemory;importorg.springframework.ai.chat.messages.Message;importorg.springframework.ai.chat.messages.UserMessage;importorg.springframework.stereotype.Component;importjava.util.*;importjava.util.stream.Collectors;ComponentpublicclassRedisMemoryChatMemoryimplementsChatMemory{privatefinalRedisCacheredisCache;privatefinalStringKEY_PREFIXRedisKeyConstant.CHAT_DEEP_RESEARCH_SPRING_AI_CHAT_MEMORY;publicRedisMemoryChatMemory(RedisCacheredisCache){this.redisCacheredisCache;}Overridepublicvoidadd(StringconversationId,ListMessagemessages){StringredisKeyKEY_PREFIXconversationId;// 遍历消息列表使用时间戳作为Hash的字段名将消息内容作为字段值for(Messagemessage:messages){redisCache.setMapTimeStamp(redisKey,message.toString());}}OverridepublicListMessageget(StringconversationId){StringredisKeyKEY_PREFIXconversationId;// 获取存储在Redis中的所有时间戳-消息键值对MapObject,ObjectallMessagesredisCache.getMapObject(redisKey);if(allMessagesnull||allMessages.isEmpty()){returnList.of();// 如果没有消息返回空列表}// 按时间戳排序时间戳是String类型转换为Long后排序ListMap.EntryObject,ObjectsortedMessagesallMessages.entrySet().stream().sorted((entry1,entry2)-{longtimestamp1Long.parseLong(entry1.getKey().toString());longtimestamp2Long.parseLong(entry2.getKey().toString());returnLong.compare(timestamp2,timestamp1);// 降序排列}).toList();// 获取倒数 N 条消息ListMap.EntryObject,ObjectlastMessagessortedMessages.stream().limit(10).toList();// 将消息转换为 Message 对象并返回returnlastMessages.stream().map(entry-newUserMessage(entry.getValue().toString()))// 假设 UserMessage 是 Message 的实现类.collect(Collectors.toList());}Overridepublicvoidclear(StringconversationId){StringredisKeyKEY_PREFIXconversationId;// 删除该用户会话的所有消息记录redisCache.deleteObject(redisKey);}}这里可以观察到我们实现的方法就是对应的 get add() clear() 三个方法也就是说每次操作都会进行get 放入到我们消息列表内我们就可以操作redis对应的内容这里提供对应redis工具类操作/** * 缓存Map * * param redisKey * param message */publicTvoidsetMapTimeStamp(StringredisKey,Stringmessage){longtimestampSystem.currentTimeMillis();// 使用当前时间戳redisTemplate.opsForHash().put(redisKey,String.valueOf(timestamp),message);}/** * 删除单个对象 * * param key */publicbooleandeleteObject(finalStringkey){returnredisTemplate.delete(key);}/** * 获得缓存的Map * * param key * return */publicTMapT,TgetMapObject(finalStringkey){returnredisTemplate.opsForHash().entries(key);}我们还需要注意的是 这里需要提供conversationId 相当于就是一个单独一个会话id也就是每个会话都是唯一的这个事实可以管理不同的会话所以在service中我们需要传入对应id来保证我们每个会话都是唯一的, 这里的sessionId可以用雪花也可以自定义id用来保证唯一性即可/** * 处理用户问题并返回流式响应内容 * * param question 用户输入的问题内容 * return 包含逐条响应内容和结束标记的响应流每个元素为字符串格式 */OverridepublicFluxStringchatStream(Stringquestion,StringsessionId){// 1. 调用聊天客户端获取流式响应FluxStringresponseStreamthis.chatClient.prompt().user(question).advisors(advisor-advisor.param(CONVERSATION_ID,sessionId)).stream().content();// 2. 添加日志和本地拼接StringBuildercompleteResponsenewStringBuilder();returnresponseStream// 打印每段输出.doOnNext(chunk-{log.info([Stream Chunk] chunk);// 控制台日志completeResponse.append(chunk);// 拼接完整响应})// 结束时打印完整内容.concatWith(Flux.defer(()-{log.info([Complete Response] completeResponse.toString());// 完整日志returnFlux.just(DONE);// 结束标记}))// 错误处理.onErrorResume(e-{log.error([Stream Error] e.getMessage());returnFlux.just([ERROR] e.getMessage());});}service 接口/** * 流式聊天 * * param question 用户提问 * param sessionId 会话id * return 大模型的回答 */FluxStringchatStream(Stringquestion,StringsessionId);访问/** * 处理流式聊天请求返回服务器发送事件SSE格式的响应流 * * param chatDTO 用户输入的聊天问题 * return 包含逐条聊天响应的响应式数据流通过Server-Sent Events协议传输 */PostMapping(valuestream,producesMediaType.TEXT_EVENT_STREAM_VALUE)publicFluxStringchatStream(RequestBodyChatDTOchatDTO){returnchatService.chatStream(chatDTO.getQuestion(),chatDTO.getSessionId());}这样就实现了我们想要的流式接口我们可以观察到消息都在统一个会话中了这样我们实现了redis实现上下文记忆但是目前已经实现上下文方式但是他还不够智能也就是单纯调用大模型实现我们自己的需求我还想要这个大模型能够自主去调用大模型也就是实现智能体能自主调用工具下一篇我将编写自主调用工具简单的智能体