AI Services是什么
AI Services 的设计灵感来源于 Spring Data JPA 和 Retrofit 等框架，采用声明式接口定义所需的 API，然后由框架自动生成实现该接口的代理对象。这种方法隐藏了与 LLM 交互的复杂性，提供了简单直观的 API。
AI Services 主要处理以下常见操作：
- 格式化输入以发送给 LLM
- 解析 LLM 的输出
同时还支持更高级的功能：
- 聊天记忆管理
- 工具调用(Function Calling)
- 检索增强生成(RAG)
基本使用示例
LangChain4j是 Java 生态系统中的一个流行框架，它提供了两种抽象级别：低级 API 和高级 API。其中，AI Services 是一种专为 Java 量身定制的高级 API 解决方案。以下是 LangChain4j AI Services 的最简单示例：
复制// 定义接口
interface Assistant {
String chat(String userMessage);
}
// 创建低级组件
ChatLanguageModel model = OpenAiChatModel.builder()
.apiKey(System.getenv("OPENAI_API_KEY"))
.modelName("gpt-4o-mini")
.build();
// 创建AI Service实例
Assistant assistant = AiServices.create(Assistant.class, model);
// 使用AI Service
String answer = assistant.chat("Hello");
System.out.println(answer); // Hello, how can I help you?使用系统消息和用户消息
lanchain4j 提供了@SystemMessage 和@UserMessage 注解来自定义提示：
复制// 使用系统消息
interface Friend {
@SystemMessage("You are a good friend of mine. Answer using slang.")
String chat(String userMessage);
}
// 使用用户消息模板
interface Advisor {
@UserMessage("You are a professional advisor. Please answer this question: {{it}}")
String getAdvice(String question);
}基于 Spring AI 的自定义注解实现
虽然 lanchain4j 提供了全面的解决方案，但对于已经使用 Spring AI 的项目，我们可以创建一个轻量级的自定义注解来简化集成过程。
所需依赖
首先，我们需要添加以下依赖到项目中：
复制<dependency> <groupId>org.springframework.boot</groupId> <artifactId>spring-boot-starter-web</artifactId> </dependency> <dependency> <groupId>org.springframework.ai</groupId> <artifactId>spring-ai-openai-spring-boot-starter</artifactId> </dependency>
配置 ChatClient
接下来，我们需要使用 OllamaChatModel 配置 ChatClient。在 Spring 配置类中添加以下 Bean 定义：
复制@Bean
public ChatClient chatClient(ChatModel chatModel) {
return ChatClient.builder(chatModel)
.defaultSystem("你是一个有用的AI助手，能够回答用户的问题并提供帮助。")
.build();
}创建自定义注解
现在，让我们创建@AiPrompt注解，它将用于标记需要 AI 处理的方法：
复制@Target(ElementType.METHOD)
@Retention(RetentionPolicy.RUNTIME)
public @interface AiPrompt {
String systemMessage() default "";
}实现 AOP 切面
接下来，我们需要实现一个 AOP 切面来拦截带有@AiPrompt注解的方法调用：
复制@Aspect
@Component
@RequiredArgsConstructor
publicclass AiPromptAspect {
privatefinal ChatClient deepSeekChatClient;
@Around("@annotation(aiPrompt)")
public Object processAiPrompt(ProceedingJoinPoint joinPoint, AiPrompt aiPrompt) throws Throwable {
// 获取方法参数
Object[] args = joinPoint.getArgs();
if (args.length == 0) {
return joinPoint.proceed();
}
// 假设第一个参数是用户的输入消息
String userMessage = args[0].toString();
// 创建ChatClient请求
ChatClient.ChatClientRequestSpec requestSpec = deepSeekChatClient.prompt();
// 如果注解中指定了系统消息，则使用它
if (!aiPrompt.systemMessage().isEmpty()) {
requestSpec = requestSpec.system(aiPrompt.systemMessage());
}
return requestSpec
.user(userMessage)
.call()
.content();
}
}使用示例
现在，我们可以在服务类中使用@AiPrompt注解：
复制@Service
@RequiredArgsConstructor
public class ChatService {
@AiPrompt(systemMessage = "你是一个专业的Java开发顾问，擅长解答Spring框架相关问题。")
public String getJavaAdvice(String question) {
return null; // 这个返回值会被AOP切面中的返回值覆盖
}
}控制器示例
最后，我们可以在controller中使用这个服务：
复制@RestController
@RequestMapping("/api")
@RequiredArgsConstructor
public class ChatController {
private final ChatService chatService;
@PostMapping("/chat")
public String getJavaAdvice(@RequestBody String question) {
return chatService.getJavaAdvice(question);
}
}总结
参考 lanchain4j的高级 API 设计形式，基于 Spring AI 自定义注解实现的 AI services 可以有效地实现提示词模板的集中管理和复用，通过 AOP 机制自动处理 AI 接口的调用逻辑，显著提升开发效率。 这种模式不仅降低了与 AI 服务交互的代码复杂度，还通过标准化注解配置实现了以下优势：
- 提示词工程的可维护性提升；
- 业务代码与 AI 基础设施解耦；
- 可以无缝集成 Spring 生态的其他能力，比如 Spring Cache 实现 AI 注解式缓存
