精控Spring AI日志

技术分享 8个月前 (07-09) 0 999+

关注

还在为 Spring AI 默认的日志抓狂吗？想看日志却看不到，一开 DEBUG 就刷屏... 别慌！

今天 NEO 带你解锁一个神级操作：自定义 Advisor，让你轻松掌控 AI 调用的每一个细节！

Advisor 是什么？Spring AI 的“拦截器”

如果你玩过 Servlet 的 Filter 或者 Spring AOP 的切面，那 Advisor 对你来说就是老朋友了。

简单来说，Spring AI 的 Advisor 就是一个调用拦截器。它能在你的代码调用大模型之前和之后“插一脚”，执行一些额外的操作。

想在调用前做个权限校验？或者在调用后记个详细日志？用 Advisor 就对了！

官方虽然提供了一些现成的 Advisor，但实际业务场景千变万化，总有不满足需求的时候。这时候，我们就需要自己动手，丰衣足食！

四步搞定！定制你的专属 Advisor

想拥有自己的 Advisor？跟着下面四步走，轻松搞定！

1）选择“岗哨”接口

根据你的需求，选择实现一个或两个接口：

CallAroundAdvisor：处理普通的同步请求（非流式）。
StreamAroundAdvisor：处理酷炫的流式请求。

强烈建议两个都实现，全方位无死角！

public class MyCustomAdvisor implements CallAroundAdvisor, StreamAroundAdvisor {     // 实现方法... }

2）实现核心“拦截”方法

这是 Advisor 的灵魂所在，你可以在这里对请求和响应为所欲为。

非流式处理 (aroundCall) ：

@Override public AdvisedResponse aroundCall(AdvisedRequest advisedRequest, CallAroundAdvisorChain chain) {     // 1. 请求到达，先处理一下（前置处理）     AdvisedRequest modifiedRequest = processRequest(advisedRequest);          // 2. 放行，让请求继续前进     AdvisedResponse response = chain.nextAroundCall(modifiedRequest);          // 3. 响应返回，再处理一下（后置处理）     return processResponse(response); }

流式处理 (aroundStream) ：

@Override public Flux<AdvisedResponse> aroundStream(AdvisedRequest advisedRequest, StreamAroundAdvisorChain chain) {     // 1. 处理请求     AdvisedRequest modifiedRequest = processRequest(advisedRequest);          // 2. 调用链并处理流式响应     return chain.nextAroundStream(modifiedRequest)                .map(response -> processResponse(response)); // 对流中每个元素进行处理 }

3）排个队，定个序

通过 getOrder() 方法告诉 Spring AI 你的 Advisor 应该在什么时候执行。数字越小，优先级越高，越先被执行。

@Override public int getOrder() {     // 值越小优先级越高，越先执行     return 100;  }

4）取个独一无二的名字

给你的 Advisor 一个响亮的名号！

@Override public String getName() {     return "NEO自定义的 Advisor"; }

下面，进入实战环节！

实战：告别 DEBUG！打造 INFO 级日志神器

Spring AI 自带的 SimpleLoggerAdvisor 日志拦截器，看似贴心，实则有点“坑”——它用的是 Debug 级别输出日志。

而 Spring Boot 项目默认的日志级别是 Info，导致我们根本看不到任何日志输出！

（默认 Info 级别，看不到任何日志）

当然，你可以粗暴地修改配置文件，把日志级别调成 Debug：

logging:   level:     org.springframework.ai.chat.client.advisor.SimpleLoggerAdvisor: debug

日志是出来了，但又带来了新的问题：信息太杂乱！

（Debug 级别日志，信息过于繁杂）

为了更优雅地解决问题，我们来自己实现一个日志 Advisor：默认打印 Info 级别日志，并且只输出我们最关心的用户提问和 AI 回复。

在自己项目根包下新建 advisor 包，编写我们的日志神器 MyLoggerAdvisor：

/**  * 自定义日志 Advisor 打印 info 级别日志、只输出单次用户提示词和 AI 回复的文本  **/ @Slf4j public class MyLoggerAdvisor implements CallAroundAdvisor, StreamAroundAdvisor {      /**      * 获取 Advisor 的唯一名称      */     @NotNull     @Override     public String getName() {         return this.getClass().getSimpleName();     }      /**      * 设置执行顺序，0 表示较高优先级      */     @Override     public int getOrder() {         return 0;     }      /**      * 调用前置处理：记录用户请求      */     private AdvisedRequest before(AdvisedRequest request) {         log.info("AI Request: {}", request.userText());         return request;     }      /**      * 调用后置处理：记录 AI 响应      */     private void observeAfter(AdvisedResponse advisedResponse) {         log.info("AI Response: {}", advisedResponse.response().getResult().getOutput().getContent());     }      /**      * 环绕处理（非流式）      */     public AdvisedResponse aroundCall(AdvisedRequest advisedRequest, CallAroundAdvisorChain chain) {         // 1. 调用前         advisedRequest = this.before(advisedRequest);          // 2. 放行         AdvisedResponse advisedResponse = chain.nextAroundCall(advisedRequest);          // 3. 调用后         this.observeAfter(advisedResponse);          return advisedResponse;     }      /**      * 环绕处理（流式）      */     public Flux<AdvisedResponse> aroundStream(AdvisedRequest advisedRequest, StreamAroundAdvisorChain chain) {         // 1. 调用前         advisedRequest = this.before(advisedRequest);          // 2. 放行         Flux<AdvisedResponse> advisedResponses = chain.nextAroundStream(advisedRequest);          // 3. 调用后，使用 MessageAggregator 聚合流式响应，然后统一记录         return (new MessageAggregator())                 .aggregateAdvisedResponse(                         advisedResponses,                         this::observeAfter                 );     } }

代码小贴士：在流式处理 aroundStream 中，我们用 MessageAggregator 工具类将零散的 Flux 响应聚合成一个完整的响应，这样就能在日志中打印出最终的、完整的 AI 回复，而不是一堆零散的数据块。

最后，在 App 中“装备”上我们刚出炉的日志神器：

public App(ChatModel ollamaChatModel) {     // 初始化基于内存的对话记忆     ChatMemory chatMemory = new InMemoryChatMemory();     chatClient = ChatClient.builder(ollamaChatModel)             .defaultSystem(SYSTEM_PROMPT)             .defaultAdvisors(                     new MessageChatMemoryAdvisor(chatMemory),                     // 替换掉官方的 SimpleLoggerAdvisor                     // new SimpleLoggerAdvisor()                     // 使用我们自定义的日志 Advisor                     new MyLoggerAdvisor()             )             .build(); }

现在再运行程序，看看效果如何？