大家在使用Spring AI项目开发Agent时，可能会发现，尽管外层的接口设计和调用逻辑比较统一，但实际上每个第三方接口在实现时都会有一些微妙的差异。这些差异可能体现在请求参数的构造、数据格式的处理，或者是某些接口特有的配置选项上。因此，今天我们主要聚焦于Spring AI在实际调用接口之前，如何处理和构造请求参数的过程。以下是核心代码示意：

我们今天主要关注我用方框标记的关键部分，这些部分是在调用API接口之前进行的自适应兼容处理。因此，理解这些内容是非常重要的。如果你打算对接第三方模型，类似的自适应兼容处理也是必不可少的，你需要根据具体情况进行相应的调整和实现。

Prompt

这个Prompt在执行之前会经过多个复杂的预处理步骤。虽然每个单元测试本身相对简单，但在开发过程中，他前面也会有各种advisor做各种处理，这些处理在实际运行时并不直接显现，而是作为封装的一部分，最终在内部动态地被添加和实现。具体流程和细节可以通过下图所示的结构来进一步理解。

我们来看一下他的核心方法，这些方法是经过Spring AI 抽象和优化后提炼出来的。我们只需要对其有一个大致的了解即可，基本无法个人做处理的。

public Prompt toPrompt() {

        var messages = new ArrayList<Message>(this.messages());

        String processedSystemText = this.systemText();
        //省略部分代码
            messages.add(new SystemMessage(processedSystemText));
        //省略部分代码
            messages.add(new UserMessage(processedUserText, this.media()));
        //省略部分代码
        if (this.chatOptions() instanceof FunctionCallingOptions functionCallingOptions) {
            if (!this.functionNames().isEmpty()) {
                functionCallingOptions.setFunctions(new HashSet<>(this.functionNames()));
            }
            if (!this.functionCallbacks().isEmpty()) {
                functionCallingOptions.setFunctionCallbacks(this.functionCallbacks());
            }
            if (!CollectionUtils.isEmpty(this.toolContext())) {
                functionCallingOptions.setToolContext(this.toolContext());
            }
        }
        return new Prompt(messages, this.chatOptions());
    }

这部分省略了各种判断条件和需要替代的参数信息，简化后的表达仅关注核心的业务逻辑。实际上，整体流程的关键步骤是：首先将历史聊天记录添加进来，接着是添加系统提示词，最后再将本次用户提问的问题内容加入，从而完成整个信息的整合。

createRequest

这部分主要是由各个模型根据自身的需求进行适配和处理的。具体来说，它们会将所需的数据从Prompt中提取出来，经过适当的封装后，作为请求参数传递到相应的API接口中。然后，通过直接调用这些API接口，就能够获取到所需的结果。接下来，我们可以深入了解OpenAI是如何进行这一系列处理的。

ChatCompletionRequest createRequest(Prompt prompt, boolean stream) {

        List<ChatCompletionMessage> chatCompletionMessages = prompt.getInstructions().stream().map(message -> {
            if (message.getMessageType() == MessageType.USER || message.getMessageType() == MessageType.SYSTEM) {
                //省略部分代码
                return List.of(new ChatCompletionMessage(content,
                        ChatCompletionMessage.Role.valueOf(message.getMessageType().name())));
            }
            else if (message.getMessageType() == MessageType.ASSISTANT) { 
                //省略部分代码
                return List.of(new ChatCompletionMessage(assistantMessage.getText(),
                        ChatCompletionMessage.Role.ASSISTANT, null, null, toolCalls, null, audioOutput));
            }
            else if (message.getMessageType() == MessageType.TOOL) {
                //省略部分代码
                return toolMessage.getResponses()
                    .stream()
                    .map(tr -> new ChatCompletionMessage(tr.responseData(), ChatCompletionMessage.Role.TOOL, tr.name(),
                            tr.id(), null, null, null))
                    .toList();
            }
            else {
                throw new IllegalArgumentException("Unsupported message type: " + message.getMessageType());
            }
        }).flatMap(List::stream).toList();

        ChatCompletionRequest request = new ChatCompletionRequest(chatCompletionMessages, stream);

        Set<String> enabledToolsToUse = new HashSet<>();

        if (prompt.getOptions() != null) {
            //省略部分代码 
            request = ModelOptionsUtils.merge(updatedRuntimeOptions, request, ChatCompletionRequest.class);
        }

        if (!CollectionUtils.isEmpty(this.defaultOptions.getFunctions())) {
            enabledToolsToUse.addAll(this.defaultOptions.getFunctions());
        }

        request = ModelOptionsUtils.merge(request, this.defaultOptions, ChatCompletionRequest.class);
//省略部分代码 
            request = ModelOptionsUtils.merge(
                    OpenAiChatOptions.builder().tools(this.getFunctionTools(enabledToolsToUse)).build(), request,
                    ChatCompletionRequest.class);
//省略部分代码 
        return request;
    }

在去除所有干扰性的判断后，我们可以清晰地看到其核心逻辑：首先，它会从Prompt中提取出所有的聊天信息，然后将这些信息封装到一个自定义的请求体中。接着，它会解析这些数据，并根据需要添加一些可操作的选项（如模型名称、topp等参数）。最后，系统会将工具调用的相关信息一并加入请求。

需要特别注意的是，ChatCompletionRequest 这个类，前面说过它其实是接口对接文档中各种参数的体现。将这些参数封装完毕后，调用模型的API就变得非常顺畅和直接。因此，无论前面的过程如何抽象，Spring AI始终为你提供了一个兼容并可修改的暴露接口，其中一个关键的接口就是这个 call 方法。

总结

总的来说，Spring AI项目通过对请求参数的自适应兼容处理，简化了与第三方接口的交互过程。通过对参数构造和数据处理的精细化管理，确保了无论是在功能调用，还是在API对接中，都能稳定、高效地工作。在我们深入分析了 toPrompt() 和 createRequest() 方法的实现后，可以看到，它们通过抽象和封装有效地处理了复杂的接口请求，确保了用户的输入和系统的响应能够高效流畅地匹配。

对于开发者而言，理解这些核心方法和自适应处理逻辑，不仅能提升开发效率，也能在对接第三方模型时更加得心应手。因此，掌握Spring AI在接口调用和参数处理中的精髓，对于成功开发和集成智能代理应用至关重要。

我是努力的小雨，一个正经的 Java 东北服务端开发，整天琢磨着 AI 技术这块儿的奥秘。特爱跟人交流技术，喜欢把自己的心得和大家分享。还当上了腾讯云创作之星，阿里云专家博主，华为云云享专家，掘金优秀作者。各种征文、开源比赛的牌子也拿了。