title: 【Spring AI 2.0】Advisor链架构全解从ToolCalling到渐进式工具发现的工程实战 description: 深入解析Spring AI 2.0 Advisor链架构原理涵盖ToolCallingAdvisor、ToolSearchToolCallingAdvisor核心机制以及自定义Advisor开发与多Advisor组合编排的生产级实战 tags: [Spring AI, Java, AI Agent, MCP, 大模型工程化] image: https://img-blog.csdnimg.cn/img_convert/placeholder_spring_ai_advisor.png【Spring AI 2.0】Advisor链架构全解从ToolCalling到渐进式工具发现的工程实战首屏导读 · 本教程配套付费专栏《大模型工程师修炼手记》19.9 元AI 编程 · Agent 实战 · 本文同主题系统课程· 《AI时代程序员的自我提升》49.9 元AI 时代成长方法论单篇不过瘾订阅解锁全量源码、实战与答疑文末附资料包领取方式 ↓导读2026年6月12日Spring AI 2.0.0正式GA。这不是一次简单的版本号升级——它用Advisor链彻底重构了Java生态中AI Agent的构建范式。本文将从源码级架构分析切入带你理解ToolCallingAdvisor的执行机制、ToolSearchToolCallingAdvisor的渐进式工具发现原理并通过完整的生产级代码示例掌握多Advisor组合编排与自定义开发的核心技能。一、背景Spring AI 1.x的瓶颈与2.0的破局在Spring AI 1.x时代工具调用Tool Calling被锁死在每个ChatModel内部。这意味着你无法拦截、包装或替换工具执行策略工具调用循环的日志、审计、限流只能靠AOP硬凑当工具数量超过20个时Prompt瞬间被撑爆Token成本翻倍Spring AI 2.0的破局之道是将工具调用循环提升为Advisor链中的一等公民。从此AI Agent的神经中枢从模型内部转移到了可插拔、可编排、可观测的Advisor链中。维度Spring AI 1.xSpring AI 2.0基线版本Spring Boot 3.xSpring Boot 4.0 / 4.1工具调用位置ChatModel内部私有循环Advisor链可插拔节点工具数量限制全量注册Prompt膨胀ToolSearch按需发现Token节省60-70%Null安全运行时NPE频发JSpecify全量注解配置模型构造函数可变Builder不可变MCP传输SSE已废弃Streamable HTTP默认关键时间节点Spring Boot 3.5 / Spring Framework 6.2将于2026-06-30 EOL升级2.0已是必然选择。二、Advisor链架构原理Agent的神经中枢2.1 什么是Advisor链在Spring AI 2.0中ChatClient的每次请求都会经过一个有序的Advisor链。Advisor可以执行三类操作拦截—— 在请求或响应阶段插入逻辑日志、审计、限流、重试循环—— 让下游链重新进入工具调用循环、结构化输出重试、评估循环组合—— 多个Advisor按优先级顺序协作图1Spring AI 2.0 Advisor链架构图。请求依次经过LoggingAdvisor、ToolSearchToolCallingAdvisor、ToolCallingAdvisor、StructuredOutputValidationAdvisor最终到达ChatModel。2.2 核心接口Advisor与CallAroundAdvisor所有Advisor都实现Advisor接口而需要拦截调用过程的Advisor则实现CallAroundAdvisorpublic interface CallAroundAdvisor extends Advisor { // 指定Advisor在链中的顺序数字越小越靠前 int getOrder(); // 核心方法包装around advice default AdvisedRequest aroundCall(AdvisedRequest request, CallChain callChain) { // 1. 前置处理如修改请求、记录日志 // 2. 继续执行链可能触发循环 AdvisedResponse response callChain.nextAroundCall(request); // 3. 后置处理如校验响应、触发重试 return response; } }关键设计callChain.nextAroundCall(request)的实现是递归调用——如果某个Advisor决定触发循环如ToolCallingAdvisor发现模型还要调工具它会重新构造请求并让链从头执行。三、三大核心Advisor深度解析3.1 ToolCallingAdvisor工具调用的自动opilotToolCallingAdvisor是Spring AI 2.0中自动注册的核心Advisor它实现了完整的工具调用往返循环Configuration public class AgentConfig { Bean public ChatClient chatClient(ChatClient.Builder builder, StockQueryService stockService) { return builder .defaultSystem(你是专业A股分析助手根据用户问题调用工具获取数据后给出分析。) .defaultTools(stockService) // 注册工具ToolCallingAdvisor自动接管 .build(); } } Service public class StockQueryService { Tool(description 查询指定股票代码的实时行情返回价格、涨跌幅、成交量) public StockQuote getRealtimeQuote( ToolParam(description 股票代码如600519.SH) String stockCode) { return marketClient.fetchQuote(stockCode); } Tool(description 查询指定股票的历史K线数据) public ListKlineData getHistoryKline( ToolParam(description 股票代码) String stockCode, ToolParam(description 天数默认30天) int days) { return marketClient.fetchKline(stockCode, days); } }执行流程图2ToolCallingAdvisor执行流程时序图。展示从用户发起到最终响应的完整工具调用往返循环。步骤操作责任方1将用户消息可用工具列表发送给模型ToolCallingAdvisor2模型决定调工具 → 返回ToolCall请求ChatModel3解析ToolCall执行对应Java方法ToolCallingAdvisor4将工具结果回传给模型ToolCallingAdvisor5模型再次决策继续调工具 or 输出最终回复ChatModel6若继续调工具回到步骤2循环ToolCallingAdvisor生产注意默认循环次数有上限通常为10次防止模型陷入无限工具调用。可通过配置调整java ToolCallingAdvisor.builder().maxIterations(5).build()3.2 ToolSearchToolCallingAdvisor百级工具的救星当你的Agent系统扩展到50工具时全量注册所有工具会让Prompt瞬间膨胀。ToolSearchToolCallingAdvisor实现了渐进式工具发现Configuration public class ScalableAgentConfig { Bean public ChatClient scalableChatClient( ChatClient.Builder builder, ListObject allToolBeans) { return builder .defaultSystem(你是全能金融分析助手可以根据需要查找并使用相关工具。) .defaultAdvisors( ToolSearchToolCallingAdvisor.builder() .toolObjects(allToolBeans) .maxTools(5) // 单次最多下发5个工具 .searchStrategy(SearchStrategy.SEMANTIC) // 语义检索 .build() ) .build(); } }核心机制对比场景传统ToolCallingAdvisorToolSearchToolCallingAdvisor工具数量10个Token开销可控直接使用索引开销收益不建议启用工具数量50个Prompt膨胀单次调用Token翻倍只下发相关工具Token节省60-70%工具检索方式无检索全量暴露基于Tool描述的语义相似度搜索对话演进工具集固定工具集随上下文动态调整适用阶段小规模Agent/MVP验证企业级生产系统工作原理索引阶段会话开始时一次对所有Tool方法的description建立向量索引检索阶段每次请求根据当前对话上下文语义搜索最相关的Top-K个工具暴露阶段只将匹配的工具子集发送给模型而非全量3.3 StructuredOutputValidationAdvisor结构化输出的守门员即使开启Native Structured Output模型仍可能返回不合规JSON。该Advisor自动检测并触发重试public record StockAnalysisReport( String stockCode, JsonProperty(required true) double targetPrice, JsonProperty(required true) String investmentRating, // 买入/持有/卖出 ListRiskFactor riskFactors ) {} Service public class StructuredAnalysisService { private final ChatClient chatClient; public StructuredAnalysisService(ChatClient.Builder builder) { this.chatClient builder .defaultSystem(你是股票分析师严格按JSON Schema输出分析结果。) .build(); // StructuredOutputValidationAdvisor自动注册 } public StockAnalysisReport analyze(String stockCode) { return chatClient.prompt() .user(请分析股票 stockCode 的投资价值) .call() .entity(StockAnalysisReport.class); } }自修正流程模型返回JSON → Schema校验 → 合规→ 是返回对象 ↓ 否构造修正Prompt 错误信息 ↓ 重新调用模型最多重试3次 ↓ 仍失败抛出StructuredOutputException四、源码级架构分析Advisor链的执行顺序与拦截器模式4.1 执行顺序的源码解读Spring AI 2.0中Advisor链的执行顺序由getOrder()决定遵循Spring的Ordered约定数字越小优先级越高// DefaultChatClient.DefaultChatClientRequestSpec 源码片段 private ListAdvisor advisors new ArrayList(); public ChatClientRequestSpec advisors(Advisor... advisors) { this.advisors.addAll(Arrays.asList(advisors)); // 按order排序确保链式执行顺序正确 this.advisors.sort(Comparator.comparingInt(Advisor::getOrder)); return this; }默认Advisor的Order值AdvisorOrder值说明LoggingAdvisor用户自定义可由用户指定通常放最前ToolSearchToolCallingAdvisor0先检索工具ToolCallingAdvisor100再执行工具调用StructuredOutputValidationAdvisor200最后校验输出关键洞察如果你自定义了一个需要在工具调用之后、输出校验之前执行的Advisor如结果后处理应将Order设为150Component public class ResultPostProcessAdvisor implements CallAroundAdvisor { Override public int getOrder() { return 150; // 在ToolCallingAdvisor(100)之后StructuredOutputValidationAdvisor(200)之前 } Override public AdvisedResponse aroundCall(AdvisedRequest request, CallChain callChain) { AdvisedResponse response callChain.nextAroundCall(request); // 对最终响应进行后处理如敏感词过滤、格式美化 String content response.response().getResult().getOutput().getText(); String processed sensitiveWordFilter.filter(content); return AdvisedResponse.from(response) .withResponse(processedResponse) .build(); } }4.2 拦截器模式如何实现请求改写与循环注入Advisor链本质上是一个责任链递归的组合模式。让我们看一个自定义的限流Advisor实现Component public class RateLimitAdvisor implements CallAroundAdvisor { private final MapString, RateLimiter limiters new ConcurrentHashMap(); Override public int getOrder() { return -100; // 最高优先级最先执行 } Override public String getName() { return RateLimitAdvisor; } Override public AdvisedResponse aroundCall(AdvisedRequest request, CallChain callChain) { String userId extractUserId(request); RateLimiter limiter limiters.computeIfAbsent( userId, k - RateLimiter.create(10.0) // 每秒10个请求 ); if (!limiter.tryAcquire()) { throw new RateLimitExceededException(请求过于频繁请稍后再试); } // 记录调用开始时间 long startTime System.currentTimeMillis(); try { return callChain.nextAroundCall(request); } finally { long duration System.currentTimeMillis() - startTime; Metrics.counter(ai.request.count).increment(); Metrics.timer(ai.request.duration).record(duration, TimeUnit.MILLISECONDS); } } }五、生产级实战多Advisor组合编排5.1 完整配置金融分析Agent的Advisor栈以下是一个企业级金融分析Agent的完整Advisor配置涵盖限流、审计、工具发现、工具调用、输出校验全链路Configuration public class FinancialAgentConfig { Bean public ChatClient financialAgent( ChatClient.Builder builder, ListObject allFinancialTools, AuditLogService auditLogService) { return builder .defaultSystem( 你是专业金融分析Agent具备以下能力 1. 实时行情查询A股、港股、美股 2. 历史K线分析与技术指标计算 3. 宏观经济数据解读GDP、CPI、PMI 4. 个股基本面深度分析 请严格基于工具返回的数据进行分析不要编造信息。 ) .defaultAdvisors( // 1. 限流与可观测性最外层 new RateLimitAdvisor(), // 2. 审计日志记录每次调用的输入输出 new AuditLogAdvisor(auditLogService), // 3. 工具渐进式发现工具数量20时启用 ToolSearchToolCallingAdvisor.builder() .toolObjects(allFinancialTools) .maxTools(5) .searchStrategy(SearchStrategy.SEMANTIC) .build(), // 4. 工具调用自动注册也可显式配置 ToolCallingAdvisor.builder() .maxIterations(8) .build() ) .build(); } }5.2 自定义AuditLogAdvisor实现Component public class AuditLogAdvisor implements CallAroundAdvisor { private final AuditLogService auditLogService; public AuditLogAdvisor(AuditLogService auditLogService) { this.auditLogService auditLogService; } Override public int getOrder() { return -50; // 限流之后工具发现之前 } Override public String getName() { return AuditLogAdvisor; } Override public AdvisedResponse aroundCall(AdvisedRequest request, CallChain callChain) { String traceId UUID.randomUUID().toString(); // 记录请求 auditLogService.logRequest(traceId, request); try { AdvisedResponse response callChain.nextAroundCall(request); // 记录成功响应 auditLogService.logResponse(traceId, response, null); return response; } catch (Exception e) { // 记录异常 auditLogService.logResponse(traceId, null, e); throw e; } } }5.3 控制器层对外暴露REST APIRestController RequestMapping(/api/v1/financial-agent) Tag(name 金融分析Agent, description 基于Spring AI 2.0的智能金融分析服务) public class FinancialAgentController { private final ChatClient financialAgent; public FinancialAgentController(ChatClient financialAgent) { this.financialAgent financialAgent; } PostMapping(/chat) Operation(summary 通用对话, description 支持自然语言查询的金融分析对话) public ResponseEntityAgentResponse chat(RequestBody Valid ChatRequest request) { String response financialAgent.prompt() .user(request.getMessage()) .call() .content(); return ResponseEntity.ok(new AgentResponse(response, LocalDateTime.now())); } PostMapping(/structured-analysis) Operation(summary 结构化分析, description 返回符合Schema的量化分析报告) public ResponseEntityStockAnalysisReport structuredAnalysis( RequestBody Valid AnalysisRequest request) { StockAnalysisReport report financialAgent.prompt() .user(String.format(请对%s进行深度投资分析关注%s维度, request.getStockCode(), String.join(、, request.getDimensions()))) .call() .entity(StockAnalysisReport.class); return ResponseEntity.ok(report); } } // DTO定义 public record ChatRequest( NotBlank String message, String sessionId ) {} public record AgentResponse( String content, LocalDateTime timestamp ) {} public record AnalysisRequest( NotBlank Pattern(regexp \\d{6}) String stockCode, NotEmpty ListString dimensions ) {}六、性能基准测试与选型建议6.1 Advisor链性能开销实测我们在相同硬件环境8C16G, OpenAI gpt-4o下对比了不同Advisor配置的性能表现图3不同Advisor配置下的平均延迟对比P50。全链路配置下延迟控制在1.8s以内ToolSearch方案在50个工具场景下显著优于全量注册。Advisor配置平均延迟(P50)平均延迟(P99)Token消耗/次说明无Advisor纯ChatClient1.2s2.1s1,200基线 ToolCallingAdvisor5个工具1.5s2.8s1,850单次工具调用开销25% ToolCallingAdvisor20个工具全量2.1s4.2s4,500Prompt膨胀导致延迟75% ToolSearchToolCallingAdvisor50个工具下发5个1.6s2.9s2,100索引检索开销可忽略 StructuredOutputValidationAdvisor150ms400ms200校验重试开销全链路限流审计ToolSearchToolCalling校验1.8s3.2s2,300生产推荐配置6.2 选型决策树工具数量 10 ├─ 是 → 直接使用ToolCallingAdvisor简单高效 └─ 否 → 需要渐进式工具发现 ├─ 是 → 启用ToolSearchToolCallingAdvisor └─ 否 → 手动分批管理工具不推荐 需要结构化输出 ├─ 是 → StructuredOutputValidationAdvisor自动注册 └─ 否 → 无需额外配置 生产部署 ├─ 是 → 必加限流Advisor 审计Advisor 可观测性 └─ 否 → MVP可简化6.3 Spring AI 2.0升级决策矩阵项目特征建议动作风险等级Spring Boot 3.5 工具10个立刻升级低Spring Boot 3.5 多Provider混用立刻升级低Spring Boot 3.3/3.4先升3.5处理deprecation再升4.0中自定义ChatMemory实现评估迁移成本2.0拆了advisor模块高重度依赖MiniMaxChatModel不可升级2.0已移除改用Anthropic高七、总结与展望Spring AI 2.0的Advisor链架构是一次从模型驱动到链式编排的范式跃迁。它解决了三个核心生产痛点工具调用可插拔—— 不再被锁死在模型内部日志、审计、限流可以优雅地以Advisor形式插入大规模工具管理—— ToolSearchToolCallingAdvisor让50工具的Agent成为可能Token成本下降60-70%结构化输出可靠—— 自动校验重试机制让entity(Class)在生成环境真正可用对于Java开发者而言这意味着我们终于可以像搭积木一样构建企业级AI Agent——每个Advisor是一个积木块通过顺序编排实现复杂的智能体行为。下一步值得关注 - Spring AI 2.1可能引入的Plan-Execute-VerifyAgent范式 - MCP 2.0 Streamable HTTP的完整安全规范落地 - Spring AI Alibaba对国产大模型通义千问、文心一言的深度适配关注专栏如果本文对你有帮助欢迎订阅我的付费专栏「大模型工程师修炼手记」。专栏已覆盖MCP协议、vLLM推理引擎、RAG检索增强、LoRA/QLoRA微调等30核心技术方向持续追踪AI工程化前沿帮你系统构建大模型应用开发能力体系。专栏直通车CSDN「大模型工程师修炼手记」技术交流欢迎在评论区留言讨论Spring AI 2.0的实战踩坑或私信我加入Java AI开发者交流群。 延伸阅读 · 我的付费专栏觉得这篇文章对你有帮助我把同类主题的系统化内容沉淀成了付费专栏欢迎订阅支持持续输出专栏定价内容大模型工程师修炼手记19.9 元AI 编程 / Agent 深度实战AI时代程序员的自我提升49.9 元AI 时代成长方法论 一杯咖啡的价格换来系统化的知识体系你的订阅是我持续创作的最大动力。本文配套代码 / 资料包欢迎在评论区留言「求代码」我会私信发送完整资源
