Spring AI 面试题：结构化输出怎么做？Prompt 模板、实体解析、落库策略一次讲透

如果你的 AI 应用只需要“回一段话”，那普通聊天能力就够了；但只要要进系统、进流程、进审批，结构化输出就会变成第一优先级。
这篇我就按 Java 项目里最常见的工单提取、简历解析、风控摘要这类场景来讲 Spring AI 的结构化输出怎么做。

🦅个人主页
🐼GitHub主页

---

先看真实问题：为什么很多模型回答看起来很聪明，系统却还是接不住

AI 项目里最常见的尴尬场景是：模型回答看起来很完整，但字段名称不稳定、布尔值表达不统一、时间格式前后不一，最后后端根本没法直接入库。
所以一旦涉及提取、分类、归因、摘要这些系统化动作，关键目标就不是“让回答更像人”，而是“让结果更像 Java 对象”。

• 工单优先级、标签、是否升级到人工，这些都应该是字段，不应该只是正文里的描述
• 如果解析失败没有兜底，就会出现模型回了内容，但流程节点没法继续往下走
• 结构化输出不仅要关注模型效果，还要考虑落库、补偿和重试

一张表先看懂：纯文本回答和结构化输出到底差在哪

维度	怎么做	为什么
纯文本	前端展示友好	系统不容易做后续流转
结构化对象	直接映射成 DTO	适合进库、进规则、进审批
模板约束	提前规定字段和格式	减少模型自由发挥
解析兜底	失败时走重试或人工审核	避免链路卡死

举个具体例子：售后工单智能分流：模型先提取，再决定是否转人工

1. 用户提交一段售后描述，后端先把标题、正文、历史客服记录拼成 Prompt。
2. 模型输出 priority、category、needEscalation、actions 这几个关键字段。
3. 如果 needEscalation=true，系统直接创建人工工单；否则进入自动回复流程。
4. 如果解析失败或者字段为空，记录到异常表里，后续做人工补录或重试。

代码示例：Prompt 模板 + entity 映射 + 结果落库

结构化 DTO

public record TicketSummary(
        String ticketId,
        String category,
        String priority,
        boolean needEscalation,
        List<String> actions,
        String reason
) {
}

Spring AI 结构化输出

@Service
@RequiredArgsConstructor
public class TicketSummaryService {

    private final ChatClient chatClient;
    private final AiExtractRecordRepository extractRecordRepository;

    public TicketSummary summarize(Ticket ticket) {
        TicketSummary summary = chatClient.prompt()
                .system("""
                        你是售后工单分流助手。
                        你必须输出结构化结果，不要输出额外解释。
                        priority 只能是 LOW、MEDIUM、HIGH。
                        category 只能是 REFUND、LOGISTICS、QUALITY、OTHER。
                        """)
                .user(u -> u.text("""
                        工单标题: {title}
                        工单正文: {content}
                        历史客服备注: {remark}
                        请完成分类、优先级判断，并给出建议动作。
                        """)
                        .param("title", ticket.getTitle())
                        .param("content", ticket.getContent())
                        .param("remark", ticket.getLastRemark()))
                .call()
                .entity(TicketSummary.class);

        saveResult(ticket.getId(), summary);
        return summary;
    }

    private void saveResult(Long ticketId, TicketSummary summary) {
        AiExtractRecord record = new AiExtractRecord();
        record.setBizId(ticketId);
        record.setExtractType("TICKET_SUMMARY");
        record.setResultJson(JsonUtils.toJson(summary));
        record.setParseStatus("SUCCESS");
        extractRecordRepository.save(record);
    }
}

解析失败时的兜底处理

public TicketSummary safeSummarize(Ticket ticket) {
    try {
        return summarize(ticket);
    } catch (Exception ex) {
        extractRecordRepository.save(AiExtractRecord.fail(ticket.getId(), ex.getMessage()));
        return new TicketSummary(
                String.valueOf(ticket.getId()),
                "OTHER",
                "MEDIUM",
                true,
                List.of("建议转人工复核"),
                "模型解析失败，已走人工兜底"
        );
    }
}

SQL 示例：结构化结果落库表

create table ai_extract_record (
    id bigint primary key auto_increment,
    biz_id bigint not null comment '业务主键，例如工单ID',
    extract_type varchar(64) not null comment '提取类型',
    result_json json not null comment '结构化结果',
    parse_status varchar(32) not null comment 'SUCCESS/FAIL',
    error_message varchar(500) null,
    created_time datetime not null default current_timestamp,
    updated_time datetime not null default current_timestamp on update current_timestamp
);

系统设计时我会优先拆哪几层

Prompt 约束层

• 先把字段范围、枚举值、必填项写死，不要靠模型自由发挥
• 复杂场景建议一类任务一个模板，不要让一个万能 Prompt 兼容所有提取任务

对象解析层

• 让结果尽量直接映射到 DTO，后面业务代码更稳
• 如果业务字段很多，可以先提取一级摘要，再做二次加工

落库与补偿层

• 成功结果和失败结果都要落库，后面才好做回放和质量分析
• 关键链路不要只信任一次模型输出，要给人工复核留入口

真正上线时最容易卡住的点

1. 没有给字段限定枚举值，最后 priority 可能返回“较高”“高优先级”“urgent”各种写法。
2. 解析成功就直接当真值使用，忽略了模型可能对边界样本判断错误。
3. 没有落失败日志，后面根本不知道是 Prompt 写坏了，还是模型偶发输出格式异常。

监控和指标建议盯哪些

• 结构化解析成功率
• 字段缺失率、枚举越界率
• 人工复核触发率
• 不同模型在同一提取任务上的准确率和成本

如果面试官问我这块怎么设计，我会这样答

如果面试官问 Spring AI 的结构化输出怎么做，我会先讲这不是“模型回个 JSON”这么简单，而是 Prompt 约束、实体解析、落库补偿三件事一起做。真正上线时，我会先定义 DTO 和字段边界，再用模板约束输出，最后把成功和失败都落库，保证流程可追踪、可回放、可纠错。

结语

AI 提取任务里，最值钱的不是模型说得多漂亮，而是它能不能稳定变成 Java 能消费的对象。

你们如果在做 AI 分类或提取，最头疼的是字段不稳定，还是落库后怎么做人工兜底？