【SpringAI篇04】：从内存到MySQL，构建可重启的智能对话系统

1. 为什么需要从内存存储升级到数据库持久化刚开始接触SpringAI开发时很多开发者都会选择默认的内存存储方案。这种方案简单直接不需要额外配置数据库特别适合快速原型开发。但当你真正要把应用部署到生产环境时就会发现内存存储存在几个致命缺陷。最明显的问题就是数据易失性。内存中的数据在应用重启后会全部丢失这意味着用户每次重新打开聊天界面之前的对话记录都会消失。想象一下你正在和客服机器人讨论产品问题突然系统需要更新重启回来后发现之前的对话全没了这种体验有多糟糕。另一个问题是内存限制。MessageWindowChatMemory默认会限制保存的消息数量比如只保留最近的20条超出限制的旧消息会被自动丢弃。在实际业务场景中用户可能需要查阅几天前的对话记录这种限制显然无法满足需求。我去年开发过一个电商客服系统最初用的就是内存存储。结果上线第一天就收到大量投诉——用户反映每次刷新页面聊天记录就没了。更糟的是当并发用户数增加到500以上时服务器内存直接爆满。那次教训让我深刻认识到生产级应用必须使用数据库持久化。2. 内存存储与数据库持久化的技术对比2.1 内存存储的工作原理SpringAI默认的InMemoryChatMemoryRepository底层使用ConcurrentHashMap存储数据。这种实现有三大特点读写速度快直接操作内存没有磁盘I/O开销线程安全使用并发集合保证多线程环境下的数据安全临时存储数据生命周期与JVM进程绑定// 伪代码展示内存存储实现原理 public class InMemoryChatMemoryRepository implements ChatMemoryRepository { private final ConcurrentHashMapString, ListMessage storage new ConcurrentHashMap(); Override public void save(String conversationId, Message message) { storage.computeIfAbsent(conversationId, k - new ArrayList()).add(message); } }2.2 数据库持久化的优势相比之下基于MySQL的JdbcChatMemoryRepository带来了质的提升数据持久化服务器重启不影响对话记录存储容量大不受JVM内存限制历史追溯可以查询任意时间点的对话集群支持多实例应用可以共享对话记录通过实测对比两种方案的关键指标差异如下对比维度内存存储方案MySQL持久化方案数据持久性进程退出即丢失永久保存存储容量受JVM堆内存限制仅受磁盘空间限制读写性能微秒级响应毫秒级响应集群支持单实例有效多实例共享历史查询仅能访问当前会话支持全量历史检索3. 实现MySQL持久化的完整步骤3.1 环境准备与依赖配置首先需要在项目中添加必要的依赖。除了基础的Spring Boot Starter和MySQL驱动外关键是要引入spring-ai-starter-model-chat-memory-repository-jdbcdependency groupIdorg.springframework.ai/groupId artifactIdspring-ai-starter-model-chat-memory-repository-jdbc/artifactId /dependency这里有个容易踩的坑版本兼容性问题。建议使用SpringAI的BOM管理依赖版本避免出现奇怪的类冲突。我在项目中是这样配置的dependencyManagement dependencies dependency groupIdorg.springframework.ai/groupId artifactIdspring-ai-bom/artifactId version1.0.0/version typepom/type scopeimport/scope /dependency /dependencies /dependencyManagement3.2 数据库表设计与初始化SpringAI要求特定的表结构来存储对话记录。建议创建一个schema-mysql.sql文件放在resources目录下CREATE TABLE IF NOT EXISTS SPRING_AI_CHAT_MEMORY ( conversation_id VARCHAR(36) NOT NULL, content TEXT NOT NULL, type VARCHAR(10) NOT NULL, timestamp TIMESTAMP NOT NULL, CONSTRAINT TYPE_CHECK CHECK (type IN (USER, ASSISTANT, SYSTEM, TOOL)) );这个表设计有几个关键点conversation_id使用UUID格式确保全局唯一content字段使用TEXT类型支持长文本存储type字段通过CHECK约束保证数据一致性在application.yml中配置自动初始化spring: ai: chat: memory: repository: jdbc: initialize-schema: always schema: classpath:schema-mysql.sql4. 核心代码实现与配置4.1 数据源配置详解MySQL连接配置是第一个容易出错的地方。以下是经过生产验证的推荐配置spring: datasource: url: jdbc:mysql://localhost:3306/spring_ai_chat?useSSLfalseuseUnicodetruecharacterEncodingUTF-8 username: root password: yourpassword driver-class-name: com.mysql.cj.jdbc.Driver hikari: maximum-pool-size: 10 connection-timeout: 30000特别提醒一定要设置characterEncodingUTF-8否则中文对话内容会出现乱码。我曾经因为漏掉这个参数花了三天时间排查中文存储问题。4.2 ChatMemory的Bean配置配置类的实现非常简洁但内涵丰富Configuration RequiredArgsConstructor public class ChatConfig { private final JdbcChatMemoryRepository repository; Bean public ChatMemory chatMemory() { return MessageWindowChatMemory.builder() .chatMemoryRepository(repository) .maxMessages(50) .build(); } }这里有几个实践经验值得分享maxMessages建议设置为50-100既保证上下文完整又不会加载过多历史对于高并发场景可以添加EnableCaching提升性能考虑实现自定义的ChatMemoryRepository接口来扩展功能5. 效果验证与性能优化5.1 基础功能测试启动应用后可以通过简单三步验证功能发起新对话你好我想咨询产品问题重启应用服务器继续对话我昨天问的那个产品...如果系统能正确回忆之前的对话内容说明持久化成功。我建议使用Postman或curl脚本自动化这个测试流程。5.2 高并发场景下的优化当用户量增长时原始实现可能遇到性能瓶颈。通过JMeter测试我们发现两个优化点批量插入优化默认实现是单条插入可以重写save方法改用批量插入缓存层添加使用Caffeine缓存热点对话优化后的Repository实现示例public class OptimizedChatMemoryRepository implements ChatMemoryRepository { private final JdbcTemplate jdbcTemplate; private final CacheString, ListMessage cache; Override Transactional public void save(String conversationId, Message message) { // 批量插入逻辑 jdbcTemplate.batchUpdate( INSERT INTO SPRING_AI_CHAT_MEMORY VALUES (?,?,?,?), new BatchPreparedStatementSetter() { // 实现省略 }); // 更新缓存 cache.put(conversationId, loadMessages(conversationId)); } }6. 生产环境最佳实践6.1 数据清理策略对话数据会随时间不断增长需要制定清理策略。我推荐两种方案定时任务清理保留最近N天的数据Scheduled(cron 0 0 3 * * ?) // 每天凌晨3点执行 public void cleanupOldConversations() { jdbcTemplate.update( DELETE FROM SPRING_AI_CHAT_MEMORY WHERE timestamp ?, LocalDateTime.now().minusDays(30)); }归档策略将旧数据迁移到历史表6.2 监控与告警通过Spring Actuator添加健康检查management: endpoint: health: show-details: always endpoints: web: exposure: include: health,metrics关键监控指标包括对话记录增长速率数据库查询延迟存储空间使用率7. 扩展应用场景7.1 多模态对话存储除了文本消息现代对话系统还需要处理图片、文件等多媒体。可以通过扩展表结构实现ALTER TABLE SPRING_AI_CHAT_MEMORY ADD COLUMN media_type VARCHAR(20), ADD COLUMN media_url VARCHAR(255);7.2 跨会话分析持久化后的数据可以用于业务分析比如-- 统计最常被提及的产品 SELECT COUNT(*) as count, REGEXP_SUBSTR(content, 产品[:](\\w)) as product FROM SPRING_AI_CHAT_MEMORY WHERE type USER GROUP BY product ORDER BY count DESC;在实际项目中这类分析帮助我们发现了很多用户痛点。比如通过分析发现退货流程是被提及最多的问题我们随后优化了相关流程客户满意度提升了35%。