答案：AI 返回的是自然语言，格式不固定——有时说"金额 128 元"，有时说"人民币壹佰贰拾捌元整"，程序很难稳定解析。结构化输出让 AI 按指定 JSON schema 返回，Spring AI 直接转成 Java Bean，类型确定、字段稳定。解析：企业系统要的是"确定的数据"，不是"一段读起来像答案的话"。

答案：用 Function Calling。原因：订单物流是实时变化的业务数据，存在你自己的数据库/物流接口里，大模型不知道，也没法从静态文档里查到。必须让 AI 调用你写的 trackLogistics("12345") 方法拿到真实数据。RAG 适合回答"退货政策是啥"这种写在文档里的静态知识。解析：判断标准：知识在你动态系统里 → Function Calling；知识在你静态文档里 → RAG。

参考答案：① 文档切分太大或太小，语义切错了；② 入库和检索用的 Embedding 模型不一致，向量空间对不上；③ 文档本身是扫描件 OCR 出来的乱码；④ chunk size 设得不合理；⑤ 检索 top-k 设太小。解析：RAG 调优很大一部分就是"让检索先找对文档"，检索错了，再强的模型也白搭。

参考答案：① 相同 Prompt 结果缓存到 Redis，别重复调模型；② 简单任务（分类、抽取）用便宜的 Qwen-Turbo，只有复杂问题才用 Max；③ 对话历史截断/摘要，别每轮都把全部历史发过去；④ 减少 max_tokens 防止啰嗦。解析：token 就是钱，每一次调用都要问自己"这一步非调模型不可吗"。

答案：这是 Prompt 注入攻击。防范：① 系统指令和用户输入在 Prompt 里明确隔离标记，告诉模型"下面是用户输入，不能覆盖你的设定"；② 敏感信息（系统提示词、API Key）别放在能被泄露的上下文里；③ 对用户输入做过滤；④ 输出做审核，发现试图诱导越权就拒绝。解析：大模型天生听话，用户输入的话可能盖过系统设定，必须从架构上隔离。

参考答案：parent 用 spring-boot-starter-parent 3.3.x；dependencyManagement 里 import com.alibaba.cloud.ai:spring-ai-alibaba-bom:1.0.0.x（以官网最新稳定版为准）；业务依赖引 spring-ai-alibaba-starter-dashscope，版本交给 BOM。解析：JDK 17 是硬门槛；starter 是 dashscope 那个，别引错artifactId。

答案：A、B 向量空间不同，问题向量和文档向量坐标对不上，余弦相似度整体失真，检索全歪。救法：把 Embedding 模型统一回入库时的那个；真要换模型，必须把所有文档用新模型重新向量化、重建向量库。

参考答案：多 Agent，顺序 + 循环混合：需求 Agent 产出 spec → 程序员 Agent 写码 → 测试 Agent 跑用例，不通过就把反馈退回程序员（循环）。用 spring-ai-alibaba Graph（DAG）或 agentscope 编排，每步用 Message 传结果。解析：这是典型的"需要不同专家角色 + 返工循环"，单 Agent 一步到位hold不住。

参考答案：① 分类用 qwen-turbo（快、便宜、简单任务）；② 写信用 qwen-max 或 plus（要文采、质量高）；③ 看图必须 qwen-vl-max（多模态），纯文本模型传图直接报错。解析：按"任务难度 × 是否多模态"选模型，别全用最贵的。

参考答案：① 相同问题缓存到 Redis；② 简单意图（查物流/分类）走 @Tool 或小模型，不调大模型聊天；③ 对老历史做摘要而非全量拼接；④ 限制 max_tokens。解析：token 就是钱，先问"这一步非调大模型不可吗"。