Spring AI 1.0 và MongoDB: Hô Biến Ứng Dụng Java Thành Siêu AI Dễ Dàng

Lê Lân

27/07/2025

Spring AI và MongoDB: Tích hợp hoàn chỉnh để xây dựng ứng dụng AI hiện đại với Java

Mở Đầu

Spring AI 1.0 đánh dấu một bước tiến quan trọng trong việc tích hợp trí tuệ nhân tạo vào các ứng dụng Spring Boot, giúp các nhà phát triển dễ dàng khai thác mô hình ngôn ngữ lớn (LLM), tìm kiếm vector, tạo hình ảnh và nhiều tính năng AI khác ngay trong hệ sinh thái Java quen thuộc.

Với sự phát triển nhanh chóng của lĩnh vực AI, Spring AI trở thành một dự án mới đầy tiềm năng, cung cấp cách tiếp cận có cấu trúc và khai báo để tích hợp các mô hình AI hiện đại vào ứng dụng Spring Boot. Bài viết này sẽ giới thiệu chi tiết về Spring AI, cách tích hợp với MongoDB - một cơ sở dữ liệu NoSQL mạnh mẽ hỗ trợ tìm kiếm vector, và hướng dẫn xây dựng một ứng dụng AI hoàn chỉnh với mô hình Retrieval-Augmented Generation (RAG). Qua đó, bạn sẽ hiểu rõ hơn về cách tận dụng Spring AI và MongoDB để triển khai các giải pháp AI doanh nghiệp có khả năng mở rộng, bảo mật và quan sát tốt.

Spring AI là gì?

Giới thiệu chung về Spring AI

Spring AI cung cấp một bộ công cụ mạnh mẽ để tích hợp các mô hình AI vào ứng dụng Spring Boot bao gồm:

Mô hình tạo ảnh: Tạo hình ảnh dựa trên mô tả văn bản.

Mô hình chuyển đổi âm thanh thành văn bản: Phân tích và phiên âm âm thanh.

Mô hình biểu diễn (embedding): Chuyển đổi dữ liệu sang dạng vector giúp tối ưu tìm kiếm theo ngữ nghĩa.

Mô hình trò chuyện (chat models): Hội thoại tự nhiên, hỗ trợ chỉnh sửa văn bản, sáng tạo nội dung, v.v.

Hình ảnh minh họa cấu trúc tổng quan các mô hình AI được hỗ trợ (nguồn: Spring AI team)

Giải quyết các hạn chế của mô hình AI

Mặc dù mạnh mẽ, các mô hình AI có những hạn chế nội tại như thiếu bộ nhớ, có thể tạo ra thông tin sai lệch (hallucination) và không có quyền truy cập dữ liệu riêng. Spring AI hỗ trợ các tính năng giải quyết bao gồm:

System prompts và kiểm soát hội thoại: Đặt các chỉ dẫn hệ thống để định hướng hành vi mô hình.

Quản lý bộ nhớ đàm thoại (memory management): Duy trì ngữ cảnh bằng cách ghi nhớ hội thoại trước đó.

Gọi công cụ (tool calling): Cho phép mô hình invoke các chức năng đặc thù để tương tác phức tạp.

Nhúng dữ liệu chuyên dụng (prompt engineering): Tiêm dữ liệu liên quan vào prompt để tăng tính chính xác.

Tạo dữ liệu hỗ trợ truy xuất (RAG - Retrieval-Augmented Generation): Kết hợp tìm kiếm thông tin để cải thiện đầu ra của LLM.

Xác thực phản hồi (response validation): Sử dụng mô hình đánh giá để kiểm tra độ chính xác thông tin trả về.

Tích hợp đa hệ thống (Model Context Protocol - MCP): Kết nối Spring AI với các dịch vụ AI khác để xây dựng workflows phức tạp.

Tính năng hỗ trợ tích hợp trong Spring Boot

Autoconfiguration: Giúp cài đặt nhanh và dễ dàng với cấu hình mặc định.

Hỗ trợ observability: Tích hợp sẵn với Spring Boot Actuator và Micrometer.

Tương thích với GraalVM và Virtual Threads: Tăng hiệu suất và khả năng mở rộng.

Sử dụng qua Spring Initializr để bắt đầu nhanh.

Tích hợp Spring AI với MongoDB

MongoDB và Atlas Vector Search là gì?

MongoDB là cơ sở dữ liệu NoSQL dạng document lưu trữ dữ liệu theo cấu trúc JSON linh hoạt, phù hợp xử lý dữ liệu phi cấu trúc như đoạn hội thoại, tài liệu, v.v.

Atlas Vector Search mở rộng MongoDB bằng cách cho phép lưu trữ và tìm kiếm vector embeddings ngay trong cơ sở dữ liệu. Điều này giúp bạn:

Tránh việc sử dụng nhiều hệ thống độc lập.

Tăng hiệu quả truy vấn dữ liệu semantical.

Giảm độ phức tạp kiến trúc.

Lợi ích của việc kết hợp MongoDB với Spring AI

Đơn giản hóa tích hợp semantic search và các tính năng AI ngay trong ứng dụng Java.

Sử dụng driver MongoDB Java Sync và Spring AI dễ dàng thao tác với cơ sở dữ liệu và mô hình AI cùng lúc.

Tận hưởng khả năng mở rộng, hiệu suất cao với cơ sở hạ tầng đám mây MongoDB Atlas.

Tổng quan về Retrieval-Augmented Generation (RAG)

RAG là gì?

RAG là một kỹ thuật kết hợp giữa mô hình ngôn ngữ lớn (LLM) với hệ thống tra cứu tài liệu để:

Nạp dữ liệu: Chuyển đổi tài liệu doanh nghiệp thành vector embeddings, lưu trữ trong vector store như MongoDB Atlas.

Tra cứu: Khi người dùng đặt câu hỏi, sử dụng vector search để lấy ra các tài liệu liên quan dựa trên ý nghĩa ngữ cảnh, không chỉ từ khóa.

Sinh phản hồi: Cung cấp tài liệu được tra cứu vào prompt để LLM tạo ra phản hồi chính xác, phù hợp.

Tại sao nên dùng RAG?

Tăng tính cập nhật so với mô hình huấn luyện tĩnh.

Giảm nguy cơ cung cấp thông tin sai lệch.

Tăng cường truy xuất thông tin riêng, bảo mật dữ liệu.

Xây dựng ứng dụng mẫu: Trợ lý tìm chó nhận nuôi "Pooch Palace"

Giới thiệu dự án

Chúng ta sẽ tạo một ứng dụng giả định dành cho trại chó nhận nuôi "Pooch Palace" với tính năng trợ lý AI giúp người dùng hỏi đáp và tìm kiếm chó phù hợp dựa trên mô tả và yêu cầu.

Ví dụ chú chó nổi tiếng "Prancer" - một chú chó cực kỳ đặc biệt với tính cách độc đáo sẽ được sử dụng làm mẫu dữ liệu.

Thiết lập dự án

Chuẩn bị môi trường

Java 24 và Apache Maven.

MongoDB Atlas (dùng tier miễn phí M0).

Tài khoản OpenAI với API Key.

Tạo project với Spring Initializr cấu hình các dependency cần thiết:

Dependency	Mục đích
Web	Xây dựng API REST
Actuator	Giám sát ứng dụng
GraalVM support	Biên dịch native image
Devtools	Hỗ trợ phát triển
OpenAI	Tích hợp mô hình AI
MongoDB Atlas Vector	Lưu và tìm kiếm vector

Cấu hình file `application.properties`

spring.application.name=mongodb
# aispring.ai.openai.api-key=<YOUR_OPENAI_CREDENTIAL_HERE>
spring.data.mongodb.uri=<YOUR_MONGODB_ATLAS_CONNECTION_STRING_HERE>
spring.data.mongodb.database=rag

spring.ai.vectorstore.mongodb.collection-name=vector_store
spring.ai.vectorstore.mongodb.initialize-schema=true

spring.threads.virtual.enabled=true

management.endpoints.web.exposure.include=*
management.endpoint.health.show-details=always

Bạn nên externalize các khóa bí mật như API key và chuỗi kết nối MongoDB vào biến môi trường để bảo mật.

Khởi tạo Vector Store với dữ liệu chó nuôi

Tải file dogs.json chứa dữ liệu chó.

Đặt trong thư mục tài nguyên của dự án.

Viết ApplicationRunner để đọc và ghi dữ liệu vào collection MongoDB kèm tạo chỉ mục tìm kiếm vector tự động.

Xây dựng Controller trợ lý nhận nuôi

Cấu hình `AdoptionController`

Sử dụng ChatClient của Spring AI để tương tác với mô hình OpenAI.

Đặt system prompt để mô hình hiểu mình là trợ lý tại trại chó "Pooch Palace".

Sử dụng QuestionAnswerAdvisor để lọc dữ liệu tương ứng truy vấn từ MongoDB Vector Store.

Duy trì bộ nhớ hội thoại với MessageWindowChatMemory để mô hình nhớ được lịch sử 10 câu hỏi trước đó.

Endpoint giao tiếp trợ lý

@GetMapping("/{user}/dogs/assistant")
String inquire(@PathVariable String user, @RequestParam String question) {
    var memory = MessageWindowChatMemory.builder()
            .chatMemoryRepository(memoryRepository)
            .maxMessages(10)
            .build();
    var memoryAdvisor = MessageChatMemoryAdvisor.builder(memory).build();

    return this.ai.prompt()
            .user(question)
            .advisors(a -> a.advisors(memoryAdvisor).param(ChatMemory.CONVERSATION_ID, user))
            .call()
            .content();
}

Người dùng gửi câu hỏi về chó nhận nuôi.

Hệ thống tìm kiếm thông tin liên quan, gán vào prompt, mô hình trả lời có ngữ cảnh.

Demo kết quả

Gửi yêu cầu ví dụ: http://localhost:8080/tkelly/dogs/assistant?question=do you have any neurotic dogs?

Phản hồi:

"Có một chú chó tên Prancer, tính cách đặc biệt neurotic, không thích người và nhiều loài khác, phù hợp với mô tả của bạn."

Đưa AI vào sản xuất

Bảo mật

Dùng Spring Security khóa API.

Sử dụng tên người dùng xác thực làm ID hội thoại.

Áp dụng mã hóa dữ liệu tại MongoDB với Encryption at Rest .

Khả năng mở rộng

Kích hoạt Virtual Threads trong Java 21 giúp tăng hiệu quả khi đợi IO.

Cấu hình: spring.threads.virtual.enabled=true

GraalVM native images

Biên dịch ứng dụng thành file thực thi nhẹ, startup nhanh, tiết kiệm RAM.

Lệnh build: ./mvnw -DskipTests -Pnative native:compile

Chạy file binary: ./target/mongodb

Docker hóa ứng dụng

Build image Docker: ./mvnw -DskipTests -Pnative spring-boot:build-image

Phù hợp triển khai trên các nền tảng đám mây.

Quan sát (Observability)

Spring Boot Actuator cung cấp metrics hỗ trợ giám sát hệ thống và lượng token AI.

Dùng Micrometer để gửi dữ liệu đến MongoDB Time-series database tạo dashboard thống kê.

Tham Khảo

Spring AI Official Documentation

MongoDB Atlas Vector Search Guide

Mark Pollack & Josh Long, “Introducing Spring AI 1.0”, Dev.to Article

OpenAI API Documentation

GraalVM Native Image

Spring Boot Actuator & Micrometer

MongoDB Security and Encryption

Spring AI kết hợp với MongoDB Atlas và Java mang đến một giải pháp toàn diện, tiện lợi cho nhà phát triển xây dựng ứng dụng AI hiện đại, có thể mở rộng và bảo mật. Với các ví dụ thực tế, bạn hoàn toàn có thể nhanh chóng đưa AI vào sản xuất mà không phải chuyển đổi công nghệ phức tạp.