向量数据库除了存储必要的元数据(如文本、图片)外，还会存储对应元数据的向量。与传统的数据库执行的精确性搜索不同的是，向量数据库执行的是相似性搜索。

Spring AI 的 Embeddings API的功能是调用各平台（目前包括：OpenAI、Ollama、Azure OpenAI等）的嵌入模型将文本转换为数值向量。

我们可以通过AI自查手段将文本模型和图片生成模型进行组合实现一个既可以生成文本也可以生成AI的接口。这个关键点就是利用提示词限制AI的回复内容以达到一个自查手段。

Spring AI提供了图片生成接口，该接口可以用于与各种专门用于图像生成的人工智能模型进行交互，允许开发人员以最少的代码更在在不同的图像相关模型之间切换。

Spring AI本身不支持多Key轮询的操作，因此本篇将基于数据库来实现一个多Key轮询。

Spring AI为我们提供了提示词模板，允许我们通过一些模板，快速地动态生成提示词并发起提问。

人设设置功能来自于“提示词工程”的理论基础的。目前，提示工程已成为一个较新的学科，应用于开发和优化提示词（Prompt），帮助用户有效地将语言模型用于各种应用场景和研究领域。

上下文对话的作用就是让AI具有记忆力。

什么是流式对话？流失对话的核心就是流式传输，AI的响应数据是一点一点传过来的，不用等AI将文本全部生成出来了才传过来。一定程度上能够提高使用上的响应速度，给用户一个非常好的体验。

Chat API允许我们通过简单的配置快速地调用大语言模型以对用户的输入文本进行回复响应。