简介:本文面向 Spring Boot 项目中复杂、模糊、难穷举的业务判断场景,介绍如何用 AI 决策模型替代部分 if-else。文章拆解 Choice、Score、Noul 三类决策方式,给出配置、封装、降级与选型思路,并结合百度智能云词元所说明模型接入与成本评估方法。
在 Spring Boot 项目里,真正难写的往往不是 CRUD,而是那些无法穷举的业务判断:这个工单该转给谁、这条内容是否违规、这个申请是否通过。传统做法是堆 if-else、规则引擎或工作流,但规则一多就难维护。更可行的方式是把模糊判断交给 AI 决策模型,让模型输出结构化结果,再由 Spring Boot 做强类型流转。若你正在评估不同模型的能力和调用成本,可以先通过 百度智能云词元所 了解模型发现、价格对比与多模型统一 API 接入能力。
传统业务规则通常依赖硬编码判断、Drools 规则引擎或工作流引擎。这类方式在规则明确、状态有限的场景下非常有效,但一旦遇到以下情况,维护成本会迅速上升:
这时,问题并不是“要不要用规则”,而是“哪些规则适合交给模型”。更合理的架构是: 模型负责语义理解和概率判断,后端系统负责强类型流转、权限控制、事务处理和最终执行 。
如果直接让大模型输出一段自由文本,后端很难稳定解析,也不利于自动化流转。因此,更适合工程落地的是“AI 决策模型”:模型不直接写业务代码,而是返回一个结构化判断结果。
常见的决策模型可以分成三类,分别对应“选、评、判”:
| 类型 | 含义 | 输出形式 | 适用场景 |
|---|---|---|---|
| Choice | 从预先给定的选项中选择一个 | 返回选中项、每个选项概率、confidence | 客服意图路由、工单分流、内容分类 |
| Score | 按定义的有序等级打分 | 返回插值分数、每档概率、confidence | 面试评估、内容质量评分、风险等级 |
| Noul | 判断某个陈述是否成立 | 返回 0–1 的概率,越接近 1 表示“是”的概率越高 | 是否违规、是否通过、是否命中风险 |
这三类模型的价值在于:它们不是让模型“自由发挥”,而是把模型输出约束到业务系统可以消费的结构中。例如:
Choice 判断工单应该进入“账单问题”“技术故障”还是“投诉建议”队列。Noul 判断某笔申请是否命中高风险特征。Score 对文章质量、评论风险、面试回答进行分级。在 Spring Boot 3.5.0 这类现代项目中,接入 AI 决策模型可以遵循“配置外置、客户端封装、业务层弱耦合”的思路。下面给出一个可落地的结构示例。
首先,把模型地址、密钥、模型名称等配置抽离出来,避免散落在业务代码中:
@ConfigurationProperties("pack.ai.decision")public record DecisionProperties(@DefaultValue("true") boolean enabled,String apiKey,@DefaultValue("https://cn-beijing.maas.qianwenaiapi.com/compatible-mode") URI baseUrl,@DefaultValue("decision-model-preview") String model) {@Overridepublic String toString() {return "DecisionProperties [enabled=" + enabled+ ", apiKey=[REDACTED], baseUrl=" + baseUrl+ ", model=" + model + "]";}}
这里有几个工程建议:
enabled 用于灰度开关,方便在测试、预发、生产环境之间切换。apiKey 不应硬编码,建议通过环境变量、配置中心或密钥管理服务注入。baseUrl 和 model 应保持可配置,方便后续替换模型或接入不同供应商。timeout、retry、fallback 等配置项。业务层不应该直接拼接 HTTP 请求,而应该通过一个统一客户端完成模型调用:
@Servicepublic class DecisionClient {private final DecisionProperties properties;public DecisionClient(DecisionProperties properties) {this.properties = properties;}public ChoiceResult choice(String task, List<String> options, String input) {if (!properties.enabled()) {return ChoiceResult.disabled();}// 实际项目中可替换为具体模型 SDK 或 HTTP 客户端调用// 关键点是:请求中明确传入任务、选项和输入文本return ChoiceResult.of("pending", 0.0);}public NoulResult noul(String statement, String input) {if (!properties.enabled()) {return NoulResult.disabled();}// 返回 0–1 概率,表示陈述成立的可能性return NoulResult.of(0.0);}public ScoreResult score(List<String> levels, String input) {if (!properties.enabled()) {return ScoreResult.disabled();}// 返回有序等级评分及置信度return ScoreResult.of(0, 0.0);}}
这里的重点不是具体 HTTP 实现,而是把模型调用封装成业务可理解的方法:choice、noul、score。这样后续即使更换模型供应商,也只影响客户端实现,不影响业务逻辑。
以客服工单分流为例,可以让模型从预设选项中选择一个分类:
@Servicepublic class TicketRoutingService {private final DecisionClient decisionClient;public TicketRoutingService(DecisionClient decisionClient) {this.decisionClient = decisionClient;}public TicketRoute route(Ticket ticket) {List<String> categories = List.of("billing","technical","complaint","account");ChoiceResult result = decisionClient.choice("ticket-routing",categories,ticket.getContent());if (result.confidence() < 0.75) {return TicketRoute.manualReview();}return TicketRoute.of(result.selected());}}
这段代码的关键设计是: 模型只负责给出候选分类和置信度,最终是否自动流转由业务系统决定 。如果置信度不足,就进入人工审核或规则兜底,而不是盲目执行。
在审批场景中,很多判断并不是简单的“通过/拒绝”,而是“是否命中某类风险”。这类问题适合用 Noul:
模型返回 0–1 概率后,风控系统可以结合阈值、规则引擎和人工复核进行分层处理。
客服场景中,用户表达往往口语化、多意图混杂。传统关键词匹配容易误判,而 Choice 可以让模型从预设工单分类中选择最合适的一项:
如果模型置信度较低,可以转人工或继续追问,避免错误分流。
内容审核既可以用 Noul 判断是否违规,也可以用 Score 做质量评分:
通过结构化输出,审核系统可以把模型结果写入审核队列、风险标签或质量分体系。
在面试、培训、考试评测场景中,Score 比较适合处理有序评分:
模型返回分数和置信度后,业务系统可以结合评委规则、权重配置和最终人工复核形成完整评价。
自由文本看似灵活,但后端解析成本高、稳定性差。工程上应尽量让模型返回:
这样系统才能进行自动化流转。
模型不是规则引擎,不能假设每次输出都完全正确。建议为不同业务设置不同阈值:
AI 决策模型不是替代所有规则,而是补充规则难以覆盖的部分。推荐架构是:
明确规则 → 规则引擎处理模糊判断 → AI 决策模型处理低置信度 → 人工审核或二次确认
这样既保留确定性,又提升复杂场景的处理能力。
模型调用是外部依赖,必须考虑稳定性:
企业场景尤其需要可追溯。建议记录:
这些信息不仅有助于排查问题,也能为后续模型优化提供数据基础。
模型调用不是免费的,尤其是高并发业务。可以通过以下方式优化成本:
如果你正在做模型选型和成本评估,可以借助 词元所模型服务 对比不同模型的能力、价格和接入方式,避免只凭单一指标做决策。
在 Spring Boot 项目中接入 AI 决策模型,选型时建议关注以下几个维度:
Noul,多分类用 Choice,评分用 Score。原型阶段,可以优先选择成本较低或提供预览能力的模型进行验证,例如原文提到的 decision-model-preview 可用于快速验证决策模型思路。但进入生产环境后,仍需要重新评估稳定性、限流、数据安全、调用成本和输出一致性。
对于需要同时接入多个模型或进行统一管理的团队,可以通过 百度智能云词元所 了解模型发现、价格对比、多模型统一 API 接入和调用管理,从而降低选型和集成成本。
Spring Boot 项目里真正难维护的,往往不是固定流程,而是那些模糊、多变、依赖语义理解的判断。AI 决策模型的价值,不是让大模型替代全部业务代码,而是把“选、评、判”这类难以穷举的判断从 if-else 中抽离出来,以结构化结果的形式交还给后端系统。
落地时,建议遵循三个原则:
当规则无法覆盖所有情况时,用 AI 决策模型补足语义判断能力,可以让业务系统既保持确定性,又具备处理复杂场景的能力。