关于普通聊天对接，目前已经完成了大部分讲解，剩下的就是最后一步，今天我们将重点讨论在返回参数时需要注意的几个关键点。为了更好地说明这些注意事项，我们仍然以OpenAI接口为例，逐步讲解相关的代码实现，帮助大家更清楚地理解这一部分的细节。
接下来，我们就直接看一下这一部分代码，分析其中的注意事项。
其实，对于这部分代码来说，核心逻辑的重点在于将大模型返回的内容封装到 response 中，从而完成对接工作。然而，值得注意的是，为什么代码中还要额外获取并处理一些看似并未直接使用的值，例如 metadata、rateLimit、usage 等？实际上，这并非多余的操作。这些信息虽然在当前版本的代码中并没有立即被使用，但它们的存在是为了为后续可能的需求变化做准备。
如果我们仅仅是为了简单地将获取到的返回内容输出给用户，其实是可以省去这些额外步骤的，也不需要做如此复杂的处理。如图所示：
这是Minimax算法的处理方式，相较于OpenAI的处理方式，这里采用的方法显得更加简洁和直观。因此，这部分代码的实现较为简单，理解后可以快速跳过，不必深入细节。在实际应用中，只需要在有用的地方将相应的信息提取并填充到response对象中即可。
如果某些信息在当前上下文中并未使用到，那么就不需要进行封装或处理，避免不必要的复杂度。
ChatGenerationMetadata
buildGeneration的核心逻辑其实就是在寻找需要的工具调用和结束信息，核心代码如下所示，看一下：
private Generation buildGeneration(Choice choice, Map<String, Object> metadata, ChatCompletionRequest request) {List<AssistantMessage.ToolCall> toolCalls = choice.message().toolCalls() == null ? List.of(): choice.message().toolCalls().stream().map(toolCall -> new AssistantMessage.ToolCall(toolCall.id(), "function",toolCall.function().name(), toolCall.function().arguments())).toList();String finishReason = (choice.finishReason() != null ? choice.finishReason().name() : "");var generationMetadataBuilder = ChatGenerationMetadata.builder().finishReason(finishReason);List<Media> media = new ArrayList<>();String textContent = choice.message().content();var audioOutput = choice.message().audioOutput();if (audioOutput != null) {String mimeType = String.format("audio/%s", request.audioParameters().format().name().toLowerCase());byte[] audioData = Base64.getDecoder().decode(audioOutput.data());Resource resource = new ByteArrayResource(audioData);Media.builder().mimeType(MimeTypeUtils.parseMimeType(mimeType)).data(resource).id(audioOutput.id()).build();media.add(Media.builder().mimeType(MimeTypeUtils.parseMimeType(mimeType)).data(resource).id(audioOutput.id()).build());if (!StringUtils.hasText(textContent)) {textContent = audioOutput.transcript();}generationMetadataBuilder.metadata("audioId", audioOutput.id());generationMetadataBuilder.metadata("audioExpiresAt", audioOutput.expiresAt());}var assistantMessage = new AssistantMessage(textContent, metadata, toolCalls, media);return new Generation(assistantMessage, generationMetadataBuilder.build());
}
无论在何种情况下省略逻辑，toolCalls和finishReason这两个要素是必须要被识别和处理的。除非某个大型模型不支持toolCalls功能，否则我们在实现时不应忽略它们。实际上，绝大多数主流的大型模型都具备这部分功能，因为如果一个模型缺失了toolCalls功能，这意味着它无法支持Agent的开发和运行，进而就失去了介入Spring AI生态系统的基本目的。总之，确保对这两个关键要素的识别，对于实现模型的有效性和功能完整性至关重要。
关于media是因为OpenAI接口是会返回此信息字段，看下接口文档：
除此之外ChatGenerationMetadata目前除了finishReason我找到了使用目的，其他的还未找到用处，ChatGenerationMetadata功能基本如下：
- 可以用来测试
- 可以用来观测
- 目前还没咋用上，先留个心
ChatResponseMetadata
作用也是一样的，仍然是为了观测使用，只不过他封装的信息和上面有一些区别而已。如图所示：
Usage
本质上，这只是一个用于统计token使用情况的信息，功能上并没有特别复杂的内容，理解起来并不难。如果你之前不太了解这部分的细节，可以查看它的核心代码，这将帮助你迅速掌握其工作原理。
需要注意的是，绝大多数大型模型接口都提供了类似的字段，因为在实际应用中，了解token的消耗情况非常重要，毕竟资源的投入（如费用）最终需要与使用效果相对应，这也是模型开发者和使用者关心的重点之一。如图所示：
总结
在这一部分的讲解中，我们详细探讨了返回参数处理的关键要点，特别是如何封装与使用相关的字段。尽管某些信息（如metadata、rateLimit等）在当前实现中未直接用到，但它们的引入是为了更好地支持未来的扩展和需求变化。
通过对比不同处理方式，我们也看到不同模型接口在设计上的差异。在实际开发过程中，理解这些细节对于保证接口的扩展性和系统的稳定性至关重要。
我是努力的小雨，一个正经的 Java 东北服务端开发，整天琢磨着 AI 技术这块儿的奥秘。特爱跟人交流技术，喜欢把自己的心得和大家分享。还当上了腾讯云创作之星，阿里云专家博主，华为云云享专家，掘金优秀作者。各种征文、开源比赛的牌子也拿了。
💡 想把我在技术路上走过的弯路和经验全都分享出来，给你们的学习和成长带来点启发，帮一把。
🌟 欢迎关注努力的小雨，咱一块儿进步！🌟
