腳本之家服務器常用軟件

快捷導航

Spring AI與DeepSeek實戰(zhàn)一之快速打造智能對話應用

更新時間：2025年03月06日 14:11:30 作者：zlt2000

本文詳細介紹了如何通過SpringAI框架集成DeepSeek大模型,實現(xiàn)普通對話和流式對話功能,步驟包括申請API-KEY、項目搭建、配置API-KEY、創(chuàng)建ChatClient對象、創(chuàng)建對話接口、切換模型、使用prompt模板、流式對話等,感興趣的朋友一起看看吧

一、概述

在 AI 技術蓬勃發(fā)展的今天，國產大模型 DeepSeek 憑借其 低成本、高性能 的特點，成為企業(yè)智能化轉型的熱門選擇。而 Spring AI 作為 Java 生態(tài)的 AI 集成框架，通過統(tǒng)一API、簡化配置等特性，讓開發(fā)者無需深入底層即可快速調用各類 AI 服務。本文將手把手教你通過 spring-ai 集成 DeepSeek 接口實現(xiàn)普通對話與流式對話功能，助力你的 Java 應用輕松接入 AI 能力！

二、申請DeepSeek的API-KEY

相較于直接調用 DeepSeek 官方的 API，阿里云百煉基于阿里云強大的云計算基礎設施，提供了高可用性和穩(wěn)定性的服務，并且支持程序運行時動態(tài)切換 模型廣場 中的任意大模型。

登錄阿里云，進入 阿里云百煉 的頁面：

https://bailian.console.aliyun.com/?apiKey=1#/api-key

創(chuàng)建自己的 API-KEY

三、項目搭建

3.1. 開發(fā)環(huán)境要求

JDK 17+
Spring Boot 3.2.x及以上

3.2. maven配置

在 Spring Boot 項目的 pom.xml 中添加 spring-ai 依賴

<dependency>
    <groupId>com.alibaba.cloud.ai</groupId>
    <artifactId>spring-ai-alibaba-starter</artifactId>
</dependency>

增加倉庫的配置

<repositories>
    <repository>
        <id>alimaven</id>
        <url>https://maven.aliyun.com/repository/public</url>
    </repository>
    <repository>
        <id>spring-milestones</id>
        <url>https://repo.spring.io/milestone</url>
        <snapshots>
            <enabled>false</enabled>
        </snapshots>
    </repository>
    <repository>
        <id>spring-snapshots</id>
        <url>https://repo.spring.io/snapshot</url>
        <snapshots>
            <enabled>false</enabled>
        </snapshots>
    </repository>
</repositories>

3.3. 配置 API-KEY

在 application.yml 中添加以下配置：

spring:
  ai:
    dashscope:
      api-key: sk-xxxxxx

api-key 配置在阿里云百煉里申請的api-key 3.4. 創(chuàng)建ChatClient對象

private final ChatClient chatClient;
public ChatController(ChatClient.Builder builder) {
    String sysPrompt = """
        你是一個博學的智能聊天助手，請根據(jù)用戶提問回答。
        請講中文。
        今天的日期是 {current_date}。
        """;
    this.chatClient = builder
            .defaultSystem(sysPrompt)
            .defaultOptions(
                    DashScopeChatOptions.builder()
                            /**
                             * 值范圍：[0, 2)，系統(tǒng)默認值0.85。不建議取值為0，無意義
                             */
                            .withTemperature(1.3)
                            .withModel("deepseek-v3")
                            .build()
            )
            .build();
}

defaultSystem 指定系統(tǒng) prompt 來約束大模型的行為或者提供一些上下文信息，如這里告訴大模型今天的日期是多少，支持占位符；
defaultOptions 配置模型的參數(shù)
withTemperature 用于控制隨機性和多樣性的程度，值越高大模型回復的內容越豐富越天馬行空
withModel 配置模型廣場中的模型名稱，這里填寫 deepseek-v3

模型廣場的模型名稱清單：https://help.aliyun.com/zh/model-studio/getting-started/models

3.5. 創(chuàng)建對話接口

@GetMapping(value = "/chat")
public String chat(@RequestParam String input, HttpServletResponse response) {
    // 設置字符編碼，避免亂碼
    response.setCharacterEncoding("UTF-8");
    return chatClient.prompt().user(input)
            .system(s -> s.param("current_date", LocalDate.now().toString()))
            .call()
            .content();
}

每次調用接口時，通過 system 來給 current_date 占位符動態(tài)賦值。

調用示例：

問身份

問日期

3.6. 切換模型

@GetMapping(value = "/chat")
public String chat(@RequestParam String input, @RequestParam(required = false) String model, HttpServletResponse response) {
    response.setCharacterEncoding("UTF-8");
    if (StrUtil.isEmpty(model)) {
        model = "deepseek-v3";
    }
    return chatClient.prompt().user(input)
            .system(s -> s.param("current_date", LocalDate.now().toString()))
            .options(DashScopeChatOptions.builder().withModel(model).build())
            .call()
            .content();
}

使用 withModel 來配置模型名稱

調用示例：

切換deepseek-r1模型

切換通義千問模型

3.7. 使用prompt模板

通過 PromptTemplate 可以編輯復雜的提示詞，并且也支持占位符

@GetMapping(value = "/chatTemp")
public String chatTemp(@RequestParam String input, HttpServletResponse response) {
    response.setCharacterEncoding("UTF-8");
    // 使用PromptTemplate定義提示詞模板
    PromptTemplate promptTemplate = new PromptTemplate("請逐步解釋你的思考過程: {input}");
    Prompt prompt = promptTemplate.create(Map.of("input", input));
    return chatClient.prompt(prompt)
            .system(s -> s.param("current_date", LocalDate.now().toString()))
            .call()
            .content();
}

這里提出讓 deepseek-v3 進行逐步拆分思考，并把思考過程返回。

調用示例：

可以看到大模型會拆分多步來進行推論結果。

3.8. 使用流式對話

當前接口需等待大模型完全生成回復內容才能返回，這用戶體驗并不好。為實現(xiàn)類似 ChatGPT 的逐句實時輸出效果，可采用流式傳輸技術（Streaming Response）。

@GetMapping(value = "/streamChat", produces = MediaType.TEXT_EVENT_STREAM_VALUE)
public Flux<String> streamChat(@RequestParam String input, HttpServletResponse response) {
    response.setCharacterEncoding("UTF-8");
    // 使用PromptTemplate定義提示詞模板
    PromptTemplate promptTemplate = new PromptTemplate("請逐步解釋你的思考過程: {input}");
    Prompt prompt = promptTemplate.create(Map.of("input", input));
    return chatClient.prompt(prompt)
            .system(s -> s.param("current_date", LocalDate.now().toString()))
            .stream()
            .content()
            .concatWith(Flux.just("[DONE]"))
            .onErrorResume(e -> Flux.just("ERROR: " + e.getMessage(), "[DONE]"));
}

調用時把 call() 改成 stream()
并且遵循SSE協(xié)議最后發(fā)送[DONE]終止標識

調用示例：

data: xxx 這種是 Server-Sent Events 的格式要求；
需要前端搭配 EventSource 或 WebSocket 等方式來接收流式數(shù)據(jù)，并結合 marked.js 來正確顯示 markdown 語法。

四、總結

雖然通過 Spring AI 能夠快速完成 DeepSeek 大模型與 Spring Boot 項目的對接，實現(xiàn)基礎的對話接口開發(fā)，但這僅是智能化轉型的初級階段。要將大模型能力真正落地為生產級應用，還是需實現(xiàn)以下技術：

能力擴展層：通過 智能體 實現(xiàn)意圖理解與任務調度，結合 FunctionCall 實現(xiàn)結構化數(shù)據(jù)交互，實現(xiàn)AI與業(yè)務系統(tǒng)的無縫對接；
知識增強層：應用 RAG（檢索增強生成）技術構建領域知識庫，解決大模型幻覺問題，支撐專業(yè)場景的精準問答；
流程編排層：設計 Agent 工作流實現(xiàn)復雜業(yè)務邏輯拆解，支持多步驟推理與自動化決策；
模型優(yōu)化層：基于業(yè)務數(shù)據(jù)實施模型微調 Fine-tuning 提升垂直場景的響應質量和可控性。