基于SpringBoot+SpringAI+Ollama開發(fā)智能問(wèn)答系統(tǒng)

更新時(shí)間：2025年06月08日 10:23:21 作者：碼農(nóng)阿豪@新空間

在人工智能技術(shù)飛速發(fā)展的今天,大語(yǔ)言模型(LLM)已成為開發(fā)者工具箱中不可或缺的一部分,本文將介紹如何利用SpringBoot、SpringAI框架結(jié)合Ollama本地大模型服務(wù),搭建一個(gè)完全運(yùn)行在本地Windows環(huán)境下的智能問(wèn)答系統(tǒng),有需要的可以了解下

引言

在人工智能技術(shù)飛速發(fā)展的今天，大語(yǔ)言模型(LLM)已成為開發(fā)者工具箱中不可或缺的一部分。然而，依賴云端API服務(wù)不僅存在數(shù)據(jù)隱私問(wèn)題，還可能產(chǎn)生高昂成本。本文將介紹如何利用SpringBoot、SpringAI框架結(jié)合Ollama本地大模型服務(wù)，搭建一個(gè)完全運(yùn)行在本地Windows環(huán)境下的智能問(wèn)答系統(tǒng)。

技術(shù)棧概述

SpringBoot與SpringAI

SpringBoot作為Java生態(tài)中最流行的應(yīng)用框架，提供了快速構(gòu)建生產(chǎn)級(jí)應(yīng)用的能力。SpringAI是Spring生態(tài)系統(tǒng)中的新興成員，專門為AI集成設(shè)計(jì)，它簡(jiǎn)化了與各種大語(yǔ)言模型的交互過(guò)程，提供了統(tǒng)一的API接口。

Ollama本地模型服務(wù)

Ollama是一個(gè)開源項(xiàng)目，允許開發(fā)者在本地運(yùn)行和管理大型語(yǔ)言模型。它支持多種開源模型，包括Llama、Mistral等，并提供了簡(jiǎn)單的API接口。通過(guò)Ollama，我們可以在不依賴互聯(lián)網(wǎng)連接的情況下使用強(qiáng)大的語(yǔ)言模型能力。

環(huán)境準(zhǔn)備

硬件要求

Windows 10/11操作系統(tǒng)

至少16GB RAM（推薦32GB或以上）

NVIDIA顯卡（可選，可加速推理）

軟件安裝

1.安裝Ollama：

訪問(wèn)Ollama官網(wǎng)(https://ollama.ai)下載Windows版本并安裝

2.驗(yàn)證Ollama安裝：

ollama list

項(xiàng)目搭建

創(chuàng)建SpringBoot項(xiàng)目

使用Spring Initializr(https://start.spring.io)創(chuàng)建項(xiàng)目，選擇以下依賴：

Spring Web
Lombok
Spring AI (如未列出可手動(dòng)添加)

配置pom.xml

確保包含SpringAI Ollama依賴：

<dependency>
    <groupId>org.springframework.ai</groupId>
    <artifactId>spring-ai-ollama-spring-boot-starter</artifactId>
    <version>0.8.1</version>
</dependency>

應(yīng)用配置

application.yml配置：

spring:
  ai:
    ollama:
      base-url: http://localhost:11434
      chat:
        model: deepseek
        options:
          temperature: 0.7
          top-p: 0.9

核心功能實(shí)現(xiàn)

問(wèn)答服務(wù)層

創(chuàng)建QAService類：

@Service
public class QAService {
    
    private final OllamaChatClient chatClient;
    
    public QAService(OllamaChatClient chatClient) {
        this.chatClient = chatClient;
    }
    
    public String generateAnswer(String prompt) {
        return chatClient.call(prompt);
    }
    
    public Flux<String> generateStreamAnswer(String prompt) {
        return chatClient.stream(prompt);
    }
}

控制器實(shí)現(xiàn)

QAController.java:

@RestController
@RequestMapping("/api/qa")
public class QAController {
    
    private final QAService qaService;
    
    public QAController(QAService qaService) {
        this.qaService = qaService;
    }
    
    @PostMapping("/ask")
    public ResponseEntity<String> askQuestion(@RequestBody String question) {
        String answer = qaService.generateAnswer(question);
        return ResponseEntity.ok(answer);
    }
    
    @GetMapping(value = "/ask-stream", produces = MediaType.TEXT_EVENT_STREAM_VALUE)
    public Flux<String> askQuestionStream(@RequestParam String question) {
        return qaService.generateStreamAnswer(question);
    }
}

提示工程優(yōu)化

為提高回答質(zhì)量，我們可以實(shí)現(xiàn)提示模板：

PromptTemplateService.java:

@Service
public class PromptTemplateService {
    
    private static final String QA_TEMPLATE = """
            你是一個(gè)專業(yè)的AI助手，請(qǐng)根據(jù)以下要求回答問(wèn)題：
            1. 回答要專業(yè)、準(zhǔn)確
            2. 如果問(wèn)題涉及不確定信息，請(qǐng)明確說(shuō)明
            3. 保持回答簡(jiǎn)潔明了
            
            問(wèn)題：{question}
            """;
    
    public String buildPrompt(String question) {
        return QA_TEMPLATE.replace("{question}", question);
    }
}

更新QAService使用提示模板：

public String generateAnswer(String prompt) {
    String formattedPrompt = promptTemplateService.buildPrompt(prompt);
    return chatClient.call(formattedPrompt);
}

高級(jí)功能實(shí)現(xiàn)

對(duì)話歷史管理

實(shí)現(xiàn)簡(jiǎn)單的對(duì)話記憶功能：

ConversationManager.java:

@Service
@Scope(value = WebApplicationContext.SCOPE_SESSION, proxyMode = ScopedProxyMode.TARGET_CLASS)
public class ConversationManager {
    
    private final List<String> conversationHistory = new ArrayList<>();
    
    public void addExchange(String userInput, String aiResponse) {
        conversationHistory.add("用戶: " + userInput);
        conversationHistory.add("AI: " + aiResponse);
    }
    
    public String getConversationContext() {
        return String.join("\n", conversationHistory);
    }
    
    public void clear() {
        conversationHistory.clear();
    }
}

更新提示模板以包含歷史：

public String buildPrompt(String question, String history) {
    return QA_TEMPLATE.replace("{history}", history)
                     .replace("{question}", question);
}

文件內(nèi)容問(wèn)答

實(shí)現(xiàn)基于上傳文檔的問(wèn)答功能：

DocumentService.java:

@Service
public class DocumentService {
    
    private final ResourceLoader resourceLoader;
    private final TextSplitter textSplitter;
    
    public DocumentService(ResourceLoader resourceLoader) {
        this.resourceLoader = resourceLoader;
        this.textSplitter = new TokenTextSplitter();
    }
    
    public List<String> processDocument(MultipartFile file) throws IOException {
        String content = new String(file.getBytes(), StandardCharsets.UTF_8);
        return textSplitter.split(content);
    }
    
    public String extractRelevantParts(List<String> chunks, String question) {
        // 簡(jiǎn)化的相關(guān)性匹配 - 實(shí)際項(xiàng)目應(yīng)使用嵌入向量
        return chunks.stream()
                .filter(chunk -> chunk.toLowerCase().contains(question.toLowerCase()))
                .findFirst()
                .orElse("");
    }
}

添加文檔問(wèn)答端點(diǎn)：

@PostMapping(value = "/ask-with-doc", consumes = MediaType.MULTIPART_FORM_DATA_VALUE)
public ResponseEntity<String> askWithDocument(
        @RequestParam String question,
        @RequestParam MultipartFile document) throws IOException {
    
    List<String> chunks = documentService.processDocument(document);
    String context = documentService.extractRelevantParts(chunks, question);
    
    String prompt = """
            基于以下文檔內(nèi)容回答問(wèn)題：
            
            文檔相關(guān)部分：
            {context}
            
            問(wèn)題：{question}
            """.replace("{context}", context)
              .replace("{question}", question);
    
    String answer = qaService.generateAnswer(prompt);
    return ResponseEntity.ok(answer);
}

前端交互實(shí)現(xiàn)

簡(jiǎn)單HTML界面

resources/static/index.html:

<!DOCTYPE html>
<html>
<head>
    <title>本地AI問(wèn)答系統(tǒng)</title>
    <script src="https://cdn.jsdelivr.net/npm/axios/dist/axios.min.js"></script>
</head>
<body>
    <h1>本地問(wèn)答系統(tǒng)</h1>
    <div>
        <textarea id="question" rows="4" cols="50"></textarea>
    </div>
    <button onclick="askQuestion()">提問(wèn)</button>
    <div id="answer" style="margin-top: 20px; border: 1px solid #ccc; padding: 10px;"></div>
    
    <script>
        function askQuestion() {
            const question = document.getElementById('question').value;
            document.getElementById('answer').innerText = "思考中...";
            
            axios.post('/api/qa/ask', question, {
                headers: { 'Content-Type': 'text/plain' }
            })
            .then(response => {
                document.getElementById('answer').innerText = response.data;
            })
            .catch(error => {
                document.getElementById('answer').innerText = "出錯(cuò): " + error.message;
            });
        }
    </script>
</body>
</html>

流式響應(yīng)界面

添加流式問(wèn)答HTML：

<div style="margin-top: 30px;">
    <h2>流式問(wèn)答</h2>
    <textarea id="streamQuestion" rows="4" cols="50"></textarea>
    <button onclick="askStreamQuestion()">流式提問(wèn)</button>
    <div id="streamAnswer" style="margin-top: 20px; border: 1px solid #ccc; padding: 10px;"></div>
</div>

???????<script>
    function askStreamQuestion() {
        const question = document.getElementById('streamQuestion').value;
        const answerDiv = document.getElementById('streamAnswer');
        answerDiv.innerText = "";
        
        const eventSource = new EventSource(`/api/qa/ask-stream?question=${encodeURIComponent(question)}`);
        
        eventSource.onmessage = function(event) {
            answerDiv.innerText += event.data;
        };
        
        eventSource.onerror = function() {
            eventSource.close();
        };
    }
</script>

性能優(yōu)化與調(diào)試

模型參數(shù)調(diào)優(yōu)

在application.yml中調(diào)整模型參數(shù)：

spring:
  ai:
    ollama:
      chat:
        options:
          temperature: 0.5  # 控制創(chuàng)造性(0-1)
          top-p: 0.9        # 核采樣閾值
          num-predict: 512  # 最大token數(shù)

日志記錄

配置日志以監(jiān)控AI交互：

@Configuration
public class LoggingConfig {
    
    @Bean
    public Logger.Level feignLoggerLevel() {
        return Logger.Level.FULL;
    }
    
    @Bean
    public OllamaApi ollamaApi(Client client, ObjectProvider<HttpMessageConverterCustomizer> customizers) {
        return new OllamaApiInterceptor(new OllamaApi(client, customizers));
    }
}

???????class OllamaApiInterceptor implements OllamaApi {
    
    private static final Logger log = LoggerFactory.getLogger(OllamaApiInterceptor.class);
    private final OllamaApi delegate;
    
    public OllamaApiInterceptor(OllamaApi delegate) {
        this.delegate = delegate;
    }
    
    @Override
    public GenerateResponse generate(GenerateRequest request) {
        log.info("Ollama請(qǐng)求: {}", request);
        GenerateResponse response = delegate.generate(request);
        log.debug("Ollama響應(yīng): {}", response);
        return response;
    }
}

超時(shí)設(shè)置

配置連接超時(shí)：

spring:
  ai:
    ollama:
      client:
        connect-timeout: 30s
        read-timeout: 5m

安全加固

API認(rèn)證

添加簡(jiǎn)單的API密鑰認(rèn)證：

SecurityConfig.java:

@Configuration
@EnableWebSecurity
public class SecurityConfig {
    
    @Value("${app.api-key}")
    private String apiKey;
    
    @Bean
    public SecurityFilterChain securityFilterChain(HttpSecurity http) throws Exception {
        http
            .authorizeHttpRequests(auth -> auth
                .requestMatchers("/api/**").authenticated()
                .anyRequest().permitAll()
            )
            .addFilterBefore(new ApiKeyFilter(apiKey), UsernamePasswordAuthenticationFilter.class)
            .csrf().disable();
        return http.build();
    }
}
???????class ApiKeyFilter extends OncePerRequestFilter {
    
    private final String expectedApiKey;
    
    public ApiKeyFilter(String expectedApiKey) {
        this.expectedApiKey = expectedApiKey;
    }
    
    @Override
    protected void doFilterInternal(HttpServletRequest request, 
                                   HttpServletResponse response, 
                                   FilterChain filterChain) throws ServletException, IOException {
        String apiKey = request.getHeader("X-API-KEY");
        
        if (!expectedApiKey.equals(apiKey)) {
            response.sendError(HttpServletResponse.SC_UNAUTHORIZED, "無(wú)效的API密鑰");
            return;
        }
        
        filterChain.doFilter(request, response);
    }
}

部署與運(yùn)行

啟動(dòng)Ollama服務(wù)

在Windows命令行中：

ollama serve

運(yùn)行SpringBoot應(yīng)用

在IDE中直接運(yùn)行主類，或使用Maven命令：

mvn spring-boot:run

系統(tǒng)測(cè)試

訪問(wèn) http://localhost:8080 測(cè)試問(wèn)答功能，或使用Postman測(cè)試API端點(diǎn)。

擴(kuò)展思路

向量數(shù)據(jù)庫(kù)集成

考慮集成Chroma或Milvus等向量數(shù)據(jù)庫(kù)實(shí)現(xiàn)更精準(zhǔn)的文檔檢索：

@Configuration
public class VectorStoreConfig {
    
    @Bean
    public VectorStore vectorStore(EmbeddingClient embeddingClient) {
        return new SimpleVectorStore(embeddingClient);
    }
    
    @Bean
    public EmbeddingClient embeddingClient(OllamaApi ollamaApi) {
        return new OllamaEmbeddingClient(ollamaApi);
    }
}

多模型切換

實(shí)現(xiàn)動(dòng)態(tài)模型選擇：

@Service
public class ModelSelectorService {
    
    private final Map<String, ChatClient> clients;
    
    public ModelSelectorService(
            OllamaChatClient deep seekClient,
            OllamaChatClient llamaClient) {
        this.clients = Map.of(
            "deep seek", deep seekClient,
            "llama", llamaClient
        );
    }
    
    public ChatClient getClient(String modelName) {
        return clients.getOrDefault(modelName, clients.get("deep seek"));
    }
}

總結(jié)

本文詳細(xì)介紹了如何使用SpringBoot、SpringAI和Ollama在本地Windows環(huán)境搭建一個(gè)功能完整的大模型問(wèn)答系統(tǒng)。通過(guò)這個(gè)方案，開發(fā)者可以：

完全在本地運(yùn)行AI服務(wù)，保障數(shù)據(jù)隱私
利用Spring生態(tài)快速構(gòu)建生產(chǎn)級(jí)應(yīng)用
靈活選擇不同的開源模型
實(shí)現(xiàn)基礎(chǔ)的問(wèn)答到復(fù)雜的文檔分析功能

隨著本地AI技術(shù)的不斷進(jìn)步，這種架構(gòu)將為更多企業(yè)應(yīng)用提供安全、可控的AI解決方案。讀者可以根據(jù)實(shí)際需求擴(kuò)展本文示例，如增加更多模型支持、優(yōu)化提示工程或集成更復(fù)雜的業(yè)務(wù)邏輯。

到此這篇關(guān)于基于SpringBoot+SpringAI+Ollama開發(fā)智能問(wèn)答系統(tǒng)的文章就介紹到這了,更多相關(guān)SpringBoot SpringAI Ollama實(shí)現(xiàn)智能問(wèn)答內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

您可能感興趣的文章:

欧美bbbwbbbw肥妇,免费乱码人妻系列日韩,一级黄片