您现在的位置是：首页 > 文章详情

Spring AI与DeepSeek实战一：快速打造智能对话应用

日期：2025-03-03点击：49收藏

一、概述

在 AI 技术蓬勃发展的今天，国产大模型 DeepSeek 凭借其 低成本 、高性能 的特点，成为企业智能化转型的热门选择。而 Spring AI 作为 Java 生态的 AI 集成框架，通过统一API、简化配置等特性，让开发者无需深入底层即可快速调用各类 AI 服务。本文将手把手教你通过 spring-ai 集成 DeepSeek 接口实现普通对话与流式对话功能，助力你的 Java 应用轻松接入 AI 能力！

二、申请DeepSeek的API-KEY

相较于直接调用 DeepSeek 官方的 API，阿里云百炼基于阿里云强大的云计算基础设施，提供了高可用性和稳定性的服务，并且支持程序运行时动态切换 模型广场 中的任意大模型。

登录阿里云，进入 阿里云百炼 的页面：

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

创建自己的 API-KEY

三、项目搭建

3.1. 开发环境要求

JDK 17+
Spring Boot 3.2.x及以上

3.2. maven配置

在 Spring Boot 项目的 pom.xml 中添加 spring-ai 依赖

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

增加仓库的配置

<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 配置在阿里云百炼里申请的api-key

3.4. 创建ChatClient对象

private final ChatClient chatClient; public ChatController(ChatClient.Builder builder) { String sysPrompt = """ 你是一个博学的智能聊天助手，请根据用户提问回答。 请讲中文。 今天的日期是 {current_date}。 """; this.chatClient = builder .defaultSystem(sysPrompt) .defaultOptions( DashScopeChatOptions.builder() /** * 值范围：[0, 2)，系统默认值0.85。不建议取值为0，无意义 */ .withTemperature(1.3) .withModel("deepseek-v3") .build() ) .build(); }

defaultSystem 指定系统 prompt 来约束大模型的行为或者提供一些上下文信息，如这里告诉大模型今天的日期是多少，支持占位符；

defaultOptions 配置模型的参数

withTemperature 用于控制随机性和多样性的程度，值越高大模型回复的内容越丰富越天马行空

withModel 配置模型广场中的模型名称，这里填写 deepseek-v3

模型广场的模型名称清单：https://help.aliyun.com/zh/model-studio/getting-started/models

3.5. 创建对话接口

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

每次调用接口时，通过 system 来给 current_date 占位符动态赋值。

调用示例：

问身份
问日期

3.6. 切换模型

@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 来配置模型名称

调用示例：

切换deepseek-r1模型
切换通义千问模型

3.7. 使用prompt模板

通过 PromptTemplate 可以编辑复杂的提示词，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定义提示词模板 PromptTemplate promptTemplate = new PromptTemplate("请逐步解释你的思考过程: {input}"); Prompt prompt = promptTemplate.create(Map.of("input", input)); return chatClient.prompt(prompt) .system(s -> s.param("current_date", LocalDate.now().toString())) .call() .content(); }

这里提出让 deepseek-v3 进行逐步拆分思考，并把思考过程返回。

调用示例 ：

可以看到大模型会拆分多步来进行推论结果。

3.8. 使用流式对话

当前接口需等待大模型完全生成回复内容才能返回，这用户体验并不好。为实现类似 ChatGPT 的逐句实时输出效果，可采用流式传输技术（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定义提示词模板 PromptTemplate promptTemplate = new PromptTemplate("请逐步解释你的思考过程: {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]")); }