Spring AI与DeepSeek实战一：快速打造智能对话应用

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]"));
}

• 调用时把 call() 改成 stream()
• 并且遵循SSE协议最后发送[DONE]终止标识

调用示例：

• data: xxx 这种是 Server-Sent Events 的格式要求；
• 需要前端搭配 EventSource 或 WebSocket 等方式来接收流式数据，并结合 marked.js 来正确显示 markdown 语法。

四、总结

虽然通过 Spring AI 能够快速完成 DeepSeek 大模型与 Spring Boot 项目的对接，实现基础的对话接口开发，但这仅是智能化转型的初级阶段。要将大模型能力真正落地为生产级应用，还是需实现以下技术：

1. 能力扩展层：通过 智能体 实现意图理解与任务调度，结合 FunctionCall 实现结构化数据交互，实现AI与业务系统的无缝对接；
2. 知识增强层：应用 RAG（检索增强生成）技术构建领域知识库，解决大模型幻觉问题，支撑专业场景的精准问答；
3. 流程编排层：设计 Agent 工作流实现复杂业务逻辑拆解，支持多步骤推理与自动化决策；
4. 模型优化层：基于业务数据实施模型微调 Fine-tuning 提升垂直场景的响应质量和可控性。

五、完整代码

• Gitee地址：

https://gitee.com/zlt2000/zlt-spring-ai-app

• Github地址：

https://github.com/zlt2000/zlt-spring-ai-app