使用Spring AI和阿里云百炼构建DeepSeek对话应用-开发者社区-阿里云

Spring AI与DeepSeek实战一：快速打造智能对话应用

2025-03-03 1811

版权

本文内容由阿里云实名注册用户自发贡献，版权归原作者所有，阿里云开发者社区不拥有其著作权，亦不承担相应法律责任。具体规则请查看《阿里云开发者社区用户服务协议》和《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容，填写侵权投诉表单进行举报，一经查实，本社区将立刻删除涉嫌侵权内容。

简介： 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！虽然通过Spring AI能够快速完成DeepSeek大模型与。

封面.png

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。

1-模型广场.png

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：
7-模板对话.png

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]"));
}