前言
随着大模型的越来越盛行，现在很多企业开始接入大模型的接口，今天我从java开发角度来写一个demo的示例，用于接入DeepSeek大模型，国内的大模型有很多的接入渠道，今天主要介绍下阿里云的百炼模型，因为这个模型是免费的，只要注册一个账户，就会免费送百万的token进行学习，今天就从一个简单的可以执行的示例开始进行介绍，希望可以分享给各位正在学习的同学们。
概念原理：
DeepSeek大模型是由深度求索（DeepSeek）公司开发的一种生成式人工智能模型，其核心目标是结合大规模语言模型与深度搜索技术，提供更精准、全面的信息服务和交互体验。以下从技术定位、核心功能及底层原理三个层面展开说明：
1. DeepSeek大模型的定位
DeepSeek旨在成为“搜索增强型大语言模型”，与传统搜索引擎或纯生成式AI（如ChatGPT）不同，它通过以下方式融合两者优势：
- 搜索增强生成：将网络检索结果作为输入的一部分，辅助模型生成更实时、可信的内容。
- 多模态交互：支持文本、图像、语音等多模态输入，扩展应用场景。
- 长文本处理：优化上下文记忆能力，支持复杂任务的多轮对话。
2. 深度搜索（DeepSeek）的核心功能
深度搜索技术主要解决传统搜索的三大痛点：
- 语义鸿沟：通过深度理解用户意图（而非关键词匹配），精准定位信息。例如，将“如何修复电脑蓝屏”转化为技术文档、论坛讨论和教程视频的关联。
- 信息过时：实时抓取最新数据（如新闻、学术文献），动态更新知识库。
- 长尾查询：通过生成能力补全冷门问题的信息缺失，如专业领域的细分问题。
具体技术手段包括：
- 混合检索架构：结合向量数据库（语义搜索）与图数据库（知识关联），提升召回率。
- 生成式补全：对检索结果不足的部分，用大模型生成补充内容，并标注来源可信度。
- 多模态索引：对图像、表格等非文本数据建立嵌入表示（Embedding），实现跨模态检索。
3. 底层技术原理
DeepSeek的技术栈可分为四层架构：
（1）基础模型层
- Transformer架构：采用解码器-only结构（类似GPT），通过自注意力机制捕捉长距离依赖。
- 参数规模：推测为百亿级参数（具体未公开），支持复杂推理和生成任务。
- 优化策略：可能引入混合专家系统（MoE）降低计算成本，或采用量化技术加速推理。
（2）预训练与微调
- 多任务预训练：
- 语言建模：掩码语言模型（MLM）学习文本表征。
- 知识注入：通过检索增强预训练（REALM等范式），将外部知识融入模型。
- 对话建模：基于指令微调（Instruction Tuning）提升任务完成能力。
- 持续学习：通过增量预训练吸收新数据，避免知识过时。
（3）搜索融合层
- 动态检索：在用户输入时实时触发搜索，将结果编码为模型可读的向量。
- 上下文融合：将检索内容与用户历史对话拼接，作为生成输入的上下文。
- 可控生成：通过强化学习（RLHF）优化生成方向，确保答案符合搜索目标。
（4）系统优化层
- 异构硬件适配：针对CPU/GPU/NPU优化推理速度，支持高并发场景。
- 延迟-质量平衡：根据场景动态调整搜索深度和生成长度，例如简单问题直接检索，复杂问题启动生成。
JAVA实战
第一步：依赖的配置
<?xml version="1.0" encoding="UTF-8"?> <project xmlns="http://maven.apache.org/POM/4.0.0" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xsi:schemaLocation="http://maven.apache.org/POM/4.0.0 http://maven.apache.org/xsd/maven-4.0.0.xsd"> <modelVersion>4.0.0</modelVersion> <groupId>org.example</groupId> <artifactId>spring.ai.text</artifactId> <version>1.0-SNAPSHOT</version> <parent> <groupId>org.springframework.boot</groupId> <artifactId>spring-boot-starter-parent</artifactId> <version>3.2.5</version> <relativePath/> <!-- lookup parent from repository --> </parent> <properties> <java.version>17</java.version> <spring-ai.version>0.8.1</spring-ai.version> </properties> <repositories> <repository> <id>spring-milestones</id> <name>Spring Milestones</name> <url>https://repo.spring.io/milestone</url> <snapshots> <enabled>false</enabled> </snapshots> </repository> </repositories> <dependencies> <dependency> <groupId>org.springframework.boot</groupId> <artifactId>spring-boot-starter-web</artifactId> </dependency> <dependency> <groupId>org.springframework.ai</groupId> <artifactId>spring-ai-openai-spring-boot-starter</artifactId> <version>${spring-ai.version}</version> </dependency> <!-- 使用DashScope SDK --> <dependency> <groupId>com.alibaba</groupId> <artifactId>dashscope-sdk-java</artifactId> <version>2.5.0</version> <!-- 使用最新版本 --> </dependency> </dependencies> <build> <plugins> <plugin> <groupId>org.springframework.boot</groupId> <artifactId>spring-boot-maven-plugin</artifactId> </plugin> </plugins> </build> </project>
第二步：接口的开发
package org.example; import com.alibaba.dashscope.base.HalfDuplexServiceParam; import com.alibaba.dashscope.aigc.generation.Generation; import com.alibaba.dashscope.aigc.generation.GenerationParam; import com.alibaba.dashscope.aigc.generation.GenerationResult; import com.alibaba.dashscope.exception.InputRequiredException; import com.alibaba.dashscope.exception.NoApiKeyException; import io.reactivex.Flowable; import java.lang.System; import org.springframework.web.bind.annotation.GetMapping; import org.springframework.web.bind.annotation.RestController; @RestController public class QwenController { private static StringBuilder reasoningContent = new StringBuilder(); private static StringBuilder finalContent = new StringBuilder(); private static boolean isFirstPrint = true; @GetMapping("/qwen") public String askQuestion(String question) throws NoApiKeyException, InputRequiredException { Generation gen = new Generation(); HalfDuplexServiceParam generationParam = buildGenerationParam(question); Flowable<GenerationResult> result = gen.streamCall(generationParam); result.blockingForEach(message -> handleGenerationResult(message)); return reasoningContent.toString(); } @GetMapping("/deepseek") public String askDeepSeekQuestion(String question) throws NoApiKeyException, InputRequiredException { Generation gen = new Generation(); HalfDuplexServiceParam generationParam = buildDeepSeekGenerationParam(question); Flowable<GenerationResult> result = gen.streamCall(generationParam); result.blockingForEach(message -> handleGenerationResult(message)); return reasoningContent.toString(); } private static HalfDuplexServiceParam buildDeepSeekGenerationParam(String Msg) { return GenerationParam.builder() // 若没有配置环境变量，请用百炼API Key将下行替换为：.apiKey("sk-xxx") .apiKey("") // 此处以 qwq-32b 为例，可按需更换模型名称 .model("deepseek-r1") .prompt(Msg) .build(); } private static HalfDuplexServiceParam buildGenerationParam(String Msg) { return GenerationParam.builder() // 若没有配置环境变量，请用百炼API Key将下行替换为：.apiKey("sk-xxx") .apiKey("") // 此处以 qwq-32b 为例，可按需更换模型名称 .model("qwq-32b") .prompt(Msg) .build(); } private static void handleGenerationResult(GenerationResult message) { String reasoning = message.getOutput().getChoices().get(0).getMessage().getContent(); String content = message.getOutput().getChoices().get(0).getMessage().getContent(); if (!reasoning.isEmpty()) { reasoningContent.append(reasoning); if (isFirstPrint) { System.out.println("====================思考过程===================="); isFirstPrint = false; } System.out.print(reasoning); } if (!content.isEmpty()) { finalContent.append(content); if (!isFirstPrint) { System.out.println("\n====================完整回复===================="); isFirstPrint = true; } System.out.print(content); } } }
代码中的模型选择，可以选择目前百炼支持的模型，比如说阿里云的模型，比如说deepseek的模型，一般有deepseek-v1、deepseek-v2、deepseek-v3以及deepseek-r1等，每种不同的模型具备不同的推理能力不一样。具体的会在接口调用的时候进行介绍。
第三步：运行效果
3.1deepseek-r1的调用情况
3.2qwq-32b的调用情况
总结：
从运行的效果来看，整个的思考过程以及生成的结果来看，两个模型的思考几乎是差不多的，现在随着国内的大模型逐步开源，并且相互之间进行模型之间的学习以及蒸馏，这样的话，整个国内的AI大模型就会达到良性的发展，随着使用的人数越来越多，也能反向的促进人工智能的发展与进步。
