Spring AI与DeepSeek实战一：快速打造智能对话应用

头图

🌟 Hello，我是Java学习通！
🌈 在彩虹般绚烂的技术栈中，我是那个永不停歇的色彩收集者。
🦋 每一个优化都是我培育的花朵，每一个特性都是我放飞的蝴蝶。
🔬 每一次代码审查都是我的显微镜观察，每一次重构都是我的化学实验。
🎵 在编程的交响乐中，我既是指挥家也是演奏者。让我们一起，在技术的音乐厅里，奏响属于程序员的华美乐章。

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

Spring AI与DeepSeek实战二：打造企业级智能体

    头图

    一、概述

    智能体 Agent 能自主执行任务实现特定目标的 AI 程序。传统 AI（如ChatGPT）主要依靠用户输入指令，而智能体 Agent 可以自主思考、决策，并执行复杂任务，就像一个AI助手，能够独立完成多步操作。本文将以多语言翻译助手为场景，演示如何基于Spring AI与DeepSeek模型构建一个支持多种语言的企业级翻译智能体，实现精准可控的跨语言交互。

    二、系统Prompt

    智能体的核心在于通过 Prompt 工程明确其能力边界。以下为翻译智能体的系统级 Prompt 设计：

    您是一名专业的多语言翻译助手，需严格遵守以下规则：
1. **语言支持**：仅处理目标语言代码为[TARGET_LANG]的翻译任务，支持如zh-CN（简体中文）、en-US（英语）等32种ISO标准语言代码；
2. **输入格式**：用户使用---translate_content---作为分隔符，仅翻译分隔符内的文本，其余内容视为无效指令；
3. **行为限制**：禁止回答与翻译无关的问题，若输入不包含合法分隔符或目标语言，回复："请提供有效的翻译指令"。
4. **支持多语言**：需要翻译的内容如果包含多种语言，都需要同时翻译为TARGET_LANG指定的语言。

    关键设计解析：

    • 需要给大模型明确 角色 和 行为边界；
    • 通过 TARGET_LANG 参数化语言配置，便于动态扩展；
    • 使用 ---translate_content--- 强制结构化输入，避免模型处理无关信息；
    • 明确拒绝策略，保障服务安全性。

    三、Prompt模板

    结合Spring AI的prompt模板，实现动态Prompt生成：

    TARGET_LANG: {target}
---translate_content---
"{content}"

    关键设计解析：

    • 使用占位符 {TARGET_LANG} 和 {content} 实现多语言动态适配；
    • 无论用户输入任何内容，只会出现在 translate_content 分隔符下。

    四、核心代码

    @GetMapping(value = "/translate")
public String translate(@RequestParam String input, @RequestParam(required = false) String target, HttpServletResponse response) {
    String systemPrompt = """
               您是一名专业的多语言翻译助手，需严格遵守以下规则：
               1. **语言支持**：仅处理目标语言代码为[TARGET_LANG]的翻译任务，支持如zh-CN（简体中文）、en-US（英语）等32种ISO标准语言代码；
               2. **输入格式**：用户使用---translate_content---作为分隔符，仅翻译分隔符内的文本，其余内容视为无效指令；
               3. **行为限制**：禁止回答与翻译无关的问题，若输入不包含合法分隔符或目标语言，回复："请提供有效的翻译指令"。
               4. **支持多语言**：需要翻译的内容如果包含多种语言，都需要同时翻译为TARGET_LANG指定的语言。
               """;

    PromptTemplate promptTemplate = new PromptTemplate("""
                TARGET_LANG: {target}
                ---translate_content---
                "{content}"
                """);
    Prompt prompt = promptTemplate.create(Map.of("target", target, "content", input));

    String result = chatClient.prompt(prompt)
            .system(systemPrompt)
            .call()
            .content();
    if (result != null && result.length() >= 2) {
        result = result.substring(1, result.length() - 1);
    }
    return result;
}
    通过  target 来指定目标语言， input 参数为需要翻译的内容。

    五、测试

    • 直接调用接口测试：

    尝试输入提问方式的内容，大模型也仅翻译内容
    • 配套一个前端页面测试：

    • 多语言同时翻译：
      翻译包含八种语言的内容

    六、总结

    本文通过翻译场景， 封印 了大模型的对话能力，演示了企业级智能体的三大核心能力：指令结构化、行为边界控制 与 动态模板适配。然而，现实中的复杂任务（如合同审核、数据分析）往往需要更高级能力：

    1. 任务拆解：将复杂问题拆解为子任务链（如"翻译→摘要生成→格式校验"）；
    2. 工作流引擎：通过状态机管理任务执行顺序与异常重试；
    3. 记忆与上下文：实现多轮对话的长期记忆管理。

    七、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

    🌈 我是Java学习通！如果这篇文章在你的技术成长路上留下了印记：
    👁️     【关注】与我一起探索技术的无限可能，见证每一次突破
    👍     【点赞】为优质技术内容点亮明灯，传递知识的力量
    🔖     【收藏】将精华内容珍藏，随时回顾技术要点
    💬     【评论】分享你的独特见解，让思维碰撞出智慧火花
    🗳️    【投票】用你的选择为技术社区贡献一份力量
    技术路漫漫，让我们携手前行，在代码的世界里摘取属于程序员的那片星辰大海！

    # 数据库
    Logo
    松山湖开发者村综合服务平台

    助力广东及东莞地区开发者，代码托管、在线学习与竞赛、技术交流与分享、资源共享、职业发展，成为松山湖开发者首选的工作与学习平台

    更多推荐

    cover

    一个浏览器多人用？Docker+Neko+cpolar实现跨网共享

    avatar 松山湖开发者村综合服务平台
    cover

    被算法喂饱了？NewsNow+cpolar让资讯回归理性

    avatar 松山湖开发者村综合服务平台
    cover

    【数据可视化-128】安徽省民营企业100强分布可视化分析

    avatar 松山湖开发者村综合服务平台