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
com.alibaba.cloud.ai
spring-ai-alibaba-starter
增加仓库的配置
alimaven
https://maven.aliyun.com/repository/public
spring-milestones
https://repo.spring.io/milestone
false
spring-snapshots
https://repo.spring.io/snapshot
false
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 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：
- 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；
- 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；
- 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；
- 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