当前位置：首页 > news >正文

基于Spring AI与Ollama构建本地DeepSeek对话机器人

news 2025/11/4 16:40:37

1、安装ollama：

打开Ollama下载官网，根据自己的操作系统下载相应版本的安装文件。
由于Ollama默认安装在C盘，而Ollama和模型文件都非常大，如果安装在C盘非常占用系统空间，可以使用下面的方法将Ollama安装到指定为止
打开下载Ollama的文件夹位置，并在地址栏中输入cmd，打开命令行窗口
在命令行中输入OllamaSetup.exe /DIR="D:\ollama",将Ollama安装到D盘Ollama文件夹
安装完成后，在命令行窗口中输入ollama -h若出现如下图所示则说明Ollama安装成功。

2、修改Ollama模型下载位置
在我的电脑上点击鼠标右键，选择“属性”，在打开的设置窗口中找到“系统”—“高级系统设置”，如下图所示
在打开的系统属性窗口中点击“环境变量”，在环境变量对话框中点击“系统变量”中的新建按钮，弹出新建环境变量窗口，如系统所示。在新建系统变量中输入变量名：OLLAMA_MODELS，变量值：D:\ollama\models，完成后点击确定

3、下载DeepSeek，在ollama官网的Models菜单下，找到deepseek-r1,点击打开

4、选择deepseek不同参数的模型，可以看到后面的ollama指令跟着变化，我用的是笔记本，太大的模型跑不起来，选择的是1.5b参数的模型，复制后面的ollama run deepseek-r1:1.5b,然后再命令行中粘贴这行指令，然后回车，即可下载该模型

5、下载完成后就可以在命令行窗口中输入问题来与deepseek进行交互了。

6、打开IDEA，点击NewProject，创建新工程，在新工程窗口中选择SpringBoot工程，项目名称填写ai-chart-robot，选择项目存放位置，语言选择Java，类型选择Maven，JDK版本选择17，其他选择默认，点击Next
在这里插入图片描述
7、在依赖中勾选Web—Spring Web；AI–Ollama；完成后点击Create

8、修改配置文件后缀为yaml

9、配置模型信息，在application.yaml中配置ollama相关信息

spring:
  application:
    name: ai-chart-robot
  ai:
    ollama:
      base-url: http://localhost:11434
      chat:
        model: deepseek-r1:1.5b

10、在com.ray.ai包下新建config包，并新建CommonConfiguration，作为配置类，在该类上添加@Configuration注解，并新建一个ChatClient，

@Configuration
public class CommonConfiguration {
    @Bean
    public ChatClient chatClient(OllamaChatModel model){
        return ChatClient
                .builder(model)
                .build();
    }
}

11、引入lombok依赖
在pom.xml文件中引入lombok依赖

<dependency>
			<groupId>org.projectlombok</groupId>
			<artifactId>lombok</artifactId>
			<version>1.18.34</version>
</dependency>

12、在com.ray.ai包下新建controller包，并新建ChatController控制器类

13、在ChatController控制器类上添加RestController注解，添加@RequestMapping注解和equiredArgsConstructor注解；引入ChatClient，并新建一个Chat接口，代码如下

@RequiredArgsConstructor
@RestController
@RequestMapping("/ai")
public class ChatController {
    private final ChatClient chatClient;

    @RequestMapping("/chat")
    public String chat(String prompt){
        return chatClient.prompt()
                .user(prompt) 
                .call()
                .content();
    }
}

14、运行项目，在浏览器中调用localhost://8080/ai/chat?prmpot=你是谁，可以看到如下回答
在这里插入图片描述
15、修改为流式输出，上面的call方法是阻塞式调用，我们在新建一个接口，使用流式调用

 @RequestMapping("/chatStream")
    public Flux<String> chatStream(String prompt){
        return chatClient.prompt()
                .user(prompt) 
                .stream()
                .content(); 
    }

16、重新运行代码后，在浏览器输入chatStream接口并调用，发现显示的是乱码，这是因为流式输出默认采样的是Event事件流的方式，默认情况下，Event事件流是没有编码的
在这里插入图片描述
17、在@RequestMapping中添加以下代码 produces = "text/html;charset=utf-8",完整代码如下

@RequestMapping(value = "/chatStream", produces = "text/html;charset=utf-8")
    public Flux<String> chatStream(String prompt){
        return chatClient.prompt()
                .user(prompt) // 用户提示词
                .stream() // 流式调用
                .content(); // 获取响应结果
    }

18、再次刷新浏览器，
在这里插入图片描述
至此，一个简单的AI聊天机器人就已经初具雏形了。
后续有时间再开发一个前端聊天界面，并实现对话记忆和历史对话功能。