Spring AI 实战：第一章、Spring AI入门之DeepSeek调用

引言：当Spring遇上AI，会擦出怎样的火花？

作为一名Java开发者，是否曾经眼红Python阵营那些花里胡哨的AI应用？是否在对接各种大模型API时，被五花八门的接口规范搞得头大？好消息是，Spring家族的新成员——Spring AI，正在用Java开发者最熟悉的方式，为我们打开AI应用开发的新世界大门。

一、Spring AI初探 - 你的AI管家

1.1 为什么需要Spring AI？

场景假设

• 你的老板说："我们要做个智能客服，先用OpenAI，下个月换Claude，年底可能用Gemini..."
• 产品经理要求："这个AI回答要能直接转成我们的领域对象"
• 运维大哥抱怨："AI调用太慢了，能不能给个监控看板？"

解决方案

将Spring AI框架集成到应用当中，它是一个专注于AI工程的应用框架；旨在将Spring生态的设计原则（如可移植性、模块化）引入AI领域，简化企业数据或者API服务与大模型的集成，将大模型的调用通过普通Java对象来封装，降低开发复杂度‌，从而高效构建企业智能应用

// 不管底层是哪个AI服务，调用方式都一样
String joke = aiClient.generate("讲个程序员笑话");

1.2 核心能力

分类	功能描述
多模型支持‌	支持主流AI模型提供商（如OpenAI、Anthropic、Google、Microsoft等），覆盖多种模型类型： 聊天补全（Chat Completion） 嵌入（Embedding） 文本生成图像/语音（Text-to-Image/Text-to-Speech） 音频转录（Audio Transcription） 内容审核（Moderation）
统一API接口‌	提供跨AI厂商的‌便携式API‌（同步与流式调用），支持模型特定功能扩展，降低厂商锁定风险。
结构化输出映射‌	将AI模型输出直接映射为POJOs，简化数据解析流程
向量数据库集成‌	支持主流向量数据库（如Redis、PostgreSQL/PGVector、MongoDB等），提供类SQL的元数据过滤API，增强检索灵活性。
工具与实时交互‌	函数调用（Function Calling）‌: 允许AI模型调用客户端工具/函数，获取实时数据（如天气、股票信息）。
企业级支持‌	可观测性（Observability）‌: 监控AI操作性能与行为。 ‌文档ETL框架‌: 数据预处理管道，支持文档注入与结构化处理。 ‌模型评估工具‌: 检测生成内容的准确性与合理性，防止“幻觉”响应。
开发者友好设计‌	ChatClient API‌: 类似Spring WebClient的流畅API，简化与AI模型的交互。 ‌Advisors API‌: 封装常见生成式AI模式（如数据转换、模型适配），提升代码可复用性。 ‌对话记忆（Chat Memory）与RAG（检索增强生成）‌: 支持上下文记忆及结合外部数据的增强生成。
快速集成‌	Spring Boot自动配置与Starter依赖，通过start.spring.io快速选择AI模型或向量存储，简化项目搭建。

二、实战DeepSeek - 从手动到自动

2.1 手动执行请求

API-KEY的获取

进入DeepSeek开放平台 DeepSeek ，完成账号的注册与充值（开发学习时可以少充一点费用），点击 API keys创建个人专属API key 并保存下来

curl手动执行

填写上正确的Key后执行curl发起Http请求，快速得到响应结果

curl https://api.deepseek.com/chat/completions \-H "Content-Type: application/json" \-H "Authorization: Bearer <DeepSeek API Key>" \-d '{"model": "deepseek-chat","messages": [{"role": "system", "content": "You are a helpful assistant."},{"role": "user", "content": "讲一个笑话"}],"stream": false}'

{"id": "0e8dd4b9-694e-417b-888a-7be54a77633f","object": "chat.completion","created": 1742744584,"model": "deepseek-chat","choices":[{"index": 0,"message":{"role": "assistant","content": "当然！这是一个经典的笑话：\n\n有一天，小明去面试。面试官问他：“你有什么特长吗？”\n\n小明想了想，认真地说：“我会预测未来。”\n\n面试官笑了笑：“那你预测一下，你什么时候能被录用？”\n\n小明淡定地回答：“这个嘛……我预测我不会被录用。”\n\n面试官愣了一下，笑着说：“你被录用了！我们需要你这样的人才！”\n\n😄"},"logprobs": null,"finish_reason": "stop"}],"usage":{"prompt_tokens": 12,"completion_tokens": 74,"total_tokens": 86,"prompt_tokens_details":{"cached_tokens": 0},"prompt_cache_hit_tokens": 0,"prompt_cache_miss_tokens": 12},"system_fingerprint": "fp_3a5770e1b4_prod0225"
}

返回数据以JSON格式，解析格式中的content内容得到为大模型给我们讲的笑话。

2.2 代码自动发起

创建第一个Spring AI工程

访问 https://start.spring.io/ 按截图所示勾选依赖，生成代码框架

Spring Boot 3.x

JDK 17+

spring-ai-openai-starter（是的，它能兼容DeepSeek）

将生成的代码导入到IDEA中，启动应用

很遗憾，竟然没有启动起来，出现一个OpenAI API key must be set. Use the connection property: spring.ai.openai.api-key or spring.ai.openai.chat.api-key property的错误，

很明显是没有配置对应的API key，打开application.properties进入参数配置后发现启动成功

配置application.properties

spring.application.name=hellospring.ai.openai.api-key=换成个人的DeepSeek API keyspring.ai.openai.base-url=https://api.deepseek.comspring.ai.openai.chat.options.model=deepseek-chat

编写Controller

@RestController
public class HelloController {private ChatClient chatClient;public HelloController(ChatClient.Builder builder) {this.chatClient = builder.build();}@GetMapping("/hello")public String hello(@RequestParam(value = "input", defaultValue = "讲一个笑话") String input) {return chatClient.prompt(input).call().content();}
}

打开浏览器访问 http://localhost:8080/hello 得到结果

三、流式响应-打字机效果

3.1 Reactor初体验

通常大模型的响应耗时较长，为了优化用户体验，ChatGPT等厂商纷纷采用流式输出；我们可以通过Reactor框架来实现，它是一个响应式编程库，提供构建异步和非阻塞应用程序的能力。

private ExecutorService executor = new ThreadPoolExecutor(1, 1, 0L, TimeUnit.MICROSECONDS, new LinkedBlockingQueue<>(10));@GetMapping(value = "/mock/stream", produces = "text/html;charset=UTF-8")
public Flux<String> mockStream() {Sinks.Many<String> sink = Sinks.many().multicast().onBackpressureBuffer();executor.submit(() -> {for (int i = 0; i < 100; i++) {sink.tryEmitNext(i + " ");try {Thread.sleep(100);} catch (InterruptedException e) {throw new RuntimeException(e);}}});return sink.asFlux();
}

Sinks.Many 用于创建多值(Multi-Value)的发布者（Publisher）的一种机制，它允许用户将数据从一个地方发送到多个订阅者，示例中启动异步线程做写入操作，通过asFlux获取Flux对象；启动看效果：

3.2 大模型的流式输出

@GetMapping(value = "/hello/stream", produces = "text/html;charset=UTF-8")public Flux<String> helloStream(@RequestParam(value = "input", defaultValue = "讲一个笑话") String input) {return chatClient.prompt(input).stream().content();}

把前面的call方法修改为stream即可，最终返回一个Flux对象,搞定流式输出~

四、OpenAI的starter兼容DeepSeek？

DeepSeek

观察pom.xml文件发现配置的是spring-ai-openai-starter却配置DeepSeek的URL，是不是觉得有点魔幻？

<dependency><groupId>org.springframework.ai</groupId><artifactId>spring-ai-openai-spring-boot-starter</artifactId>
</dependency>

其实这是Spring AI的"障眼法"：

1. OpenAI的API规范已成为事实标准
2. DeepSeek等国内服务兼容这套规范
3. Spring AI利用"可移植API"设计，实现一套代码多处使用

就像JDBC驱动可以连接不同数据库，Spring AI的客户端也能适配不同AI服务。

通义千问

类似的，阿里系通义大模型也同样适用OpenAI这套访问规范。

在百炼控制台 创建个人专属API-KEY（有免费的额度）

在application.properties修改配置

spring.ai.openai.api-key=sk-xxxspring.ai.openai.base-url=https://dashscope.aliyuncs.com/compatible-mode
# 指定模型
spring.ai.openai.chat.options.model=qwen-plus

五、生产环境必备 - 给你的AI装上监控

老板问："AI花了多少钱？效果怎么样？" ,不用慌，可以通过监控来解决

添加监控依赖

<dependency><groupId>org.springframework.boot</groupId><artifactId>spring-boot-starter-actuator</artifactId>
</dependency>
<dependency><groupId>io.micrometer</groupId><artifactId>micrometer-registry-prometheus</artifactId>
</dependency>

启动监控

management.endpoints.web.exposure.include=health,metrics,prometheus
spring.ai.observability.enabled=true

访问/actuator/prometheus，将看到：(如何配合grafana可视化效果会更加直观)

结语：未来以来

Spring AI的出现，为Java开发者提供一整套大模型应用研发基础底座，为众多Java生态企业级的应用迈向AI领域开辟一条航向； AI时代已然到来，让我们一起扬帆起航~~~