SpringAI介绍及SpringBoot+SpringAI+DeepSeek实现案例

原创已于 2025-06-22 22:20:01 修改 · 1.0k 阅读

18 ·

CC 4.0 BY-SA版权

文章标签：

#spring boot #后端 #java #ai

于 2025-06-22 22:19:03 首次发布

AI 专栏收录该内容

1 篇文章

订阅专栏

一、SpringAI介绍

1.1 定义

Spring AI是Spring官方社区项目，旨在简化Java AI应用程序开发，让Java开发者像使用Spring开发普通应用一样开发AI应用。它将人工智能能力无缝集成到Spring生态系统中，为Java开发者提供了一套工具和框架，使得在Spring应用程序中使用AI技术变得更加简单和高效。

1.2 特点

统一的API抽象：支持多种主流AI服务，如OpenAI、Anthropic、Hugging Face、DeepSeek、Google、Microsoft、Amazon等，开发者可通过标准化接口调用，无需关注不同服务差异，降低代码复杂性，提高可维护性和可移植性，便于在不同AI服务间切换。例如，调用不同模型的聊天功能时，只需使用Spring AI提供的统一的ChatClient接口。
丰富的模型支持：涵盖多种类型的AI模型，包括聊天、文生图、嵌入式模型等。在聊天模型方面，支持OpenAI的ChatGPT系列、Anthropic的Claude等；文本到图像模型中，支持OpenAI的DALL - E、Stability AI等；还提供音频转录和文本到语音模型支持，以及嵌入模型用于将文本或多模态内容转换为向量表示，满足不同领域和场景的应用需求。
低代码集成：借助Spring Boot Starter依赖，实现低代码集成AI服务。开发者只需在项目中添加相应依赖，并在配置文件中配置好AI服务的相关参数，如API Key、基础URL等，即可快速接入AI服务。以接入OpenAI服务为例，在Maven项目中添加spring - ai - openai - spring - boot - starter依赖，然后在application.yml文件中配置OpenAI的API Key和基础URL，就可在代码中直接使用其模型服务。
结构化数据输出：能够将模型的响应直接映射为Java对象，实现结构化数据输出。通过提供OutputParser接口，可根据预定义规则将AI模型返回的自然语言响应解析为结构化的Java对象，如POJO，方便后续的数据处理和存储。例如，在诗歌生成应用中，可将AI模型返回的诗歌文本解析为包含作者、朝代、标题、内容等字段的Java对象。
流式数据响应：支持Flux流式输出，适用于实时对话等高并发场景。在实时对话系统中，用户与聊天机器人交互时，可实现逐字生成响应内容，提升用户体验。
多模态支持：不仅支持文本处理，还能轻松处理图像、音频等多模态数据，API设计保持一致性。例如，可将图片等资源添加到消息对象中，一起发送给AI进行处理。
向量存储增强与RAG框架：提供更完善的向量存储抽象，支持Pinecone、Milvus、Weaviate等主流向量数据库。内置完整的RAG（检索增强生成）框架，让构建企业知识库变得更加简单。
提示工程工具集：引入强大的提示工程工具，让提示模板更灵活。开发者可通过配置模板并填充变量，生成特定的提示内容，提高与AI模型交互的效果。
模型评估与监控：新增模型评估框架，提供与Spring Boot Actuator的无缝集成，可对AI应用运行状况进行监控，包括模型延迟、token使用情况、工具调用和检索等关键指标，方便开发者进行故障排除和性能优化。

1.3 核心功能

机器学习（Machine Learning）：支持与主流机器学习框架（如TensorFlow、PyTorch）的集成，提供模型训练、评估和部署的工具，支持分布式训练和推理。
自然语言处理（NLP）：提供文本分类、情感分析、命名实体识别等功能，支持与现有NLP库（如spaCy、Hugging Face Transformers）的集成，支持生成式AI模型（如GPT、LLaMA）的调用。
计算机视觉（Computer Vision）：支持图像分类、目标检测、图像分割等任务，提供与OpenCV、TensorFlow等计算机视觉库的集成。
AI模型管理：提供模型版本控制、部署和监控功能，支持模型的生命周期管理。
云AI服务集成：支持与主流云AI服务（如AWS SageMaker、Google AI Platform、Azure Machine Learning）的集成，提供统一的API来调用云端AI功能。

1.4 应用场景

智能客服系统：利用自然语言处理功能理解用户问题，并给出相应解答。通过Spring AI提供的自然语言处理工具处理用户输入的文本，利用机器学习模型预测用户问题的意图，最终给出回答。例如，电商平台的智能客服可快速响应用户关于商品信息、订单状态等问题。
图像识别应用：在图像管理系统中，使用Spring AI集成图像识别模型，对上传的图片进行自动分类和标注。如安防领域可通过图像识别技术识别监控画面中的人物、物体等。
数据分析与预测：在金融风险预测等应用里，借助Spring AI集成机器学习模型，对金融数据进行分析和预测，帮助企业做出决策。例如，银行可通过分析客户的信用数据、交易记录等，预测客户的违约风险。
智能推荐系统：利用机器学习算法分析用户行为，提供个性化推荐。如电商平台根据用户的浏览历史、购买记录等，为用户推荐符合其兴趣的商品。
自动文档处理：使用NLP技术自动提取和分析文档中的关键信息。例如，企业可自动处理合同、报告等文档，提取重要条款和数据。

二、搭建springboot+springAI+deepSeek实现案例

3.1 环境准备

JDK：JDK 17或更高版本，推荐使用JDK 21。可通过命令 java - version 检查JDK版本，若未安装，可从Oracle官网或OpenJDK官网下载安装。
构建工具：Maven或Gradle。
DeepSeek API Key：可通过DeepSeek官网（DeepSeek ）注册获取，可能需要购买才能访问

3.2 创建Spring Boot项目

使用Spring Initializr：访问https://start.spring.io/ ，进行如下配置：
- Project：选择Maven Project。
- Language：选择Java。
- Spring Boot Version：选择3.2.x及以上版本。
- Dependencies：勾选Spring Web、Spring AI OpenAI Starter、Lombok（可选）、Spring Boot DevTools（可选，用于开发时的热部署）。
- 点击“Generate”按钮下载项目压缩包，并解压到本地。
使用IDEA：在IDEA中创建Spring Boot项目，填写项目名字、保存位置、类型选择Maven、包名等信息，在选择依赖时勾选上述相关依赖，然后点击“Create”。

3.3 添加依赖

在项目的pom.xml文件中添加以下依赖：

<properties>  
    <java.version>17</java.version>  
    <spring-ai.version>1.0.0</spring-ai.version> 
</properties> 
<dependencies> 
    <dependency> 
        <groupId>org.springframework.boot</groupId> 
        <artifactId>spring-boot-starter-web</artifactId> 
    </dependency> 
    <dependency>  
        <groupId>org.springframework.ai</groupId>  
        <artifactId>spring-ai-starter-model-deepseek</artifactId>  
    </dependency> 
    <dependency>  
        <groupId>org.springframework.boot</groupId>  
        <artifactId>spring-boot-starter-test</artifactId>  
        <scope>test</scope>  
    </dependency> 
</dependencies> 
<dependencyManagement>
	<dependencies>
		<dependency>
			<groupId>org.springframework.ai</groupId>
			<artifactId>spring-ai-bom</artifactId>
			<version>${spring-ai.version}</version>
			<type>pom</type>
			<scope>import</scope>
		</dependency>
	</dependencies>
</dependencyManagement>

3.4 配置文件

在application.yml中添加DeepSeek的配置信息：

server:  
  port: 8080 
spring:  
  ai:  
    deepseek:  
      api-key: sk - your - api - key  
      base-url: https://api.deepseek.com  
      chat:  
        options:  
          model: deepseek-chat

其中，api - key是在DeepSeek官网注册后获取的密钥，base - url是DeepSeek API的服务地址，model指定使用的模型版本。DeepSeek目前支持deepseek - chat（V3）适用于聊天机器人、智能客服、内容生成等；deepseek - reasoner（R1）专为复杂推理任务设计。

3.5 编写代码

创建一个控制器类，用于处理与DeepSeek的交互，示例代码如下：

package com.springaidemo.control;

import jakarta.annotation.Resource;
import org.springframework.ai.chat.messages.UserMessage;
import org.springframework.ai.chat.model.ChatResponse;
import org.springframework.ai.chat.prompt.Prompt;
import org.springframework.ai.deepseek.DeepSeekChatModel;
import org.springframework.web.bind.annotation.GetMapping;
import org.springframework.web.bind.annotation.RequestMapping;
import org.springframework.web.bind.annotation.RequestParam;
import org.springframework.web.bind.annotation.RestController;
import reactor.core.publisher.Flux;

import java.util.Map;

@RestController
@RequestMapping("/api/chat")
public class ChatController {

    @Resource
    private DeepSeekChatModel chatModel;

    @GetMapping("/ai/generate")
    public Map<String, String> generate(@RequestParam(value = "message", defaultValue = "Tell me a joke") String message) {
        return Map.of("generation", chatModel.call(message));
    }

    @GetMapping("/ai/generateStream")
    public Flux<ChatResponse> generateStream(@RequestParam(value = "message", defaultValue = "Tell me a joke") String message) {
        var prompt = new Prompt(new UserMessage(message));
        return chatModel.stream(prompt);
    }

}

在上述代码中，generate 方法用于处理普通的非流式请求，generateStream 方法支持流式响应，能够实时返回AI的推理结果。