SpringAI和DeepSeek介绍
Spring AI 是 Spring 生态系统中的一个重要项目，旨在将人工智能集成到 Spring 应用程序中，它为 Java 开发者提供了一种便捷的方式来构建、管理和部署 AI 模型。
图片
“
Spring AI 的核心是解决了 Spring 生态和 AI 的快速集成：将您的企业数据和API 与 AI 模型连接起来。
Spring AI 几乎支持所有主流的 AI 模型提供商，例如 Anthropic、OpenAI、Microsoft、Amazon、Google 和 Ollama。支持的功能如下：
- 聊天
- 嵌入附件
- 文本转图片
- 音频转文本
- 文本转音频
Spring AI 最新预览版也将集成 DeepSeek 大模型。
DeepSeek 介绍
DeepSeek 是国内顶尖 AI 团队「深度求索」开发的多模态大模型，具备数学推理、代码生成等深度能力，堪称"AI界的六边形战士"。DeepSeek 最新版本 R1 采用了“思维链”技术，能够展示完整的推理过程，使其在复杂推理任务上表现出色，甚至在某些方面可以与 OpenAI 的 O1 模型相媲美。
DeepSeek 身上的标签有很多，其中最具代表性的标签有以下两个：
- 低成本（不挑硬件、开源、使用简单无需复杂提示词）。
- 高性能（推理能力极强、回答准确）。
Spring AI 集成 DeepSeek 步骤如下。
1.环境准备
在开始集成之前，确保你的开发环境满足以下要求：
- JDK 17 或更高版本
- Maven 或 Gradle 构建工具
- DeepSeek API Key（可通过官网注册获取），申请地址：https://platform.deepseek.com/usage
2.创建SpringBoot项目
使用 Spring Initializr 或其他工具创建一个新的 Spring Boot 项目，确保版本为 3.2.x 或更高。
3.添加依赖
在项目的 pom.xml 文件中添加 SpringAI 和 DeepSeek 的相关依赖。
以下是基于 Maven 的依赖配置示例：
<dependencies>
<dependency>
<groupId>org.springframework.boot</groupId>
<artifactId>spring-boot-starter-web</artifactId>
</dependency>
<dependency>
<groupId>org.springframework.ai</groupId>
<artifactId>spring-ai-openai-spring-boot-starter</artifactId>
</dependency>
</dependencies>4.配置文件
在 application.properties 或 application.yml 文件中添加 DeepSeek 的配置信息：
# 必填项
spring.ai.openai.api-key=you-apikey
spring.ai.openai.base-url=https://api.deepseek.com
# 模型选择（示例使用对话模型）
spring.ai.openai.chat.options.model=deepseek-chat其中，api-key 是你在 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模型介绍
DeepSeek 目前支持以下两种模型：
图片
- deepseek-chat（V3）：适用于聊天机器人、智能客服、内容生成等，能够理解和生成日常对话内容。
- deepseek-reasoner（R1）：专为复杂推理任务设计，适合解决需要深度逻辑分析和推理的问题。
5.编写代码
创建一个控制器类，用于处理与 DeepSeek 的交互，以下是一个简单的示例：
import org.springframework.beans.factory.annotation.Autowired;
import org.springframework.web.bind.annotation.*;
@RestController
@RequestMapping("/api/chat")
public class ChatController {
@Autowired
private DeepSeekClient deepSeekClient;
@PostMapping
public String chat(@RequestBody String message) {
return deepSeekClient.chatCompletion(message).getOutput().getContent();
}
@GetMapping(value = "/stream", produces = "text/event-stream")
public Flux<String> chatStream(@RequestParam String message) {
return deepSeekClient.chatFluxCompletion(message)
.map(response -> response.getOutput().getContent());
}
}在上述代码中，chat 方法用于处理普通的非流式请求，而 chatStream 方法则支持流式响应，能够实时返回 AI 的推理结果。
课后思考：关于流式输出
大模型的响应速度是很慢的，为了避免用户用户能够耐心等待输出的结果，我们通常会使用流式输出一点点将结果输出给用户，那么问题来了，想要实现流式结果输出，后端和前端要如何配合？后端要使用什么技术实现流式输出呢？
