目录

一、Spring AI 简单实用例子

1、环境要求

2、Deepseek对话案例

（1）添加 Maven 依赖（pom.xml）

（2）配置文件（application.properties）

（3） 创建控制器（ChatController）

二、Chat Models 核心功能详解

1、基础聊天功能

2、流式聊天（Streaming Response）

3、运行时参数设置

---

一、Spring AI 简单实用例子

1、环境要求

Spring AI 构建于 Spring Boot 3.x 之上，因此对 Java 版本有明确要求：

• 最低支持 JDK 17
• 不再支持 JDK 8、11、16 等低于 17 的版本

请确保开发环境已安装并配置好 JDK 17 或更高版本。

2、Deepseek对话案例

本节以 Deepseek 模型为例，演示如何在 Spring Boot 应用中集成 Spring AI 实现基本的 AI 聊天功能。

（1）添加 Maven 依赖（pom.xml）

<dependency> 
  <groupId>org.springframework.ai</groupId> 
  <artifactId>spring-ai-starter-model-deepseek</artifactId> 
</dependency>

（2）配置文件（application.properties）

spring.application.name=SpringAIQuickStart

server.port=8080

#配置 Deepseek的基础URL、密钥和使用模型
spring.ai.deepseek.base-url=https://api.deepseek.com
#Deepseek开放平台申请，并设置
spring.ai.deepseek.api-key=${deepseek-api-key}
spring.ai.deepseek.chat.options.model=deepseek-chat

# 介于0和2之间，0表示随机性最小，2表示随机性最大。
spring.ai.deepseek.chat.options.temperature=0.8

（3） 创建控制器（ChatController）

@Autowired
    private DeepSeekChatModel chatModel;

    @GetMapping("/generate")
    public String generate(@RequestParam(value = "message", defaultValue = "你是谁") String message) {
        System.out.println("收到消息："+message);
        String result = chatModel.call(message);
        //模型返回的内容
        System.out.println(result);
        return result;
    }

二、Chat Models 核心功能详解

Spring AI 提供统一的 Chat Model API，屏蔽底层不同 AI 模型厂商的差异。支持主流模型平台，包括：

• OpenAI（ChatGPT）
• Anthropic（Claude）
• Google Gemini
• Amazon Bedrock
• Ollama（本地模型）
• Deepseek 等国产模型

所有模型均遵循一致的编程接口，便于灵活切换和维护。

1、基础聊天功能

@GetMapping("/generate")
    public String generate(@RequestParam(value = "message", defaultValue = "给我讲个笑话") String message) {
        System.out.println("收到消息："+message);
        String result = chatModel.call(message);
        //模型返回的内容
        System.out.println(result);
        return result;
    }

2、流式聊天（Streaming Response）

流式输出可实现“逐字输出”效果，提升用户体验，尤其适用于网页聊天界面。

方式一：返回 Flux<ChatResponse>（含完整响应对象）

//流式获取模型返回的内容，获取返回的 ChatResponse 对象内容
    @GetMapping("/generateStream1")
    public Flux<ChatResponse> generateStream1(@RequestParam(value = "message", defaultValue = "给我讲个笑话") String message) {
        System.out.println("收到消息："+message);
        var prompt = new Prompt(new UserMessage(message));
        return chatModel.stream(prompt);
    }

方式二：仅返回文本流 Flux<String>

    //流式获取模型返回的内容，获取返回的 Text 内容
    @GetMapping("/generateStream2")
    public Flux<String> generateStream2(
            @RequestParam(value = "message", defaultValue = "给我讲个笑话") String message,
            HttpServletResponse response) {
        // 避免返回乱码
        response.setCharacterEncoding("UTF-8");

        System.out.println("收到消息："+message);
        var prompt = new Prompt(new UserMessage(message));

        return chatModel.stream(prompt)
                .mapNotNull(chatResponse -> chatResponse.getResult().getOutput().getText());
    }

3、运行时参数设置

对于一些请求可能需要不同的行为参数，例如：模型回复更高的随机性，这时候就需要在项目运行时进行参数覆盖，这就是Spring AI的运行时参数设置。

@GetMapping("/runtimeOptions")
    public String runtimeOptions(
            @RequestParam(value = "message") String message,
            @RequestParam(value = "temp", required = false) Double temp
    ) {
        System.out.println("收到消息："+message);

        Prompt prompt;
        if (temp != null) {
            // 构建带 temperature 的 DeepSeekChatOptions，覆盖默认 temperature
            var opts = DeepSeekChatOptions.builder()
                    .temperature(temp)
                    .build();
            prompt = new Prompt(message, opts);
            System.out.println("使用运行时覆盖 temperature=" + temp);
        } else {
            // 无 temperature 传入时，使用默认配置
            prompt = new Prompt(message);
            System.out.println("使用默认 temperature");
        }

        ChatResponse resp = chatModel.call(prompt);
        String result = resp.getResult().getOutput().getText();
        System.out.println("模型返回："+ result);
        return result;
    }