Spring AI内置DeepSeek的详细步骤

Spring AI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。

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）。

SpringAI 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：DeepSeek 开放平台

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：

• 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？

到此这篇关于Spring AI内置DeepSeek的详细步骤的文章就介绍到这了,更多相关Spring AI内置DeepSeek内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家！

最新评论