SpringAI+DeepSeek大模型应用开发实战

内容来自黑马程序员

这里写目录标题

• 认识AI和大模型
• 大模型应用开发
• • 模型部署方案对比
  • 模型部署-云服务
  • 模型部署-本地部署
  • 调用大模型
  • 什么是大模型应用
  • • 传统应用和大模型应用
    • 大模型应用
  • 大模型应用开发技术架构
• SpringAI
• • 对话机器人
  • • 快速入门
    • 会话日志
    • 会话记忆

认识AI和大模型

• AI的发展
  AI，人工智能（Artificial Intelligence），使机器能够像人类一样思考、学习和解决问题的技术。
  
• 大语言模型

我们所熟知的大模型 （Large Language Models， LLM），例如GP、DeepSeek底层都是采用Transformer神经网络模型。

• Transformer
  
  

大模型应用开发

模型部署方案对比

模型部署-云服务

国内知名的云服务平台都提供了全球知名的大模型的私有部署功能，甚至还提供了这些模型的API开发平台，无需部署就能提供。

云平台	公司	地址
阿里百炼	阿里巴巴	https://bailian.console.aliyun.com
干帆平台	百度	https://console.bce.baidu.com/qianfan/overview
腾讯TI平台	腾讯	https://cloud.tencent.com/product/ti
SiliconCloud	硅基流动	https://siliconflow.cn/zh-cn/siliconcloud
火山方舟-火山引擎	字节跳动	https://www.volcengine.com/product/ark

模型部署-本地部署

本地部署最简单的一种方案就是使用ollama，官网地址：https//ollama.com

调用大模型

以下是DeepSeek官方给出的一段API实例代码：

# Please install OpenAI SDK first: `pip3 install openai`

from openai import OpenAI

client = OpenAI(api_key="<DeepSeek API Key>", base_url="https://api.deepseek.com")

response = client.chat.completions.create(
    model="deepseek-chat",
    messages=[
        {"role": "system", "content": "You are a helpful assistant"},
        {"role": "user", "content": "Hello"},
    ],
    stream=False
)

print(response.choices[0].message.content)

什么是大模型应用

传统应用和大模型应用

大模型应用是基于大模型的推理、分析、生成能力，结合传统编程能力，开发出的各种应用。

大模型应用

大模型	对话产品	公司	地址
GPT-3.5、GPT-4o	ChatGPT	OpenAI	https://chatgpt.com/
Claude 3.5	Claude AI	Anthropic	https://claude.ai/chats
DeepSeek-R1	DeepSeek	DeepSeek	https://www.deepseek.com/
文心大模型3.5	文心一言	百度	https://yiyan.baidu.com/
星火3.5	讯飞星火	科大讯飞	https://xinghuo.xfyun.cn/desk
Qwen-Max	通义千问	阿里巴巴	https://tongyi.aliyun.com/qianwen/
Moonshoot	Kimi	月之暗面	https://kimi.moonshot.cn/
Yi-Large	零一万物	零一万物	https://platform.lingyiwanwu.com/

大模型应用开发技术架构

SpringAI

对话机器人

快速入门

1. 引入依赖

<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>

2. 配置模型

spring:
  ai:
    ollama:
      base-url: http://localhost:11434
      chat:
        model: deepseek-r1:7b

spring:
  ai:
    openai:
      base-url: https://dashscope.aliyuncs.com/compatible-model
      api-key: ${OPENAI_API_KEY}
      chat:
        options:
          model: qwen-max # 模型名称
          temperature: 0.8 # 模型温柔度，值越大，输出结果越随机

3. 配置客户端

   @Bean
   public ChatClient chatClient(OllamaChatModel model){
       return ChatClient.builder(model)
               .defaultSystem("你是可爱的助手，名字叫小团团")
               .build();
   }

 String content = chatClient.prompt()
          .user("你是谁？")
          .call()
          .content();

// 流式
Flux<String> content = chatClient.prompt()
           .user("你是谁？")
           .stream()
           .content();

会话日志

SpringAI利用了AOP原理提供了AI会话是的拦截、增强等功能，也就是Advisor。

@Bean
public ChatClient chatClient(OllamaChatModel model){
    return ChatClient.builder(model)   // 创建ChatClient工厂实例
            .defaultSystem("你是可爱的助手，名字叫小团团") 
            .defaultAdvisors(new SimpleLoggerAdvisor()) // 配置日志Advisor
            .build(); // 构建ChatClient实例
}

会话记忆

大模型是具备记忆能力的，要想让大模型记住之前聊天的内容，唯一的办法就是把之前聊天的内容与新的提示词一起发给大模型。

from openai import OpenAI

#1.初始化OpenAI客户端
from openai import OpenAI

#1.初始化OpenAI客户端
client = OpenAI(
    api_key="<DeepSeek API Key>",
    base_url="https://api.deepseek.com")

#2.发送http请求到大模型
response = client.chat.completions.create(
    model="deepseek-r1",
    temperature=0.7,
    messages=[
        {"role"："system"，"content"："你是一个热心的AI助手，你的名字叫小团团"}，
        {"role"："user"，"content"："你好，你是谁？ "}，
    ]，
    stream=False
)
# 3.打印返回结果
print(response.choices[o].message.content)

1. 定义会话存储方式

 public interface ChatMemory {
     void add(String conversationId, List<Message> messages);

     List<Message> get(String conversationId, int lastN);

     void clear(String conversationId);
 }

   @Bean
   public ChatMemory chatMemory(){
       return new InMemoryChatMemory();
   }

2. 配置会话记忆

 @Bean
 public ChatClient chatClient(OllamaChatModel model){
     return ChatClient.builder(model)
             .defaultSystem("你是可爱的助手，名字叫小团团")
             .defaultAdvisors(
                     new SimpleLoggerAdvisor(),
                     new MessageChatMemoryAdvisor(chatMemory())
             )
             .build();
 }

3. 添加会话id

Flux<String> content = chatclient.prompt()
    .user（"你好，我叫小明")
    .advisors(a -> a.param(CHAT_MEMORY_CONVERSATION_ID_KEY, chatId))
    .stream()
    .content();

添加会话id到AdvisorContext上下文中