集成:DeepSeek,豆包,混元,通义千问。
一、简介
2025年7月份,开始转型独立开发者。
第一款尝试的产品自然是AI方向,此前不具备专业的产品经验,所以只能更多的依赖大模型的能力。
年初DeepSeek成功证明模型即产品的理念,所以第一款产品尽量降低传统的产品设计思维,会把场景和流程交给大模型去处理,通过反复测试来调整干预的权重,找到一个相对平衡的比例。
有时候在反思,自己的脑回路会不会限制AI的发挥。
在产品的初期,先选择接入四款大模型,深度求索的DeepSeek,字节跳动的豆包,腾讯的混元,阿里的通义千问。
模型即产品,那产品是什么?
当然每家的大模型,都有自己的能力特点,这里只是从产品的整体功能考量,这几款模型可能更适合,后续可能也会在实践中做动态调整。
二、大模型自评
如何快速熟悉大模型的能力?多提问题,多和它来回拉扯。
首先给这几款大模型,抛出一个灵魂拷问:
作为一款很强的大模型,请你客观的分析DeepSeek,豆包,千问,混元,这四款大模型的差异,并从综合能力的角度给个排序。
看热闹不嫌事大,先让大模型自我分析一把,验证一下自己对它们的预期。
DeepSeek回答:

豆包回答:

通义千问回答:

混元回答:

各个大模型对于能力的排序,权当个热闹看一看。
不过有个结论可以得出来的:不同平台的业务和数据有很大差异,所以训练出来的模型能力也有差异。
此前文章中写过DeepSeek的代码测评,确实很惊艳;豆包的产品化能力,方便解决很多生活问题;混元经常用来分析行业热门事件;通义千问常用来提供业务设计的参考。
所以产品的不同功能,交给不同的大模型来处理,是比较合理的策略。
三、SpringBoot集成
从产品的业务需求出发,来设计后端框架的模型对接,既然需要集成多款大模型,自然是通用的组件更方便管理,通过测试对比个人倾向使用spring-ai-openai
依赖包。
这几款模型的使用文档,都适配了OpenAI的接口规范,只是豆包有轻微的细节差异。
3.1 版本依赖
这里说一下简单的思路,是先敲定spring-ai-openai
组件的版本,在这个组件中依赖spring-boot
的3.3.6
版本,以此定了后端的框架和版本。
xml
<spring-boot.version>3.3.6</spring-boot.version>
<spring-ai-openai.version>1.0.0-M5</spring-ai-openai.version>
<dependencies>
<dependency>
<groupId>org.springframework.ai</groupId>
<artifactId>spring-ai-openai-spring-boot-starter</artifactId>
<version>${spring-ai-openai.version}</version>
</dependency>
</dependencies>
<!-- SpringBoot依赖 -->
<dependency>
<groupId>org.springframework.boot</groupId>
<artifactId>spring-boot-dependencies</artifactId>
<version>${spring-boot.version}</version>
<type>pom</type>
<scope>import</scope>
</dependency>
3.2 配置和测试
首先看基础的Yaml
配置文件,比较常见的就是请求的地址和方法,然后指定大模型使用的版本名称,这里要注意豆包配置的差异,千问和混元也是一样的方式。
yaml
spring:
# 大模型配置
ai:
openai:
base-url: https://api.deepseek.com
api-key: sk-deep-seek
chat:
# 默认配置
# 豆包大模型使用:/api/v3/chat/completions
completions-path: /v1/chat/completions
options:
model: deepseek-chat
简单做个测试的用例,构建ChatClient
类,传入自定义的提示词,请求DeepSeek大模型,没有使用流式输出,所以请求响应的时间比较长。
java
@RestController
public class TestModelWeb {
private final ChatClient chatClient ;
public TestModelWeb(ChatClient.Builder chatClientBuilder) {
this.chatClient = chatClientBuilder.build();
}
@GetMapping(value = "/client")
public String chatClient() {
String message = "讲个笑话,最好能把我听哭的那一种。";
return chatClient.prompt(new Prompt(message)).call().content();
}
}
3.3 多模型封装
通过配置文件管理模型的集成虽然简单高效,但是产品的场景中有模型动态选择的功能,所以做个简单的封装,在容器中存ChatClient
类,选中哪款调用哪款。
java
/**
* 大模型工厂
* @author 七号楼
* @since 2025-07-02 13:48
*/
@Component
public class ModelFactory {
private static volatile Map<String, ChatClient> modelMap = new HashMap<>();
/**
* 获取模型
* @since 2025-07-03 10:53
*/
public static ChatClient getModel (String modelName){
return modelMap.get(modelName);
}
/**
* 移除模型
* @since 2025-07-03 10:53
*/
public static void removeModel (String modelName){
if (CollUtil.contains(modelMap.keySet(),modelName)){
modelMap.remove(modelName);
}
}
/**
* 添加模型
* @since 2025-07-03 10:53
*/
public static void putModel (OpenAiChatProperties properties,OpenAiChatOptions options){
ChatClient buildClient = buildChatClient(properties,options);
modelMap.put(options.getModel(),buildClient);
}
/**
* 构建ChatClient对话客户端
* @param properties 基础配置
* @param options 选项配置
* @return ChatClient
*/
private static ChatClient buildChatClient(OpenAiChatProperties properties,OpenAiChatOptions options) {
properties.setOptions(options);
OpenAiApi openAiApi = new OpenAiApi(
properties.getBaseUrl(),
properties.getApiKey(),
properties.getCompletionsPath(),
"/v1/embeddings",
RestClient.builder(),
WebClient.builder(),
RetryUtils.DEFAULT_RESPONSE_ERROR_HANDLER);
OpenAiChatModel chatModel = new OpenAiChatModel(openAiApi,options);
return ChatClient.builder(chatModel).build();
}
}
多款大模型的配置信息,统一维护在表中即可,在服务启动时加载一次,初始化ModelFactory
中的Map
容器。
java
@Service
public class ModelConfigServiceImpl extends ServiceImpl<ModelConfigMapper, ModelConfig> implements ModelConfigService {
@PostConstruct
public void init (){
List<ModelConfig> modelList = this.list();
if (CollUtil.isNotEmpty(modelList)){
for (ModelConfig modelConfig:modelList) {
// 基础配置
OpenAiChatProperties properties = new OpenAiChatProperties();
properties.setBaseUrl(modelConfig.getBaseUrl());
properties.setCompletionsPath(modelConfig.getCompletionsPath());
properties.setApiKey(modelConfig.getApiKey());
// 选项配置
OpenAiChatOptions options = OpenAiChatOptions.builder()
.model(modelConfig.getModelVersion())
.temperature(modelConfig.getTemperature())
.build();
// 模型工厂
ModelFactory.putModel(properties,options);
}
}
}
}
简单的测试一下模型动态选择的封装。
java
@RestController
public class TestModelWeb {
@GetMapping(value = "/completion")
public String completion() {
String message = "你是哪个公司开发的?当前使用的是哪个版本的模型?";
return ModelFactory.getModel("qwen").prompt(new Prompt(message)).call().content()
+"<br/><br/>"+
ModelFactory.getModel("hunyuan").prompt(new Prompt(message)).call().content();
}
}
四、最后总结
产品在完成大模型集成后,测试具体的业务场景时,可以先不考虑自定义的干预策略,就看一看大模型能发挥到什么程度。
如果效果不符合预期,再逐步的加入自定义的策略,直到产品和大模型这个"产品"形成默契的配合,建议测试过程放在模型官网的对话框进行。
毕竟独立开发者的收入,已经独立了。
plain
文档仓库:
https://gitee.com/cicadasmile/butte-java-note
源码仓库:
https://gitee.com/cicadasmile/butte-mound