本文详细介绍了如何基于Spring Boot 3、Spring AI和Ollama搭建本地大模型应用，内容包括Ollama在Docker和Linux环境下的部署方法、模型选择指南、Spring AI集成实现对话功能，以及通过MCP协议实现工具调用功能。整个方案无需GPU，完全本地化运行，提供了私有化、低延迟的AI能力，适合Java开发者快速集成大模型能力到企业级应用中。

文章目录

简介

在大模型浪潮席卷各行各业的今天，Java 作为企业级开发的绝对主力，如何无缝接入 AI 能力成为开发者关注的焦点。Spring AI 的诞生，正是为 Java 生态提供了统一、简洁、面向生产的大模型集成方案。

本文将带你从零开始，基于 Spring Boot 3 + Spring AI + Ollama + MCP Client，搭建一个支持 本地大模型调用 与 工具函数调用（Function Calling） 的完整 AI 应用。

  • 如何在本地部署 Ollama 并运行轻量级模型（如 llama3.2:1b、llama3.2:3b）
  • 如何使用 Spring AI 集成 Ollama，实现自然语言对话
  • 如何通过 MCP（Model Context Protocol）Client 实现模型对工具的动态调用，例如查询天气、访问数据库等
  • 无需 GPU、无需联网调用第三方 API、数据完全本地化，真正实现私有化、低延迟、高安全的 AI 能力集成。

Spring Boot

Ollama 官网

导入下载的 Docker 镜像

注： 国内网络原因无法下载镜像，百度网盘镜像文件下载链接 https://pan.baidu.com/s/1O35cPbx6AHWUJL1v5-REzA?pwd=yjsv 提取码: yjsv。

docker load -i eclipse-temurin-17-jre-alpine.tar

Docker 部署 Ollama （推荐）

docker pull ollama/ollama:latest
docker pull ollama/ollama:0.11.4

docker run -d--name ollama -p11434:11434 \-v$PWD/ollama:/root/.ollama \
ollama/ollama:latest
  • 下载 llama3.2:3b 模型
dockerexec-it ollama ollama pull llama3.2:3b

Linux 部署 Ollama

  • 脚本自动安装
curl-fsSL https://ollama.com/install.sh |sh
  • 下载手动安装
curl-LO https://ollama.com/download/ollama-linux-amd64.tgz
sudotar-C /usr -xzf ollama-linux-amd64.tgz
  • 常用基础命令
ollama serve
ollama -v

ollama list
ollama pull llama3.2:3b
ollama run llama3.2:3b
ollama rm llama3.2:3b

Ollama 模型

# 模型大小 2.0GB
ollama pull llama3.2:3b
# 模型大小 43GB 
ollama pull llama3.3:70b

注： 有些小模型是不支持 tools 调用，例如 deepseek-r1:1.5b 小模型；本示例推荐使用 llama3.2:3b 模型在本地PC端尝鲜。但因为 llama3.2:3b 模型太小 工具调用时中文容易 “幻觉” 参数值。生产环境推荐 llama3.3:70b 模型。

Ollama API

Ollama 配置 Nginx

server {
    listen 80;
    server_name your-domain.com;

    location /ollama/ {
        proxy_pass http://127.0.0.1:11434/;
        proxy_http_version 1.1;
        proxy_set_header Host $host;
        proxy_set_header Upgrade $http_upgrade;
        proxy_set_header Connection "upgrade";
        proxy_set_header X-Real-IP $remote_addr;
        proxy_set_header X-Forwarded-For $proxy_add_x_forwarded_for;}}

llama3.2 聊天示例

  • build.gradle
dependencies {
	implementation 'org.springframework.boot:spring-boot-starter-web'
	implementation 'org.springframework.ai:spring-ai-starter-model-ollama'
	testImplementation 'org.springframework.boot:spring-boot-starter-test'
	testRuntimeOnly 'org.junit.platform:junit-platform-launcher'
}
  • application.properties
spring.application.name=demo
spring.ai.ollama.base-url=http://localhost:11434
#spring.ai.ollama.base-url=http://your-domain.com/ollama/
spring.ai.ollama.chat.model=llama3.2:3b
  • DemoApplication.java
@SpringBootApplicationpublicclassDemoApplication{@AutowiredprivateOllamaChatModel chatModel;publicstaticvoidmain(String[] args){SpringApplication.run(DemoApplication.class, args);}@BeanpublicChatResponserunner(){ChatResponse response = chatModel.call(newPrompt(newUserMessage("介绍下Spring AI")));System.out.println(response);return response;}}

MCP 客户端示例

  • build.gradle
dependencies {
	implementation 'org.springframework.boot:spring-boot-starter-web'
	implementation 'org.springframework.ai:spring-ai-starter-mcp-client'
	implementation 'org.springframework.ai:spring-ai-starter-model-ollama'
	testImplementation 'org.springframework.boot:spring-boot-starter-test'
	testRuntimeOnly 'org.junit.platform:junit-platform-launcher'
}
  • application.properties
spring.application.name=demo
spring.ai.ollama.base-url=http://localhost:11434
#spring.ai.ollama.base-url=http://your-domain.com/ollama/
spring.ai.ollama.chat.model=llama3.2:3b

spring.ai.mcp.client.name=spring-ai-mcp-client
spring.ai.mcp.client.version=1.0.0
spring.ai.mcp.client.type=sync
spring.ai.mcp.client.sse.connections.server1.url=http://localhost:9800
spring.ai.mcp.client.toolcallback.enabled=true
  • ChatService.java
@ServicepublicclassChatService{privatefinalChatClient chatClient;publicChatService(OllamaChatModel ollamaChatModel,List<McpSyncClient> mcpSyncClientList){ToolCallbackProvider toolCallbackProvider =newSyncMcpToolCallbackProvider(mcpSyncClientList);ToolCallback[] toolCallbacks = toolCallbackProvider.getToolCallbacks();for(ToolCallback toolCallback : toolCallbacks){System.out.println("toolCallback:"+ toolCallback.getToolDefinition());}// chatClient = ChatClient.builder(ollamaChatModel).defaultToolCallbacks(toolCallbacks).build();
        chatClient =ChatClient.builder(ollamaChatModel).defaultToolCallbacks(toolCallbackProvider).build();}publicStringaskQuestion(Message message){return chatClient.prompt().messages(message).call().content();}publicStringaskQuestion(SystemMessage systemMessage,UserMessage userMessage){return chatClient.prompt().messages(systemMessage, userMessage).call().content();}}
  • DemoApplication.java
@SpringBootApplicationpublicclassDemoApplication{@AutowiredprivateChatService chatService;publicstaticvoidmain(String[] args){SpringApplication.run(DemoApplication.class, args);}@BeanpublicStringrunner(){// String result = chatService.askQuestion(new UserMessage("查询姓名为'林俊杰'的用户信息"));String result = chatService.askQuestion(newSystemMessage("你是一个工具调用助手。"),newUserMessage("查询姓名为'林俊杰'的用户信息"));System.out.println(result);return result;}}

注： MCP 服务端接收参数时出现值错误原因，这是因为 小模型（llama3.2:3b） 对中文人名、实体的理解和拼写非常不稳，尤其是生僻字/专有名词时，容易产生乱码或替换成别的字。这不是 Spring AI/MCP 框架的问题，而是小模型自己在工具调用时 “幻觉” 了参数值。

MCP 服务端实现

MCP 服务端实现

完整项目源代码

零基础如何高效学习大模型？

你是否懂 AI，是否具备利用大模型去开发应用能力，是否能够对大模型进行调优，将会是决定自己职业前景的重要参数。

为了帮助大家打破壁垒，快速了解大模型核心技术原理，学习相关大模型技术。从原理出发真正入局大模型。在这里我和鲁为民博士系统梳理大模型学习脉络，这份 LLM大模型资料 分享出来：包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码免费领取🆓**⬇️⬇️⬇️

在这里插入图片描述

【大模型全套视频教程】

教程从当下的市场现状和趋势出发，分析各个岗位人才需求，带你充分了解自身情况，get 到适合自己的 AI 大模型入门学习路线。

从基础的 prompt 工程入手，逐步深入到 Agents，其中更是详细介绍了 LLM 最重要的编程框架 LangChain。最后把微调与预训练进行了对比介绍与分析。

同时课程详细介绍了AI大模型技能图谱知识树，规划属于你自己的大模型学习路线，并且专门提前收集了大家对大模型常见的疑问，集中解答所有疑惑！

在这里插入图片描述

深耕 AI 领域技术专家带你快速入门大模型

跟着行业技术专家免费学习的机会非常难得，相信跟着学习下来能够对大模型有更加深刻的认知和理解，也能真正利用起大模型，从而“弯道超车”，实现职业跃迁！

图片

【精选AI大模型权威PDF书籍/教程】

精心筛选的经典与前沿并重的电子书和教程合集，包含《深度学习》等一百多本书籍和讲义精要等材料。绝对是深入理解理论、夯实基础的不二之选。

在这里插入图片描述

【AI 大模型面试题 】

除了 AI 入门课程，我还给大家准备了非常全面的**「AI 大模型面试题」，**包括字节、腾讯等一线大厂的 AI 岗面经分享、LLMs、Transformer、RAG 面试真题等，帮你在面试大模型工作中更快一步。

【大厂 AI 岗位面经分享（92份）】

图片

【AI 大模型面试真题（102 道）】

图片

【LLMs 面试真题（97 道）】

图片

【640套 AI 大模型行业研究报告】

在这里插入图片描述

【AI大模型完整版学习路线图（2025版）】

明确学习方向，2025年 AI 要学什么，这一张图就够了！

img

👇👇点击下方卡片链接免费领取全部内容👇👇

在这里插入图片描述

抓住AI浪潮，重塑职业未来！

科技行业正处于深刻变革之中。英特尔等巨头近期进行结构性调整，缩减部分传统岗位，同时AI相关技术岗位（尤其是大模型方向）需求激增，已成为不争的事实。具备相关技能的人才在就业市场上正变得炙手可热。

行业趋势洞察：

  • 转型加速： 传统IT岗位面临转型压力，拥抱AI技术成为关键。
  • 人才争夺战： 拥有3-5年经验、扎实AI技术功底和真实项目经验的工程师，在头部大厂及明星AI企业中的薪资竞争力显著提升（部分核心岗位可达较高水平）。
  • 门槛提高： “具备AI项目实操经验”正迅速成为简历筛选的重要标准，预计未来1-2年将成为普遍门槛。

与其观望，不如行动！

面对变革，主动学习、提升技能才是应对之道。掌握AI大模型核心原理、主流应用技术与项目实战经验，是抓住时代机遇、实现职业跃迁的关键一步。

在这里插入图片描述

01 为什么分享这份学习资料？

当前，我国在AI大模型领域的高质量人才供给仍显不足，行业亟需更多有志于此的专业力量加入。

因此，我们决定将这份精心整理的AI大模型学习资料，无偿分享给每一位真心渴望进入这个领域、愿意投入学习的伙伴！

我们希望能为你的学习之路提供一份助力。如果在学习过程中遇到技术问题，也欢迎交流探讨，我们乐于分享所知。

*02 这份资料的价值在哪里？*

专业背书，系统构建：

  • 本资料由我与鲁为民博士共同整理。鲁博士拥有清华大学学士和美国加州理工学院博士学位，在人工智能领域造诣深厚：

    • 在IEEE Transactions等顶级学术期刊及国际会议发表论文超过50篇。
    • 拥有多项中美发明专利。
    • 荣获吴文俊人工智能科学技术奖（中国人工智能领域重要奖项）。

  • 目前，我有幸与鲁博士共同进行人工智能相关研究。

在这里插入图片描述

内容实用，循序渐进：

  • 资料体系化覆盖了从基础概念入门到核心技术进阶的知识点。

  • 包含丰富的视频教程与实战项目案例，强调动手实践能力。

  • 无论你是初探AI领域的新手，还是已有一定技术基础希望深入大模型的学习者，这份资料都能为你提供系统性的学习路径和宝贵的实践参考，助力你提升技术能力，向大模型相关岗位转型发展。

    在这里插入图片描述在这里插入图片描述在这里插入图片描述

抓住机遇，开启你的AI学习之旅！

在这里插入图片描述

# spring boot # 人工智能 # 后端 # transformer
Logo
2048 AI社区

有“AI”的1024 = 2048，欢迎大家加入2048 AI社区

更多推荐

PyBrain机器学习实战:PyBrain项目实践入门

本文介绍了使用PyBrain库构建神经网络模型的完整流程。首先展示了如何安装改造后的PyBrain 0.3.3版本，然后详细讲解了数据预处理步骤，包括数据清洗、转换和标准化。接着指导读者构建一个简单的神经网络结构，并使用反向传播算法进行训练。最后，文章介绍了模型评估指标（准确率、精确率等）和优化方法（调整网络结构、训练策略等）。通过这个项目实践案例，读者可以全面掌握PyBrain在机器学习项目中的

avatar 2048 AI社区
cover

PyBrain机器学习实战:PyBrain强化学习入门与实践

avatar 2048 AI社区

AI应用架构师实战：上下文理解增强方案的架构对话系统

你有没有遇到过这样的对话？用户：推荐一家附近的川菜馆。AI：推荐「川香阁」，距离你1.2公里，评分4.8。用户：有没有停车位？AI：请问你指的是哪家店？这是对话系统最常见的「上下文失忆」痛点——AI能理解单轮问题，却无法串联历史对话的「弦外之音」。对于AI应用架构师而言，上下文理解是对话系统的「灵魂能力」：它决定了系统能否像人类一样，用「连续的思维」回应用户需求。

avatar 2048 AI社区