SpringBoot集成DeepSeek

摘要：本文介绍了如何使用Spring AI框架集成DeepSeek大模型服务实现聊天功能。文章详细说明了环境准备、依赖配置、API密钥获取等步骤，并演示了简单对话和流式输出两种实现方式。特别讲解了如何通过ChatMemory实现对话记忆功能，让AI记住上下文信息。最后提出了角色预设和多用户隔离等思考问题，并提供了完整代码仓库地址。该方案可应用于智能客服、订单处理等企业级业务场景。

q377914753

1444人浏览 · 2025-12-19 15:24:32

q377914753 · 2025-12-19 15:24:32 发布

前言

在 AI 兴起的时候，面向的是 Python 开发者，而现在有了 Spring AI，作为Java 开发这也能将 AI 集成进我们的企业级项目中，广泛运用于实际业务，比如智能客服、健康饮食推荐、自动退订订单等等。本文将详细的讲解 SpringBoot 如何集成 DeepSeek 大模型服务，来完成聊天功能。

项目集成

截至发稿时间，Spring AI 的最新版本 1.1.2，要求 Spring Boot 3.4.x 和 3.5.x。

环境准备

JDK：17+
SpringBoot：3.4+

添加依赖

引入 deepseek模型和 webflux来进行流式响应

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

<dependencyManagement>
    <dependencies>
        <dependency>
            <groupId>org.springframework.ai</groupId>
            <artifactId>spring-ai-bom</artifactId>
            <version>1.1.2</version>
            <type>pom</type>
            <scope>import</scope>
        </dependency>
    </dependencies>
</dependencyManagement>

配置 DeepSeek 模型

可以自己去官网申请，我这里使用的是硅基流动免费的模型。

spring:
  ai:
    deepseek:
      api-key: sk-xxxxx
      base-url: https://api.siliconflow.cn
      chat:
        options:
          model: xxx
          temperature: 0.7

如果想和笔者使用同样的，可以跳转：https://cloud.siliconflow.cn/i/5I4ebAG9，使用免费的即可。
在这里插入图片描述

实现第一个 AI 对话

新建控制器，创建/chat/simple接口，这里的ChatClient就是通用的聊天客户端，也可以使用 DeepSeek 的 ChatModel，这里不进行赘述。在这个简单示例中，message决定了用户消息的内容。该call()方法向 AI 模型发送请求，然后content()方法将AI模型的响应作为String。

@RestController
@RequestMapping("/chat")
public class ChatBotController {

    private final ChatClient chatClient;

    public ChatBotController(ChatClient.Builder chatClientBuilder) {
        this.chatClient = chatClientBuilder.build();
    }

    @GetMapping(value = "/simple")
    public String simple(String message) {
        return chatClient.prompt()
                .user(message)
                .call()
                .content();
    }
}

调用接口后会一次性响应 AI 的内容。

在这里插入图片描述

如果内容比较大，体验感就不是很好，接下来我们可以采用流的方式来逐字进行输出。

流式输出

跟前面的相比较，将call()改成了stream()，告诉 AI 生成字符串的Flux。并且设置响应的类型为text/event-stream，前端可以通过EventSourceAPI轻松监听这个接口。每当收到一个新的数据块，就会触发onmessage事件，从而实现内容的实时追加显示，创造出类似打字机的效果。

@GetMapping(value = "/stream", produces = MediaType.TEXT_EVENT_STREAM_VALUE)
public Flux<String> chatStream(String message) {
    return chatClient.prompt()
            .user(message)
            .stream()
            .content();
}

这里调用后可以明显看得到不是一次性输出的结果。

在这里插入图片描述

大型语言模型（LLM）是无状态的，这意味着它们不会保留之前交互的相关信息。即使告诉了AI你叫什么，它依然在下次对话也会忘记。

聊天记忆

Spring AI 会自动配置一个ChatMemory 的 bean，您可直接在应用程序中使用。默认情况下，它使用内存存储库来存储消息（InMemoryChatMemoryRepository）以及MessageWindowChatMemory来管理对话历史。如果已配置了其他存储库（例如，Cassandra、JDBC 或 Neo4j），Spring AI 将改用该存储库。

@Autowired
ChatMemory chatMemory;

这里我们就直接使用内存来完成聊天的记忆功能。只需要使用advisors来配置即可：

@GetMapping(value = "/stream", produces = MediaType.TEXT_EVENT_STREAM_VALUE)
public Flux<String> chatStream(String message) {
    return chatClient.prompt()
            .user(message)
            .advisors(MessageChatMemoryAdvisor.builder(chatMemory).build())
            .stream()
            .content();
}