炸裂：SpringAI內置DeepSeek啦！
SpringAI和DeepSeek介紹
Spring AI 是 Spring 生態系統中的一個重要項目，旨在將人工智能集成到 Spring 應用程序中，它為 Java 開發者提供了一種便捷的方式來構建、管理和部署 AI 模型。
圖片
“
Spring AI 的核心是解決了 Spring 生態和 AI 的快速集成：將您的企業數據和API 與 AI 模型連接起來。
Spring AI 幾乎支持所有主流的 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
- 文本轉圖片
- 音頻轉文本
- 文本轉音頻
Spring AI 最新預覽版也將集成 DeepSeek 大模型。
DeepSeek 介紹
DeepSeek 是國內頂尖 AI 團隊「深度求索」開發的多模態大模型，具備數學推理、代碼生成等深度能力，堪稱"AI界的六邊形戰士"。DeepSeek 最新版本 R1 采用了“思維鏈”技術，能夠展示完整的推理過程，使其在復雜推理任務上表現出色，甚至在某些方面可以與 OpenAI 的 O1 模型相媲美。
DeepSeek 身上的標簽有很多，其中最具代表性的標簽有以下兩個：
- 低成本（不挑硬件、開源、使用簡單無需復雜提示詞）。
- 高性能（推理能力極強、回答準確）。
Spring AI 集成 DeepSeek 步驟如下。
1.環境準備
在開始集成之前，確保你的開發環境滿足以下要求：
- JDK 17 或更高版本
- Maven 或 Gradle 構建工具
- DeepSeek API Key（可通過官網注冊獲取），申請地址：https://platform.deepseek.com/usage
2.創建SpringBoot項目
使用 Spring Initializr 或其他工具創建一個新的 Spring Boot 項目，確保版本為 3.2.x 或更高。
3.添加依賴
在項目的 pom.xml 文件中添加 SpringAI 和 DeepSeek 的相關依賴。
以下是基于 Maven 的依賴配置示例：
<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：
# 必填項
spring.ai.openai.api-key=you-apikey
spring.ai.openai.base-url=https://api.deepseek.com
# 模型選擇（示例使用對話模型）
spring.ai.openai.chat.options.model=deepseek-chat其中，api-key 是你在 DeepSeek 官網注冊后獲取的密鑰，base-url 是 DeepSeek API 的服務地址，model 指定使用的模型版本。
DeepSeek模型介紹
DeepSeek 目前支持以下兩種模型：
圖片
- deepseek-chat（V3）：適用于聊天機器人、智能客服、內容生成等，能夠理解和生成日常對話內容。
- deepseek-reasoner（R1）：專為復雜推理任務設計，適合解決需要深度邏輯分析和推理的問題。
5.編寫代碼
創建一個控制器類，用于處理與 DeepSeek 的交互，以下是一個簡單的示例：
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());
}
}在上述代碼中，chat 方法用于處理普通的非流式請求，而 chatStream 方法則支持流式響應，能夠實時返回 AI 的推理結果。
課后思考：關于流式輸出
大模型的響應速度是很慢的，為了避免用戶用戶能夠耐心等待輸出的結果，我們通常會使用流式輸出一點點將結果輸出給用戶，那么問題來了，想要實現流式結果輸出，后端和前端要如何配合？后端要使用什么技術實現流式輸出呢？
