SpringAI 结合 Ollama 本地部署 Deepseek 实现对话机器人

配置文件 在 application.yml 中指定模型名称和 Ollama 地址：

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

运行应用后，控制台应能输出符合设定语气的回复。

构建数据库与 RAG

增强检索 (RAG)

Embedding 是将文本转化为数值向量的过程，用于捕捉语义相似性。我们需要一个 Embedding 模型，这里选用轻量级的 all-minilm：

ollama pull all-minilm

向量数据库 (pgvector)

使用 PostgreSQL 配合 pgvector 扩展存储向量数据。启动容器时注意端口映射：

docker run -d --name pgvector -p 5433:5432 \
-e POSTGRES_USER=postgres \
-e POSTGRES_PASSWORD=postgres \
pgvector/pgvector:pg16

Spring Boot 集成 引入 pgvector 依赖并配置连接参数：

<dependency>
    <groupId>org.springframework.ai</groupId>
    <artifactId>spring-ai-pgvector-store-spring-boot-starter</artifactId>
</dependency>

spring:
  ai:
    vectorstore:
      pgvector:
        index-type: HNSW
        distance-type: COSINE_DISTANCE
        dimensions: 384
        batching-strategy: TOKEN_COUNT
        max-document-batch-size: 1000
    ollama:
      chat:
        options:
          model: deepseek-r1:7b
      embedding:
        enabled: true
        model: all-minilm
        base-url: http://localhost:11434
    datasource:
      url: jdbc:postgresql://localhost:5433/springai
      username: postgres
      password: postgres

初始化表结构 连接数据库后执行 SQL 脚本创建向量表：

create extension if not exists vector;
create extension if not exists hstore;
create extension if not exists "uuid-ossp";

create TABLE if not exists vector_store(
    id uuid DEFAULT uuid_generate_v4() PRIMARY KEY,
    content text,
    metadata json,
    embedding vector(384)
);

create index on vector_store using HNSW(embedding vector_cosine_ops);

数据导入与检索

在 resources 目录下放置待处理的文本文件（如 ncode.txt）。创建 VectorAPI 控制器读取文件并按句号分片写入向量库：

package com.yan.springai.vector;

import lombok.RequiredArgsConstructor;
import org.springframework.ai.document.Document;
import org.springframework.ai.vectorstore.VectorStore;
import org.springframework.web.bind.annotation.GetMapping;
import org.springframework.web.bind.annotation.RestController;

import java.io.BufferedReader;
import java.io.IOException;
import java.io.InputStream;
import java.io.InputStreamReader;
import java.util.Arrays;

@RestController
@RequiredArgsConstructor
public class VectorAPI {
    final VectorStore store;

    @GetMapping("/vec/write")
    public String write() throws IOException {
        StringBuffer text = new StringBuffer();
        ClassLoader classLoader = getClass().getClassLoader();
        InputStream inputStream = classLoader.getResourceAsStream("ncode.txt");

        try (BufferedReader reader = new BufferedReader(new InputStreamReader(inputStream))) {
            String line;
            while ((line = reader.readLine()) != null) {
                text.append(line);
            }
        }

        // 按句号分片并写入
        store.write(Arrays.stream(text.toString().split("。"))
                .map(Document::new).toList());
        return "success";
    }
}

调用接口后，查看数据库确认数据已入库。此时若直接提问，模型仅凭自身知识回答。为了利用外部知识库，需修改 Init 类，加入 QuestionAnswerAdvisor：

// ... imports ...

@Configuration
@RequiredArgsConstructor
public class Init {
    final OllamaChatModel model2;
    final VectorStore vectorStore;

    @Bean
    public ChatClient chatClient(ChatMemory chatMemory) {
        return ChatClient.builder(model2)
                .defaultSystem("假如你是特朗普，接下来的对话你必须以特朗普的语气来进行？")
                .defaultAdvisors(
                        new MessageChatMemoryAdvisor(chatMemory),
                        new QuestionAnswerAdvisor(vectorStore)
                )
                .build();
    }

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

再次测试，模型现在能基于向量库中的文档内容回答问题了。

PDF 文档处理

SpringAI 支持直接读取 PDF 文件并转为向量。引入依赖：

<dependency>
    <groupId>org.springframework.ai</groupId>
    <artifactId>spring-ai-pdf-document-reader</artifactId>
</dependency>

编写 Controller 读取 baogao.pdf 并写入向量库：

package com.yan.springai.Pdf;

import lombok.RequiredArgsConstructor;
import org.springframework.ai.reader.ExtractedTextFormatter;
import org.springframework.ai.reader.pdf.PagePdfDocumentReader;
import org.springframework.ai.reader.pdf.config.PdfDocumentReaderConfig;
import org.springframework.ai.vectorstore.VectorStore;
import org.springframework.web.bind.annotation.GetMapping;
import org.springframework.web.bind.annotation.RestController;

@RestController
@RequiredArgsConstructor
public class Pdf {
    final VectorStore store;

    @GetMapping("/pdf/read")
    public String getDocsFromPdf() {
        PagePdfDocumentReader pdfReader = new PagePdfDocumentReader(
                "classpath:/baogao.pdf",
                PdfDocumentReaderConfig.builder()
                        .withPageTopMargin(0)
                        .withPageExtractedTextFormatter(
                                ExtractedTextFormatter.builder()
                                        .withNumberOfTopTextLinesToDelete(0)
                                        .build()
                        )
                        .withPagesPerDocument(1)
                        .build()
        );
        store.write(pdfReader.read());
        return "success";
    }
}

Function Call 自定义函数

部分模型支持 Function Calling，允许 AI 调用外部逻辑。注意 Deepseek 在此功能上支持有限，Moonshot 或 OpenAI 效果更佳。

定义服务

package com.yan.springai.func;

import java.util.function.Function;

public class OaService implements Function<OaService.Rquest, OaService.Response> {
    public Response apply(Rquest rquest) {
        System.err.printf("%s is token off%n", rquest.who);
        return new Response(10);
    }

    public record Rquest(String who) { }
    public record Response(int days) { }
}

注册到 Spring 容器

package com.yan.springai.func;

import org.springframework.ai.model.function.FunctionCallback;
import org.springframework.context.annotation.Bean;
import org.springframework.context.annotation.Configuration;

@Configuration
public class FunctionRegistry {
    @Bean
    public FunctionCallback askForLeaveCallBack() {
        return FunctionCallback.builder()
                .function("askForLeave", new OaService())
                .description("当有人请假时，返回请假天数")
                .build();
    }
}

调用示例

package com.yan.springai.func;

import lombok.RequiredArgsConstructor;
import org.springframework.ai.chat.client.ChatClient;
import org.springframework.web.bind.annotation.GetMapping;
import org.springframework.web.bind.annotation.RequestParam;
import org.springframework.web.bind.annotation.RestController;

@RestController
@RequiredArgsConstructor
public class FuncAPI {
    final ChatClient chatClient;

    @GetMapping("/ai/func")
    public String funcCall(@RequestParam(value = "message") String message) {
        return chatClient.prompt(message)
                .functions("askForLeave")
                .call().content();
    }
}

多模态能力

多模态模型（如 LLaVA）能理解图片内容。Deepseek 原生不支持，需切换模型。

拉取模型

ollama run llava

代码实现

将图片放入 resources 目录，编写接口接收请求：

package com.yan.springai.model;

import lombok.RequiredArgsConstructor;
import org.springframework.ai.chat.messages.Message;
import org.springframework.ai.chat.messages.UserMessage;
import org.springframework.ai.chat.prompt.ChatOptions;
import org.springframework.ai.chat.prompt.Prompt;
import org.springframework.ai.model.Media;
import org.springframework.ai.ollama.OllamaChatModel;
import org.springframework.ai.ollama.api.OllamaModel;
import org.springframework.core.io.ClassPathResource;
import org.springframework.util.MimeTypeUtils;
import org.springframework.web.bind.annotation.GetMapping;
import org.springframework.web.bind.annotation.RestController;

import java.util.List;

@RestController
@RequiredArgsConstructor
public class ImageAPI {
    final OllamaChatModel model;

    @GetMapping("/ai/chatWithPic")
    public String chatWithPic() {
        ClassPathResource imageData = new ClassPathResource("/cat.png");
        Message userMessage = new UserMessage(
                "请用中文描述一下这张图片是什么东西？",
                List.of(new Media(MimeTypeUtils.IMAGE_PNG, imageData))
        );
        return model.call(new Prompt(
                List.of(userMessage),
                ChatOptions.builder()
                        .model(OllamaModel.LLAVA.getName())
                        .build()
        )).getResult().getOutput().getText();
    }
}

至此，我们完成了从文本对话、知识库检索、文档解析到图像识别的全流程搭建。