Spring AI 本地接入 DeepSeek、RAG 和多模态实践

配置文件改成这样：

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

启动项目后看一下输出，能正常返回就说明模型已经接上了。

构建数据库和 RAG

增强检索

Embedding 就是把文本、物品、用户这些对象映射成向量。它的用处不算玄乎，核心就是让模型能按语义去找内容，而不是只做字符串匹配。

这里先拉一个小一点的 embedding 模型，适合练手，不太适合直接上企业项目：

ollama pull all-minilm

向量数据库

这里用的是 pgvector，也可以换成 Redis。

pgvector 是 PostgreSQL 的向量扩展，能在关系型数据库里做语义搜索。对我来说，它的好处是少引一套系统，坏处是规模上来后要更认真地看索引和性能。

先起一个 pgvector 容器：

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

Spring Boot 集成 pgvector

先引依赖：

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

再补上配置：

spring:
  ai:
    vectorstore:
      pgvector:
        index-type: HNSW
        distance-type: COSINE_DISTANCE
        # 维度，根据选的 embedding 模型所定
        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

连上数据库后，建库并执行建表语句：

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);

然后在 resources 里放一个 txt 文件。

接着新建 vector 包和 VectorAPI 类，把文本切分后写进向量库：

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;

    //导入方法
    @GetMapping("/vec/write")
    public String write() throws IOException {
        StringBuffer text = new StringBuffer();//用来存储文件
        ClassLoader classLoader=getClass().getClassLoader();//因为打包后，resource 的文件就放在 class：path 下，我们使用这个获取
        InputStream inputStream=classLoader.getResourceAsStream("ncode.txt");//获取文件
        //把文件一行一行读取出来，放在 text 中去
        try(BufferedReader reader=new BufferedReader(new InputStreamReader(inputStream))){
            String line;
            while ((line=reader.readLine())!=null){
                text.append(line);
            }
        }
        //按照句号，将文本 p 成一行一行的
        store.write(Arrays.stream(text.toString().split("。")).map(Document::new).toList());
        return "success";
    }
}

运行后，数据会被写入向量库。控制台和数据库里能看到记录，就说明这步没问题。

控制台输出：

查一下表也能看到导入结果：

这时候直接问模型，回答通常还是偏'普通聊天模型'的风格，没真正用上知识库。

RAG 也是通过 advisor 拼进去的，所以要改一下 Init：

package com.yan.springai;
import lombok.RequiredArgsConstructor;
import org.springframework.ai.chat.client.ChatClient;
import org.springframework.ai.chat.client.advisor.MessageChatMemoryAdvisor;
import org.springframework.ai.chat.client.advisor.QuestionAnswerAdvisor;
import org.springframework.ai.chat.memory.ChatMemory;
import org.springframework.ai.chat.memory.InMemoryChatMemory;
import org.springframework.ai.ollama.OllamaChatModel;
import org.springframework.ai.vectorstore.VectorStore;
import org.springframework.context.annotation.Bean;
import org.springframework.context.annotation.Configuration;

@Configuration
@RequiredArgsConstructor
public class Init {
    //要使用的模型
    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) )//这里主要负责拼接
                .build();
    }

    @Bean
    public ChatMemory chatMemory(){
        //负责存和读
        return new InMemoryChatMemory();
    }
}

再测一次，RAG 生效后，回答会明显更贴近导入的内容。

chatpdf

再往前一步，就是把 PDF 文档也塞进向量库。

先引依赖：

<!-- 将 pdf 引入向量数据库-->
<dependency>
    <groupId>org.springframework.ai</groupId>
    <artifactId>spring-ai-pdf-document-reader</artifactId>
</dependency>

然后写读取代码：

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";
    }
}

跑一下，PDF 就能进向量数据库。

Markdown 文档也可以照这个思路处理。

function call 调用自定义函数

DeepSeek 这类模型目前还不支持这个能力，Moonshot、OpenAI、Gemini 之类可以直接用。

先写一个业务函数，假装这里是请假逻辑：

package com.yan.springai.func;
import java.util.function.Function;

public class OaService implements Function<OaService.Rquest, OaService.Response> {
    public Response apply(Rquest rquest) {
        //实现逻辑，这里是请假逻辑
        System.err.printf("%s is token off%n",rquest.who);
        return new Response(10);
    }

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

再把它注册到 Spring 容器里：

package com.yan.springai.func;
import org.springframework.ai.model.function.FunctionCallback;
import org.springframework.context.annotation.Bean;
import org.springframework.context.annotation.Configuration;

//将 function 注册到 spring 容器中
@Configuration
public class FunctionRegistry {
    @Bean
    public FunctionCallback askForLeaveCallBack(){
        return FunctionCallback.builder()
                .function("askForLeave",new OaService())//注册的名字和函数
                .description("当有人请假时，返回请假天数")//描述功能
                .build();
    }
}

调用的时候直接在 ChatClient 里挂上函数名：

package com.yan.springai.func;
//使用刚刚定义的函数
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")//调用名称
                .call().content();
    }
}

跑起来后，就能看到函数被调用了。

多模态能力

多模态模型能同时处理文本、图片、音频、视频。这里我只拿'图片转文字'做例子，因为这个最直观，也最容易看出模型有没有真的读懂图。

不过要先说清楚，DeepSeek、Moonshot 这类模型不支持这个能力，要试的话得换成 llava。

命令行里拉一下：

ollama run llava

下载完成后，在 resources 里放一张图片：

然后写接口，让模型读取图片并输出描述：

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();
    }
}

这样就能把图片交给模型处理了。