Spring AI 实战：Java 原生接入大模型快速上手

5. 内置向量存储与 RAG 支持，激活私有知识库

Spring AI 集成了 PostgreSQL/pgvector、Pinecone、Qdrant、Redis、Weaviate 等主流向量数据库，提供元数据过滤、相似度检索能力；同时内置 ETL 流程，可快速搭建 RAG 系统，解决大模型'知识过期''不懂私有数据'痛点。

6. 工具调用能力，打通业务系统闭环

原生支持模型驱动的工具调用，可将 Spring Bean 注册为 AI 可调用工具，实现 AI 自动调用业务接口、查询数据库等操作，例如：

• 调用天气 API 获取实时气象数据
• 查询企业 CRM 系统获取客户详情
• 执行业务数据统计与分析操作

实现 AI 与业务流程深度融合，让 AI 从'对话工具'升级为'业务智能入口'，打通需求到执行的全闭环。

三、快速上手：环境准备与 Deepseek 对话案例

光看理论不够，咱们直接动手做个 Demo。下面我们将通过一个完整的案例，教大家搭建 Spring AI 环境，并实现与 Deepseek 模型的对话交互。

3.1 环境要求

Spring AI 构建在 Spring Boot 3.x 之上，对环境有明确要求：

• JDK：必须为 17 及以上版本（不支持 Java 8/11/16）
• Maven：3.6 及以上版本
• Spring Boot：3.x 系列（本文使用 3.5.0 版本）

JDK 17 安装步骤：下载地址 https://www.oracle.com/cn/java/technologies/downloads/#java17，安装路径建议自定义，安装成功后配置环境变量，也可以在 Spring Boot 项目中指定 JDK 版本。

3.2 创建 Spring Boot 项目

首先，访问 Spring Initializr：https://start.spring.io/，或在 IDEA 中直接创建 New Module。项目配置如下：

• Name：Weiz-SpringAI-QuickStart
• Group：com.example
• Artifact：Weiz-SpringAI-QuickStart
• Package name：com.example.weizspringai
• Language：Java
• JDK：17
• Spring Boot：3.5.3
• Packaging：Jar

接着，Spring Boot 版本选择 3.5.x，依赖仅需添加「Spring Web」依赖（后续通过 Maven 引入 Spring AI 相关依赖）。

创建完成后的项目结构如下：

Weiz-SpringAI-QuickStart/
├── src/
│   ├── main/
│   │   ├── java/
│   │   │   └── com/
│   │   │       └── example/
│   │   │           └── weizspringai/
│   │   │               └── WeizSpringAiQuickStartApplication.java
│   │   └── resources/
│   │       └── application.properties
│   └── test/
└── pom.xml

3.3 配置 pom.xml 依赖

在 pom.xml 中添加 Spring AI 相关依赖，核心是导入 Spring AI BOM 统一管理版本，并引入 Deepseek 模型 starter：

<?xml version="1.0" encoding="UTF-8"?>
<project xmlns="http://maven.apache.org/POM/4.0.0"
         xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"
         xsi:schemaLocation="http://maven.apache.org/POM/4.0.0 https://maven.apache.org/xsd/maven-4.0.0.xsd">
    <modelVersion>4.0.0</modelVersion>
    <parent>
        <groupId>com.example</groupId>
        <artifactId>Weiz-SpringAI</artifactId>
        <version>0.0.1-SNAPSHOT</version>
    </parent>
    <artifactId>Weiz-SpringAI-QuickStart</artifactId>
    <name>Weiz-SpringAI-QuickStart</name>
    <description>Weiz-SpringAI-QuickStart</description>
    <properties>
        <java.version>17</java.version>
        <maven.compiler.source>17</maven.compiler.source>
        <maven.compiler.target>17</maven.compiler.target>
    </properties>
    <dependencies>
        <dependency>
            <groupId>org.springframework.boot</groupId>
            <artifactId>spring-boot-starter-webflux</artifactId>
        </dependency>
        <dependency>
            <groupId>org.springframework.boot</groupId>
            <artifactId>spring-boot-starter-web</artifactId>
        </dependency>
        <dependency>
            <groupId>org.springframework.ai</groupId>
            <artifactId>spring-ai-starter-model-deepseek</artifactId>
        </dependency>
        <dependency>
            <groupId>org.springframework.boot</groupId>
            <artifactId>spring-boot-starter-test</artifactId>
            <scope>test</scope>
        </dependency>
    </dependencies>
    <build>
        <plugins>
            <plugin>
                <groupId>org.springframework.boot</groupId>
                <artifactId>spring-boot-maven-plugin</artifactId>
            </plugin>
        </plugins>
    </build>
</project>

3.4 配置 application.properties

在 src/main/resources/application.properties 中配置 Deepseek 模型的基础信息：

spring.application.name=Weiz-SpringAI-QuickStart
server.port=8080
# Deepseek URL
spring.ai.deepseek.base-url=https://api.deepseek.com
spring.ai.deepseek.api-key=你的 Deepseek appkey
spring.ai.deepseek.chat.options.model=deepseek-chat

注意：Deepseek API 密钥需要在 Deepseek 官网注册获取，替换配置中的占位符。

3.5 编写 ChatController

创建 com.example.weizspringai.controller 包，并编写 ChatController 类，实现与 Deepseek 模型的交互：

import org.springframework.ai.deepseek.DeepSeekChatModel;
import org.springframework.beans.factory.annotation.Autowired;
import org.springframework.web.bind.annotation.*;

@RestController
@RequestMapping("/ai")
public class ChatController {

    @Autowired
    private DeepSeekChatModel chatModel;

    @PostMapping("/chat")
    public String chat(@RequestBody String message) {
        String resp = chatModel.call(message);
        return resp;
    }
}

这里简化了返回类型，实际生产中可根据需要定义 DTO。

3.6 启动并测试

运行主启动类启动项目。浏览器访问：http://localhost:8080/ai/chat?message=你是谁，即可看到模型响应。

四、实战进阶：流式响应与可视化界面优化

前面使用 Spring AI 快速整合 DeepSeek，实现了与大模型对话的功能，但是这个项目存在两个不足：无可视化交互界面；AI 响应为一次性返回，缺乏实时感。下面对项目进行优化升级。

Step 1：实现流式返回接口

在 ChatController 中，创建新接口 /ai/chatStream 接口，利用 SSE 技术实现流式传输。

@PostMapping("/chatStream")
public SseEmitter chatStream(@RequestBody String message) {
    SseEmitter emitter = new SseEmitter(Long.MAX_VALUE);
    Flux<String> stream = chatModel.stream(message);
    stream.subscribe(
        chunk -> {
            try {
                String json = objectMapper.writeValueAsString(chunk);
                emitter.send(SseEmitter.event().data(json).build());
            } catch (IOException e) {
                emitter.completeWithError(e);
            }
        },
        error -> { emitter.completeWithError(error); },
        () -> { emitter.complete(); }
    );
    return emitter;
}

Step 2：创建可视化聊天界面

为了更直观地与模型交互，我们可以在 src/main/resources/static 目录下创建 index.html，实现简单的聊天界面。

<!DOCTYPE html>
<html lang="zh-CN">
<head>
<meta charset="UTF-8">
<meta name="viewport" content="width=device-width, initial-scale=1.0">
<title>AI 聊天助手（流式响应）</title>
<style>
* { margin:0; padding:0; box-sizing: border-box; }
body { font-family:-apple-system,BlinkMacSystemFont,"Segoe UI",Roboto,"Helvetica Neue",Arial, sans-serif; background: linear-gradient(135deg, #667eea 0%, #764ba2 100%); height:100vh; display: flex; justify-content: center; align-items: center; }
.chat-container { width:800px; height:600px; background: white; border-radius:16px; box-shadow:0 20px 60px rgba(0,0,0,0.3); display: flex; flex-direction: column; overflow: hidden; }
.chat-header { background: linear-gradient(135deg, #667eea 0%, #764ba2 100%); padding:20px; color: white; }
.chat-header h1 { font-size:24px; font-weight:600; }
.chat-messages { flex:1; padding:20px; overflow-y: auto; background: #f5f5f5; }
.message { margin-bottom:16px; display: flex; align-items: flex-start; }
.message.user { justify-content: flex-end; }
.message.assistant { justify-content: flex-start; }
.message-content { max-width:70%; padding:12px 16px; border-radius:12px; line-height:1.5; word-wrap:break-word; }
.message.user .message-content { background: linear-gradient(135deg, #667eea 0%, #764ba2 100%); color: white; border-bottom-right-radius:4px; }
.message.assistant .message-content { background: white; color: #333; border-bottom-left-radius:4px; box-shadow:0 2px 8px rgba(0,0,0,0.1); }
.chat-input-container { padding:20px; background: white; border-top:1px solid #e0e0e0; }
.chat-input-form { display: flex; gap:12px; }
#messageInput { flex:1; padding:12px 16px; border:2px solid #e0e0e0; border-radius:24px; font-size:16px; outline: none; transition: border-color 0.3s; }
#sendButton { padding:12px 32px; background: linear-gradient(135deg, #667eea 0%, #764ba2 100%); color: white; border: none; border-radius:24px; font-size:16px; font-weight:600; cursor: pointer; }
</style>
</head>
<body>
<div class="chat-container">
    <div class="chat-header"><h1>AI 聊天助手</h1><p>基于 Spring AI 和 DeepSeek 的智能对话系统（流式响应）</p></div>
    <div class="chat-messages" id="chatMessages"></div>
    <div class="chat-input-container">
        <form class="chat-input-form" id="chatForm">
            <input type="text" id="messageInput" placeholder="输入您的问题..." autocomplete="off" required>
            <button type="submit" id="sendButton">发送</button>
        </form>
    </div>
</div>
<script>
const chatMessages = document.getElementById('chatMessages');
const chatForm = document.getElementById('chatForm');
const messageInput = document.getElementById('messageInput');
const sendButton = document.getElementById('sendButton');

async function sendMessage(message){
    const response = await fetch('/ai/chatStream', {
        method: 'POST',
        headers: { 'Content-Type': 'application/json' },
        body: JSON.stringify({ message: message })
    });
    if (!response.ok) throw new Error('网络请求失败');
    const reader = response.body.getReader();
    const decoder = new TextDecoder();
    let fullText = '';
    while (true) {
        const { done, value } = await reader.read();
        if (done) ;
         chunk = decoder.(value, { :  });
         lines = chunk.().( line.());
         ( line  lines) {
             {
                 cleanLine = line.(, ).();
                 (!cleanLine) ;
                 data = .(cleanLine);
                 (data.) { fullText += data.; }
            }  (e) { .(, e); }
        }
        
    }
}

chatForm.(,  (e) => {
    e.();
     message = messageInput..();
     (!message) ;
    messageInput. = ;
     (message);
});
</script>
</body>
</html>

Step 3：启动并测试

重启项目后，访问 http://localhost:8080，即可通过可视化界面与 AI 聊天，例如输入'你好'，模型会流式返回。

总结

总的来说，Spring AI 让 Java 接入 AI 变得像调用普通服务一样简单。通过统一抽象接口，我们无需跨生态就能快速集成大模型能力。从环境搭建到流式响应优化，整个流程展示了如何在现有 Java 项目中平滑落地 AI 功能，极大降低了开发门槛。