SpringBoot 快速接入AI：从0到1实现智能交互（两种主流方式）

在AI普及的当下，给SpringBoot项目接入AI能力已成为开发者的必备技能——无论是智能问答、文本生成，还是图像处理，只需简单几步，就能让后端服务拥有强大的AI交互能力。本文将结合实战，讲解两种最常用的SpringBoot接入AI方式，兼顾简洁性和实用性，新手也能快速上手，同时规避实际开发中的常见坑点。

核心说明：目前SpringBoot接入AI主要有两种主流路径——Spring AI Starter集成（推荐，官方适配，无需重复造轮子）和直接调用AI平台API（灵活，适配所有提供HTTP API的AI服务）。本文将分别实现两种方式，以OpenAI（GPT系列）为例，同时兼容本地大模型（如Ollama部署的DeepSeek），适配不同开发需求。

前置准备

在开始接入前，需要完成2个基础准备，避免后续踩坑：

1. 环境要求：JDK 17+（Spring Boot 3.2+ 及 Spring AI 1.0+ 要求，若使用Spring Boot 2.x，需对应降低Spring AI版本）、Maven/Gradle、IDE（IDEA推荐）。
2. AI资源准备：
   1. 若对接OpenAI：注册OpenAI账号，获取API Key（需注意密钥安全，避免硬编码泄露）；
   2. 若对接本地大模型：通过Ollama部署本地模型（如DeepSeek、Llama 3），获取本地API地址（默认端口11434）；
   3. 若对接国内AI平台（阿里云通义、百度文心一言）：注册对应平台账号，获取API Key和API地址，步骤与OpenAI类似。

方式一：Spring AI Starter 集成（推荐，最快上手）

Spring AI 是Spring官方推出的AI集成框架，相当于“AI万能适配器”，封装了主流AI平台的调用逻辑，支持OpenAI、阿里云通义、本地Ollama等多种模型，无需手动处理HTTP请求、序列化等细节，切换模型只需修改配置，极大提升开发效率。

步骤1：创建SpringBoot项目，引入依赖

通过Spring Initializr（https://start.spring.io/）创建项目，选择Spring Boot 3.2.x，引入以下依赖（Maven示例），若使用Gradle，对应转换依赖即可：

<!-- Spring AI OpenAI Starter（对接OpenAI） --> <dependency> <groupId>org.springframework.ai</groupId> <artifactId>spring-ai-openai-spring-boot-starter</artifactId> <version>1.0.0</version> <!-- 对应Spring AI 1.0 GA版本，与Spring Boot 3.2+兼容 --> </dependency> <!-- Spring Web（用于提供接口测试） --> <dependency> <groupId>org.springframework.boot</groupId> <artifactId>spring-boot-starter-web</artifactId> </dependency> <!-- 可选：若对接本地Ollama，替换为以下依赖 --> <!-- <dependency> <groupId>org.springframework.ai</groupId> <artifactId>spring-ai-ollama-spring-boot-starter</artifactId> <version>1.0.0</version> </dependency> --> 

避坑提醒：Spring Boot 3.2+ 基于Java 17/Jakarta EE 10，与部分旧版AI SDK存在依赖冲突（如Apache HttpClient、Jackson Databind），使用Spring AI Starter可自动处理大部分依赖兼容，无需手动调整。

步骤2：配置AI参数（application.yml）

在resources目录下的application.yml中添加配置，根据对接的AI平台选择对应配置，无需编写额外配置类，Spring AI会自动装配客户端：

配置1：对接OpenAI（GPT-3.5/4.0）

server: port: 8080 # 项目端口，可自定义 spring: ai: openai: api-key: sk-xxxxxxx # 替换为你的OpenAI API Key base-url: https://api.openai.com/v1 # OpenAI官方API地址，若有代理可修改 chat: model: gpt-3.5-turbo # 默认使用的模型，可替换为gpt-4o、gpt-4等 options: temperature: 0.7 # 创造性参数，0.0-1.0，值越高越灵活 num-ctx: 4096 # 上下文窗口大小，控制对话记忆长度 

配置2：对接本地Ollama（DeepSeek为例）

 server: port: 8080 spring: ai: ollama: base-url: http://localhost:11434 # Ollama默认本地地址 chat: model: deepseek-r1:7b # 本地部署的模型名称，需提前通过ollama pull下载 options: temperature: 0.7 

步骤3：编写业务代码，调用AI能力

Spring AI提供了统一的ChatClient接口，无论是对接OpenAI还是Ollama，调用方式完全一致，只需注入ChatClient即可实现同步/流式调用，无需修改业务代码。

3.1 编写AI服务类（Service）

import org.springframework.ai.chat.client.ChatClient; import org.springframework.stereotype.Service; @Service public class AIService { // 构造器注入ChatClient，Spring AI自动装配，无需手动创建 private final ChatClient chatClient; public AIService(ChatClient.Builder chatClientBuilder) { this.chatClient = chatClientBuilder.build(); } /** * 同步调用：适合短文本问答，等待AI完整响应后返回 * @param prompt 用户提问内容 * @return AI响应结果 */ public String syncChat(String prompt) { // 链式调用，简洁高效，无需手动构建请求体 return chatClient.prompt() .user(prompt) // 设置用户提问 .call() // 发起调用 .content(); // 获取AI响应的文本内容 } /** * 流式调用：适合长文本生成（如文章、代码），实现“打字机”效果 * @param prompt 用户提问内容 * @return 流式响应（Flux），前端可逐字渲染 */ public Flux<String> streamChat(String prompt) { return chatClient.prompt() .user(prompt) .stream() // 开启流式调用 .content(); // 逐段获取响应内容 } } 

3.2 编写接口（Controller），用于测试

 import org.springframework.beans.factory.annotation.Autowired; import org.springframework.http.MediaType; import org.springframework.web.bind.annotation.GetMapping; import org.springframework.web.bind.annotation.RequestParam; import org.springframework.web.bind.annotation.RestController; import reactor.core.publisher.Flux; @RestController public class AIController { @Autowired private AIService aiService; // 同步问答接口，访问方式：http://localhost:8080/ai/sync?prompt=你的问题 @GetMapping("/ai/sync") public String syncChat(@RequestParam String prompt) { return aiService.syncChat(prompt); } // 流式问答接口，设置MediaType为text/event-stream，支持前端流式渲染 @GetMapping(value = "/ai/stream", produces = MediaType.TEXT_EVENT_STREAM_VALUE) public Flux<String> streamChat(@RequestParam String prompt) { return aiService.streamChat(prompt); } } 

步骤4：启动项目，测试AI接口

1. 启动SpringBoot项目，确保配置的API Key或本地Ollama服务正常；
2. 测试同步接口：打开浏览器访问 http://localhost:8080/ai/sync?prompt=SpringBoot如何快速接入AI，即可看到AI返回的完整响应；
3. 测试流式接口：访问 http://localhost:8080/ai/stream?prompt=写一段SpringBoot接入AI的博客开头，可看到响应内容逐字加载（类似ChatGPT的打字机效果）。

方式二：直接调用AI平台API（灵活，适配所有AI服务）

若Spring AI未支持你需要的AI平台，或需要更灵活的请求控制（如自定义请求头、处理复杂响应），可直接调用AI平台提供的HTTP API，手动处理请求和响应，适配性更强。

步骤1：引入HTTP客户端依赖

使用Spring Boot自带的WebClient（非阻塞，推荐）或RestTemplate，这里以WebClient为例，引入依赖：

<!-- WebClient依赖（非阻塞HTTP客户端） --> <dependency> <groupId>org.springframework.boot</groupId> <artifactId>spring-boot-starter-webflux</artifactId> </dependency> <!-- Jackson依赖（用于JSON序列化/反序列化） --> <dependency> <groupId>com.fasterxml.jackson.core</groupId><artifactId>jackson-databind</artifactId> </dependency> 

步骤2：配置AI参数（application.yml）

 server: port: 8080 openai: api-key: sk-xxxxxxx # 你的OpenAI API Key base-url: https://api.openai.com/v1/chat/completions # OpenAI聊天接口地址 model: gpt-3.5-turbo # 默认模型 

步骤3：编写工具类，封装API调用

手动构建请求体、发送HTTP请求、解析响应，这里封装一个工具类，处理同步和流式调用：

 import com.fasterxml.jackson.databind.ObjectMapper; import org.springframework.beans.factory.annotation.Value; import org.springframework.http.HttpHeaders; import org.springframework.http.MediaType; import org.springframework.stereotype.Component; import org.springframework.web.reactive.function.client.WebClient; import reactor.core.publisher.Flux; import java.util.ArrayList; import java.util.HashMap; import java.util.List; import java.util.Map; @Component public class OpenAIApiUtil { @Value("${openai.api-key}") private String apiKey; @Value("${openai.base-url}") private String baseUrl; @Value("${openai.model}") private String model; private final WebClient webClient; private final ObjectMapper objectMapper; // 初始化WebClient，设置请求头（认证信息、内容类型） public OpenAIApiUtil(WebClient.Builder webClientBuilder, ObjectMapper objectMapper) { this.webClient = webClientBuilder .baseUrl(baseUrl) .defaultHeader(HttpHeaders.AUTHORIZATION, "Bearer " + apiKey) .defaultHeader(HttpHeaders.CONTENT_TYPE, MediaType.APPLICATION_JSON_VALUE) .build(); this.objectMapper = objectMapper; } /** * 同步调用OpenAI API */ public String syncCall(String prompt) throws Exception { // 1. 构建请求体（符合OpenAI API要求） Map<String, Object> requestBody = new HashMap<>(); requestBody.put("model", model); List<Map<String, String>> messages = new ArrayList<>(); Map<String, String> message = new HashMap<>(); message.put("role", "user"); // 角色：user（用户）、system（系统提示）、assistant（AI响应） message.put("content", prompt); messages.add(message); requestBody.put("messages", messages); // 2. 发送POST请求，获取响应并解析 String response = webClient.post() .bodyValue(requestBody) .retrieve() .bodyToMono(String.class) .block(); // 阻塞等待响应（同步调用） // 3. 解析响应JSON，提取AI回答（简化解析，实际开发可封装实体类） Map<String, Object> responseMap = objectMapper.readValue(response, Map.class); List<Map<String, Object>> choices = (List<Map<String, Object>>) responseMap.get("choices"); Map<String, Object> choice = choices.get(0); Map<String, String> messageMap = (Map<String, String>) choice.get("message"); return messageMap.get("content"); } /** * 流式调用OpenAI API（SSE） */ public Flux<String> streamCall(String prompt) { // 构建请求体，与同步调用一致 Map<String, Object> requestBody = new HashMap<>(); requestBody.put("model", model); requestBody.put("stream", true); // 开启流式响应 List<Map<String, String>> messages = new ArrayList<>(); Map<String, String> message = new HashMap<>(); message.put("role", "user"); message.put("content", prompt); messages.add(message); requestBody.put("messages", messages); // 流式获取响应，逐段解析 return webClient.post() .bodyValue(requestBody) .retrieve() .bodyToFlux(String.class) .map(line -> { // 解析SSE响应格式（过滤空行和结束标识） if (line.isEmpty() || line.equals("data: [DONE]")) { return null; } String data = line.replace("data: ", ""); try { Map<String, Object> responseMap = objectMapper.readValue(data, Map.class); List<Map<String, Object>> choices = (List<Map<String, Object>>) responseMap.get("choices"); Map<String, Object> choice = choices.get(0); Map<String, String> delta = (Map<String, String>) choice.get("delta"); return delta.get("content"); // 返回逐段内容 } catch (Exception e) { return null; } }) .filter(Objects::nonNull); // 过滤空值 } } 

步骤4：编写接口测试

与方式一的Controller类似，注入OpenAIApiUtil，提供同步和流式接口，测试方式完全一致，此处不再赘述。

开发避坑与优化建议

结合实际项目经验，总结几个高频避坑点和优化方案，避免上线后出现问题：

1. 密钥安全：禁止在配置文件中硬编码API Key，推荐使用环境变量注入、KMS解密或Spring Cloud Vault实现密钥动态轮转，降低泄露风险。
2. 超时与熔断：AI接口响应时间波动较大（200ms~60s），需设置分级超时（连接超时5s、请求超时15~45s），并添加熔断降级机制（连续超时触发熔断），避免拖垮服务。
3. 上下文管理：长对话场景下，需注意Token限制，避免对话内容被静默截断，可采用“摘要压缩+关键句提取”的双级压缩架构，控制输入Token量。
4. 线程安全：高并发场景下，避免共用HTTP客户端导致连接池耗尽，需配置独立线程池，使用同步机制保护共享客户端，预防死锁和资源泄漏。
5. 成本监控：对接OpenAI等收费平台时，需监控Token消耗和调用成本，通过AOP切面统计请求Token数，设置成本告警阈值，避免预算超支。

总结

SpringBoot接入AI其实非常简单，两种方式各有优势：

• Spring AI Starter：适合大多数场景，官方封装，无需关注底层实现，切换模型只需修改配置，开发效率最高，新手首选；
• 直接调用API：适合需要灵活定制请求/响应、或对接Spring AI未支持的AI平台，可控性更强，但需手动处理更多细节。

本文的示例代码可直接复制使用，只需替换自己的API Key或本地模型配置，就能快速实现AI交互功能。后续可基于此扩展，实现更复杂的场景（如RAG检索增强、多角色对话、函数调用等），让AI更好地服务于业务。

如果觉得本文对你有帮助，欢迎点赞、收藏，若有疑问或补充，欢迎在评论区交流~