SpringBoot 快速接入AI：从0到1实现智能交互（两种主流方式）

优质文章学习记录

— 11 min read

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~

Read more

ROG-Map:一种高效的以机器人为中心的大场景高分辨率LiDAR运动规划网格地图（论文阅读）

ROG-Map:一种高效的以机器人为中心的大场景高分辨率LiDAR运动规划网格地图（论文阅读）

论文：ROG-Map: An Efficient Robocentric Occupancy Grid Map for Large-scene and High-resolution LiDAR-based Motion Planning 论文主要创新点： 1.本文旨在解决将激光雷达与OGM集成的挑战,ROG-Map是一种均匀的基于网格的OGM，可以保持局部地图与机器人一起移动，从而实现高效的地图操作，并降低大场景自主飞行的内存成本 2.此外，我们提出了一种新的增量障碍膨胀方法，该方法显着降低了膨胀的计算成本。该方法在各种公共数据集上优于最先进的（SOTA）方法。 3.0拷贝地图滑动策略，该策略仅维护机器人周围的局部地图，使ROG-Map适用于大场景任务 论文特点：只是用于避障的局部地图，最求计算效率最大化 第一部分：介绍 INTRODUCTION                视觉：测量范围短（35m）；激光雷达：精确和远程（避开小障碍物和大场景感知）。由于要避开小障碍物，分辨率足够高的OGM能够感知小障碍物，从而在复杂环境中实现导航和避障。充分利用激光雷达提供远
FPGA自学笔记--VIVADO RAM IP核控制和使用

FPGA自学笔记--VIVADO RAM IP核控制和使用

本文主要学习在VIVADO软件中如何生成所需要的RAM IP核，以及相关的配置定义，并搭建tb对生成的IP读写控制时序进行仿真和测试。 一、sram ip生成与配置 1.1 ram ip创建方法 1. 新建工程：打开 Vivado，创建一个新的工程项目。 2. 打开 IP Catalog：在 Vivado 主界面中，单击 IP Catalog。 3. 搜索 RAM：在右侧窗口的 Search 框中输入 ram，会出现相关 IP 条目。 4. RAM IP 类型：在 Memories & Storage Elements 分类下，可以看到两种主要的 RAM 创建入口： * Distributed

Zotero论文阅读标记颜色框架

Zotero论文阅读颜色标记体系总览表 颜色维度名称与用途回顾价值典型示例🟨 黄核心价值核心创新点 / 论点 论文的根本问题与核心解决方案。一分钟回忆起“这篇文章是做什么的”。提出新的稀疏矩阵乘法编码；发现Transformer的访存瓶颈。🟩 绿核心价值关键结果 / 性能指标 最有说服力的量化数据（PPA、准确率等）。验证其声称的成果是否坚实可靠。Speedup 1.5x over SOTA；内存占用减少40%；TFLOPS/W数据。🟥 红核心价值缺陷 / 局限性 / 强假设 作者承认的不足或你发现的逻辑漏洞、不合理设置。决定是否复用该方法，或作为自己研究的切入点。硬件开销过大；实验负载太简单；依赖特定编译器支持。🟦 蓝技术细节方法论 / 架构设计 / 实现细节 具体的硬件设计、算法流程、数据流、内存层次细节。需要复现代码或借鉴具体设计时查阅。Systolic Array的具体尺寸；Cache一致性协议；CUDA kernel优化技巧。🟪 紫技术细节重要公式 / 定义 核心数学推导、模型或特定术语的明确定义。
项目介绍 MATLAB实现基于强制导向函数法（PFA）进行无人机三维路径规划的详细项目实例（含模型描述及部分示例代码）还请多多点一下关注 加油 谢谢 你的鼓励是我前行的动力 谢谢支持 加油 谢谢

项目介绍 MATLAB实现基于强制导向函数法（PFA）进行无人机三维路径规划的详细项目实例（含模型描述及部分示例代码）还请多多点一下关注 加油 谢谢 你的鼓励是我前行的动力 谢谢支持 加油 谢谢

MATLAB实现基于强制导向函数法（PFA）进行无人机三维路径规划的详细项目实例 更多详细内容可直接联系博主本人  或者访问对应标题的完整博客或者文档下载页面（含完整的程序，GUI设计和代码详解） 无人机（UAV）技术的迅猛发展正在深刻变革着军事侦察、环境监测、农业巡检、物流配送等多个领域。随着无人机应用场景的复杂性和多样性的提升，对其自主飞行能力提出了更高要求，尤其是在三维空间中的路径规划问题变得尤为关键。三维路径规划旨在为无人机生成一条安全、高效、可行的飞行路径，避开各种动态或静态障碍物，实现任务目标的最优完成。路径规划的核心难题是如何在复杂环境中实时计算满足无人机运动学与动力学约束的路径，同时保证路径的平滑性和安全性。 强制导向函数法（Potential Field Approach, PFA）是一种经典的路径规划方法，因其算法结构简单、计算速度快且适合实时应用而受到广泛关注。PFA通过将目标点视为吸引力源，障碍物视为斥力源，使无人机在吸引力和斥力的综合作用下自然避开障碍，趋向目标。然而，传统PFA存在局部极小值陷阱、路径震荡等问题，限制了其在复杂三维环境中的实际应用。