最新动态：虽然 Spring AI 的快照版已经内置了 DeepSeek，但由于快照版本不稳定、Bug 较多，本文将详细介绍如何在稳定版 Spring AI 中接入 DeepSeek 的全功能解决方案，让你的项目更高效、更稳定。
1. 项目背景与技术介绍
1.1 Spring AI 概览
Spring AI 是 Spring 生态体系内的重要项目，致力于让人工智能能力无缝融入 Spring 应用。通过它，Java 开发者可以更简单地构建、管理和部署各类 AI 模型，将企业数据与智能 API 轻松对接，实现业务自动化和智能化。
其核心优势在于迅速将 Spring 生态系统与各类 AI 模型连接起来，目前已支持 Anthropic、OpenAI、Microsoft、Amazon、Google、Ollama 等主流模型供应商，功能涵盖：
- 聊天交互
- 嵌入式附件
- 文本生成图片
- 音频转文本
- 文本转音频
此外，最新预览版中也集成了 DeepSeek 模型，为开发者带来更多可能。
1.2 DeepSeek 模型简介
DeepSeek 由国内顶尖 AI 团队「深度求索」开发，是一款多模态大模型，具备数学推理、代码生成等高阶能力，被誉为“AI界的六边形战士”。其 R1 版本采用“思维链”技术，能完整展示推理过程，在复杂任务中表现尤为出色，甚至在部分场景下可与 OpenAI 的顶级模型媲美。
DeepSeek 的两个最具代表性的特点为：
- 低成本：硬件要求宽松、开源且易用，无需繁琐的提示词配置。
- 高性能：推理速度快、回答准确，适合各类高要求任务。
2. 集成 DeepSeek 的操作步骤
在接入前，请确保你的开发环境已准备就绪，并且拥有 DeepSeek API Key（注册获取：DeepSeek官网）。
2.1 环境准备
确保以下环境要求都已满足：
- JDK 17 或更高版本
- Maven 或 Gradle 构建工具
- DeepSeek API Key（通过官网申请）
2.2 创建 Spring Boot 项目
利用 Spring Initializr 或其他工具创建一个新的 Spring Boot 项目，推荐版本 3.2.x 或以上，以确保兼容最新特性。
2.3 添加依赖
在项目的 pom.xml 文件中引入 Spring AI 和 DeepSeek 所需依赖。以下为基于 Maven 的示例配置：
<dependencies><dependency><groupId>org.springframework.boot</groupId><artifactId>spring-boot-starter-web</artifactId></dependency><dependency><groupId>org.springframework.ai</groupId><artifactId>spring-ai-openai-spring-boot-starter</artifactId></dependency>
</dependencies>
2.4 配置 DeepSeek 相关参数
在 application.properties 或 application.yml 中加入 DeepSeek 的配置信息：
# 必填项
spring.ai.openai.api-key=your-apikey
spring.ai.openai.base-url=https://api.deepseek.com# 模型选择（本例采用对话模型）
spring.ai.openai.chat.options.model=deepseek-chat
其中：
- api-key 为你在 DeepSeek 官网申请到的密钥；
- base-url 为 DeepSeek API 服务地址；
- model 指定了所使用的模型版本。
DeepSeek 模型选项
DeepSeek 当前支持两种模型，满足不同场景需求：
- deepseek-chat（V3）：适用于聊天机器人、智能客服及内容生成，擅长处理日常对话任务。
- deepseek-reasoner（R1）：专注于复杂推理问题，适合处理需要深度逻辑分析的任务。
2.5 编写代码实现交互
下面是一个简单的控制器示例，通过该控制器实现与 DeepSeek 的基本交互。代码中提供了两种方式：同步返回与流式输出。
import org.springframework.beans.factory.annotation.Autowired;
import org.springframework.web.bind.annotation.*;
import reactor.core.publisher.Flux;@RestController
@RequestMapping("/api/chat")
public class ChatController {@Autowiredprivate DeepSeekClient deepSeekClient;@PostMappingpublic String chat(@RequestBody String message) {return deepSeekClient.chatCompletion(message).getOutput().getContent();}@GetMapping(value = "/stream", produces = "text/event-stream")public Flux<String> chatStream(@RequestParam String message) {return deepSeekClient.chatFluxCompletion(message).map(response -> response.getOutput().getContent());}
}
在此示例中：
- chat 方法处理常规非流式请求；
- chatStream 方法则支持 SSE（Server-Sent Events）实现实时流式响应，及时推送 AI 的输出结果。
3. 后续思考：流式响应的前后端协作
由于大模型在复杂推理时响应速度较慢，使用流式输出能够逐步展示结果，从而提升用户体验。
那么如何在前后端实现这一高效交互？
- 后端：通常采用 SSE、WebSocket 或 HTTP/2 Server Push 技术，将计算结果实时推送至客户端。
- 前端：则需通过 JavaScript（例如 EventSource 或 WebSocket API）持续接收并展示数据流，提升交互流畅度。
