Spring AI如何集成DeepSeek？今天，我们聚焦于DeepSeek，深入探索其在实际应用中的价值，尤其是如何将它接入Spring AI，为解决现实问题提供强大助力。需要明确的是，尽管DeepSeek目前主要作为推理型助手，并非智能体的最优选择，但它在推理和数据分析方面的卓越能力，足以使其在业务流程优化中发挥关键作用，值得将其集成到业务系统中充分利用。

我们以在腾讯云HAI服务器上部署的DeepSeek大模型为基础展开开发，借助其强大功能满足当下业务需求。

Spring AI：灵活对接，开启智能之旅

HAI服务器上实际部署的是Ollama，而Spring文档贴心地提供了对应的Ollama接口，极大地方便了开发者进行集成工作。如果觉得使用Ollama的流程稍显繁琐，也完全不必担心，因为Ollama和OpenAI接口相互兼容，可以根据实际需求灵活选择。具体信息可参考下图：

该图展示Spring AI相关的项目结构，在AI Models – Chat Models – Ollama板块有相关信息，强调Ollama和OpenAI的兼容性等。

在使用Ollama时，首先要完成对接工作。这需要引入Ollama的相关依赖，操作如下：

<dependency> <groupId>org.springframework.ai</groupId> <artifactId>spring-ai-ollama-spring-boot-starter</artifactId> </dependency>

引入依赖后，还需添加关键的配置信息，包括调用地址和调用模型：

spring.ai.ollama.base-url=http://ip:6399 spring.ai.ollama.chat.options.model=deepseek-r1:7b

这里的IP需替换为HAI所暴露的外网IP地址。HAI提供了1.5b和7b两种模型版本，从性能方面考虑，更推荐使用7b版本，它在处理复杂任务和输出效果上，相较于1.5b版本有着明显优势。接下来，编写一个简单的接口API，供业务系统调用：

@PostMapping("/ai") ChatDataPO generationByText(@RequestParam("userInput") String userInput) { String content = this.chatClient.prompt() .user(userInput).advisors(new MessageChatMemoryAdvisor(chatMemory)) .call().content(); log.info("content: {}", content); ChatDataPO chatDataPO = ChatDataPO.builder().code("text").data(ChildData.builder().text(content).build()).build(); return chatDataPO; }

由于这是阻塞式响应，获取结果可能需要等待一段时间。若想实时查看响应结果，可以接入流式服务。实际运行效果如下：

如果觉得7b模型的回答效果未能达到预期，还可以选择加载更强大的70b模型版本。不过，需要注意的是，更大规模的模型意味着更高的算力需求，70b模型的存储需求也更为严苛，部署和运行时可能需要额外的磁盘空间。

当前，基础性机器的存储容量仅200GB，无法下载完整的更大规模模型，最多只能支持70b参数规模的模型。对于存储容量有限的环境，选择合适的模型版本至关重要。若想了解各个模型的存储需求，可访问Ollama官方网站查看详细信息。以下是部分模型大小的参考：

在HAI服务器的终端上，可以使用命令ollama run deepseek-r1:70b进行模型拉取下载。但即便存储容量满足要求，若显存级别不足，模型加载速度依然较慢。为确保系统流畅运行，建议将显存扩展至32GB及以上，这样才能实现更高效的性能，为用户带来更好的体验。

总结

DeepSeek作为推理型助手，在提升业务流程方面潜力巨大。通过集成到Spring AI并借助Ollama接口，开发者能够根据不同的性能需求灵活选择合适的模型版本。虽然现阶段受硬件条件限制，但随着技术的持续进步和硬件的升级，DeepSeek在实际应用中的优势将愈发凸显，为企业实现智能化转型提供强大的技术支持。