Spring AI 如何接入集成 DeepSeek

Spring宣布可以通过Spring AI 接入DeepSeek啦！DeepSeek可是咱们国产大模型里的佼佼者，由深度求索公司发布。这次Spring与DeepSeek的合作，让不少开发者都跃跃欲试，想知道怎么基于DeepSeek大模型开发智能应用。别着急，今天这篇文章就带你一步步了解。

一、认识DeepSeek大模型

DeepSeek推出了两款不同功能侧重的模型，能满足各种不同的需求。

DeepSeek V系列：主打对话功能，模型名称是deepseek – chat。有了它，开发的应用就能和用户像朋友聊天一样顺畅交流，不管是解答问题，还是陪用户谈天说地都不在话下。
DeepSeek R系统：主要负责推理，模型叫deepseek – reasoner。它就像个“智慧大脑”，遇到复杂问题时，能通过推理给出合理的答案，比如分析数据、解决逻辑难题等。

要是你想了解DeepSeek模型的发布和演化过程，可以去它的官方更新日志看看，地址是https://api-docs.deepseek.com/zh-cn/updates ，这里面详细记录了模型的演变轨迹。

二、Spring AI集成DeepSeek大模型的方法步骤

DeepSeek AI开源了DeepSeek V3模型，这个模型的推理和解决问题的能力特别厉害。Spring AI是通过重用现有的OpenAI客户端来和DeepSeek AI集成的。在开始集成之前，咱们得做好下面这些准备工作：

获取API密钥：先去https://api-docs.deepseek.com/zh-cn/ 创建API密钥，拿到密钥后，在Spring AI项目里，把它配置到spring.ai.openai.api-key这个属性里。如果不会获取deepseek api请参考：
设置基本URL：接着把spring.ai.openai.base-url属性设置成api.deepseek.com 。
选择模型：用spring.ai.openai.chat.model=<model name>这个属性来指定要用的模型。可以从支持的型号里挑选，比如想用对话功能就选deepseek – chat，想用推理功能就选deepseek – reasoner。

做好准备工作后，咱们就可以开始集成DeepSeek了，具体步骤如下：

引入依赖：在项目的依赖配置文件里加上下面这段代码：

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

这段代码的作用是告诉项目，我们要使用Spring AI的OpenAI相关功能，为后续集成DeepSeek大模型打下基础。
2. 进行配置：在项目的配置文件里添加如下配置：

spring: ai: openai: api-key: sk-xxx // 填写自己申请的key base-url: https://api.deepseek.com chat: options: model: deepseek-chat

这里把前面获取的API密钥、设置的基本URL以及选择的模型都配置好了，让Spring AI能顺利连接到DeepSeek大模型。
3. 实现聊天示例：下面是一个简单的聊天示例代码：

package com.ivy.controller; import org.springframework.ai.chat.messages.UserMessage; import org.springframework.ai.chat.model.ChatResponse; import org.springframework.ai.chat.prompt.Prompt; import org.springframework.ai.openai.OpenAiChatModel; 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; import java.util.Map; @RestController public class ChatController { // 注入OpenAiChatModel，用于与DeepSeek大模型进行交互 private final OpenAiChatModel chatModel; public ChatController(OpenAiChatModel chatModel) { this.chatModel = chatModel; } // 处理/generate请求，返回生成的文本 @GetMapping("/ai/generate") public Map<String, String> generate(@RequestParam(value = "message", defaultValue = "Tell me a joke") String message) { // 调用chatModel的call方法，传入用户消息，获取生成的文本 return Map.of("generation", this.chatModel.call(message)); } // 处理/generateStream请求，返回流式的聊天响应 @GetMapping("/ai/generateStream") public Flux<ChatResponse> generateStream(@RequestParam(value = "message", defaultValue = "Tell me a joke") String message) { // 创建一个包含用户消息的Prompt对象 Prompt prompt = new Prompt(new UserMessage(message)); // 调用chatModel的stream方法，传入Prompt对象，获取流式的聊天响应 return this.chatModel.stream(prompt); } }

这段代码实现了两个接口，/ai/generate用于返回生成的文本，/ai/generateStream用于返回流式的聊天响应，让应用能和用户进行实时交互。