SpringAI 开放 DeepSeek 直连！最新的 SpringAI 爆点你学会了吗？
稀
Chuck1sn约 4 分钟
Chuck1sn约 4 分钟
点击
关注
公众号，“
技术干货
” 及时达！
各位掘友大家好，我是 Chuck1sn，一个长期致力于现代 JVM 技术栈推广的开发人员。
当 Java 遇见国产大模型
SpringAI 作为 Spring 生态中面向 AI 能力的集成框架，近期正式宣布对国产大模型 DeepSeek 的直连支持——这意味着我们终于可以像使用 OpenAI 一样，以 「标准化方式」 在 Java 项目中调用国产大模型！这篇文章和以往的系列文章无关，属于快速查找型的文章，主要服务以下内容：
-
快速理解 SpringAI 的抽象设计哲学 -
快速配置 DeepSeek 直连通道 -
快速实现完整的对话与流式响应 -
简略生产环境最佳实践
一、SpringAI 的设计哲学
1.1 统一的 API 抽象
SpringAI 的核心价值在于 「统一不同 AI 供应商的差异化 API」 。无论是 OpenAI、Azure 还是 DeepSeek，开发者都通过同一套
ChatClient
接口进行操作：
这种设计完美契合 「六边形架构」 思想，将 AI 能力作为可插拔的端口（Port）接入系统，业务核心逻辑则通过适配器（Adapter）与具体实现解耦。public interface ChatClient {ChatResponse call(ChatRequest request);Flux<ChatResponse> stream(ChatRequest request);}
1.2 配置即连接
通过 Spring Boot 的
application.yml
，我们可以灵活切换不同 AI 供应商：
这种配置方式与 Spring Security 的认证体系、Spring Cloud 的微服务配置中心天然契合，特别适合需要 「动态切换模型供应商」 的企业场景。spring:ai:provider: deepseek # 只需修改这个值即可切换供应商deepseek:base-url: https://api.deepseek.com/v1api-key: ${DEEPSEEK_API_KEY}
二、快速接入 DeepSeek
2.1 添加依赖
在
pom.xml
中引入 SpringAI 的 DeepSeek 模块：
<dependency><groupId>org.springframework.ai</groupId><artifactId>spring-ai-deepseek</artifactId><version>0.8.1</version></dependency>
2.2 配置连接参数
在
application.yml
中配置 DeepSeek 的访问凭证：
这里我们启用了 「配置继承机制」 ：全局配置可被具体 Chat 选项覆盖，实现不同业务场景的参数调优。spring:ai:deepseek:base-url: https://api.deepseek.com/v1api-key: sk-your-api-key-herechat:options:model: deepseek-chattemperature: 0.7
2.3 实现基础对话
创建服务层组件：
@Service@RequiredArgsConstructorpublic class DeepSeekService {private final DeepSeekChatClient chatClient;public String generateContent(String prompt) {Prompt request = new Prompt(new UserMessage(prompt));return chatClient.call(request).getResult().getOutput().getContent();}}
在 Controller 层暴露 API：
@RestController@RequestMapping("/api/ai")public class AIController {private final DeepSeekService deepSeekService;@PostMapping("/ask")public ResponseEntity<String> askQuestion(@RequestBody String question) {String answer = deepSeekService.generateContent(question);return ResponseEntity.ok(answer);}}
三、进阶功能实现
3.1 流式响应
对于需要实时反馈的场景，使用 Server-Sent Events (SSE) 实现流式传输：
@GetMapping("/stream")public Flux<String> streamResponse(@RequestParam String prompt) {return chatClient.stream(new Prompt(prompt)).map(response -> response.getResult().getOutput().getContent());}
前端通过 EventSource 监听：
const eventSource = new EventSource('/api/ai/stream?prompt=如何设计分布式系统');eventSource.onmessage = (e) => {console.log(e.data); // 实时获取片段};
3.2 结构化输出
通过指定响应格式，让模型返回结构化数据：
@Beanpublic PromptTemplate userPromptTemplate() {return new PromptTemplate("""请将以下用户反馈分类：{feedback}按 JSON 格式返回：{"category": "bug|feature|compliment","severity": 1-5}""");}public AnalysisResult analyzeFeedback(String feedback) {Prompt prompt = userPromptTemplate().create(Map.of("feedback", feedback));String json = chatClient.call(prompt).getResult().getOutput().getContent();return objectMapper.readValue(json, AnalysisResult.class);}
四、生产环境最佳实践
4.1 安全加固
在 Spring Security 配置中保护 AI 端点：
@BeanSecurityFilterChain securityFilterChain(HttpSecurity http) throws Exception {http.authorizeHttpRequests(auth -> auth.requestMatchers("/api/ai/**").hasRole("AI_USER")).oauth2ResourceServer(OAuth2ResourceServerConfigurer::jwt);return http.build();}
4.2 AI 也有的性能调优
通常默认配置都可以满足要求，但是当需要调优时，修改以下参数即可自定义配置。
spring:ai:deepseek:client:connect-timeout: 5sread-timeout: 30smax-connections: 50
4.3 监控告警
推荐使用 Micrometer 集成监控指标，代码非常简单如下所示：
@BeanMeterRegistryCustomizer<MeterRegistry> metricsCommonTags() {return registry -> registry.config().commonTags("ai.provider", "deepseek");}
五、架构思考：AI 如何融入现有系统
在典型的领域驱动服务架构中，建议将 AI 服务定位在 「应用层与领域层之间」 ：用户界面层
↓
应用服务层 → AI 服务代理（处理 prompt 工程）
↓
领域模型层
↓
基础设施层（SpringAI 实现）
这种设计保证了：
-
领域模型不依赖具体 AI 实现 -
应用服务控制 AI 的上下文组装 -
基础设施层实现技术细节
结语
通过 SpringAI 集成 DeepSeek，我们不仅获得了大模型的能力，更重要的是遵循了 「可持续演进」 的架构原则。这样的架构刚好帮助我们逐步推进下面的架构设计原则：- 将 AI 调用封装为 「领域服务」
- 为重要 AI 操作添加 「审计日志」
- 定期评估模型输出的 「业务一致性」
通过上面的快速预览内容，你应该可以对整体 SpringAI 的功能做一个简略了解。今后的文章中，我们将详细阐述 DDD 和 SpringAI 的真正实战型内容，敬请期待。
点击 关注 公众号，“ 技术干货 ” 及时达！