Spring AI 2.0 接入 DeepSeek:Java 大模型应用落地实践

Java大模型应用开发实战:Spring AI 2.0 + DeepSeek + RAG + Agent 大模型应用开发正从单一API调用转向可编排的工程链路。在Java生态中,Spring AI 2.0将模型接入、知识检索、工具调用抽象为Spring风格组件,使开发者能够在Spring Boot项目中快速构建具备对话、RAG和Agent能力的服务。RAG(检索增强生成)通过文档切块、向量化与向量库检索,让模型基于私有知识库回答;Agent则通过Function Calling自动编排工具,完成订单查询等复杂任务。DeepSeek作为生成模型,可借助OpenAI兼容协议无缝接入。本文结合LangChain4j与 阅读详情

在实际 Java 项目中接入大模型,2026 年已经不是一个实验性需求,而是很多业务系统里真实存在的功能模块。Spring AI 2.0 是 Spring 官方统一 Java 侧 LLM 集成方式的框架,DeepSeek 是目前 Java 开发者接入成本最低的国产对话模型之一,Langchain4j 则提供了另一套偏轻量、偏链路的 Java AI 框架思路。与此同时,Spring AI Alibaba 在国内环境下提供了一系列更贴近云上实践的组件。只要同时关注这几条技术路线,就能在项目选型时把“用哪个框架”和“接哪个模型”拆开考虑。

这篇教程不打算做成纯概念罗列,而是按一条完整的落地链路来走:先理解 Spring AI 2.0 是什么,再准备好 JDK、Maven、API Key,接着用 DeepSeek 跑通最小对话,然后做结构化输出,再进入向量检索场景,最后对比 Langchain4j 和 Spring AI Alibaba,并梳理生产环境常见问题。读完以后,你应该能独立完成一个“DeepSeek + Spring AI”的最小可运行项目,也知道后续该往哪个方向扩展。

1. Spring AI 2.0 到底改了哪些东西,Java 接入大模型为什么值得关注

1.1 从 Spring AI 1.x 到 2.0 的定位变化

Spring AI 在 1.x 时代解决的核心问题是“让 Java 开发者能用类似 Spring 的风格调用大模型”。到了 2.0,它不再只是把 OpenAI 客户端包装成一个 Bean,而是把模型调用、提示词管理、结构化输出、向量检索、Agent 编排等能力做成了统一的抽象层。

对业务开发者来说,最直观的变化有三个:

  1. ChatClient 成为和 RestTemplate、JdbcTemplate 一样的基础组件,写模型调用越来越像写普通数据访问代码。
  2. 模型接入通过 spring-ai-starter-model-* 这样的模块隔离,切换模型供应商时,业务代码可以保持稳定。
  3. AI 相关的自动配置被大幅精简,application.yml 里配好 Key 和模型名,就能直接注入 ChatClient。

但要注意,Spring AI 2.0 的 API 仍然在迭代,不同小版本之间可能存在方法签名调整。实际项目落地时,建议先锁定一个具体版本,再查看该版本的官方参考文档,不要直接照抄最新博客里的代码。

1.2 三条技术路线的定位差异

在搜资料时会发现,同一个 DeepSeek 接入需求,至少有三套写法:

  • Spring AI:Spring 官方方案,适合已经使用 Spring Boot 的项目,能和 Spring 的配置、监控、测试体系天然整合。
  • Langchain4j:更偏 LLM 应用的通用 Java 库,不强制依赖 Spring,适合想自己控制链路、或者非 Spring 技术栈的项目。
  • Spring AI Alibaba:面向国内云环境和阿里系中间件的派生方向,提供了一些本地化组件和更细的 AI 应用编排能力。

这三者不是互斥关系。最简单的项目可以只依赖 Spring AI;如果业务里需要高度自定义 Prompt 链,Langchain4j 的 AiServices 模型会更顺手;如果整套基础设施都在阿里云上,Spring AI Alibaba 可能更合适。

1.3 本文的最小目标与学习路径

这篇教程的最小目标是:在一个 Spring Boot 工程里,通过 Spring AI 调用 DeepSeek,完成对话、结构化输出、向量检索三个场景。再往后,文章会给出 Langchain4j 和 Spring AI Alibaba 的选型参考,方便你决定下一步用哪套体系。

学习路径可以这样安排:

  1. 先跑通最小对话,理解 ChatClient 和模型配置。
  2. 再做结构化输出,理解模型返回如何映射成 Java 对象。
  3. 然后加入向量库,理解检索增强生成的基本链路。
  4. 最后再看框架选型,避免一开始就陷入多框架比较。

2. 开发环境准备:JDK、Maven、模型 API Key 三者缺一不可

2.1 环境清单与版本确认

在写代码之前,先把环境检查一遍。Spring AI 2.0 整体对 Spring Boot 3.x / 4.x 的兼容情况在不同版本有差异,下面是常见开发环境的参考清单。

项目 推荐参考值 说明
JDK 17 或 21 Spring Boot 3.x 要求 JDK 17 起步,建议直接用 21
Maven 3.8+ 仓库拉取 Spring AI BOM 需要可用的 Maven 仓库
Spring Boot 3.3.x / 3.4.x 或更高 以 Spring AI 版本对应的兼容矩阵为准
Spring AI 2.0.x 文中示例基于 2.x API 思路
DeepSeek API Key 从开放平台申请 用于访问对话模型,需要单独配置
Embedding 模型 qwen embedding 或 OpenAI 兼容接口 用于向量检索场景,与对话模型分开配置

注意:原始材料没有给出固定的 Spring Boot 版本,因此落地前要确认依赖版本和兼容矩阵。不要在 pom.xml 里随意写一个高版本 Spring Boot 去搭配低版本 Spring AI,否则很容易出现自动配置不生效的问题。

2.2 申请 DeepSeek API Key 并核对模型名

DeepSeek 的接入方式和 OpenAI 兼容 API 非常接近。在 DeepSeek 开放平台完成注册后,可以创建 API Key。创建之后需要注意两点:

第一,API Key 只显示一次,离开页面后无法再次查看,需要自己保存好。建议使用环境变量或本地配置中心管理,不要把 Key 硬编码提交到 Git 仓库。

第二,模型名要以官方文档为准。常见的对话模型有 deepseek-chat、deepseek-reasoner 等,不同时期开放平台可能增加或调整模型。写配置时不要把模型名写死成博客里的示例值,先到开放平台确认当前模型名。

export DEEPSEEK_API_KEY=sk-你的key

在本地开发时,这个环境变量会被 Spring 的配置占位符读取,避免 Key 出现在代码中。

2.3 新建一个干净的 Spring Boot 工程

创建一个最小工程,建议先不引入复杂依赖。在 start.spring.io 或者 IDE 初始化工具中选择 Spring Web 和 Spring AI 相关依赖即可。如果 IDE 里还没有 Spring AI 选项,可以在 pom.xml 中手动引入 BOM。

<parent>
    <groupId>org.springframework.boot</groupId>
    <artifactId>spring-boot-starter-parent</artifactId>
    <version>3.4.x</version>
    <relativePath/>
</parent>

<properties>
    <java.version>21</java.version>
    <spring-ai.version>2.0.x</spring-ai.version>
</properties>

<dependencyManagement>
    <dependencies>
        <dependency>
            <groupId>org.springframework.ai</groupId>
            <artifactId>spring-ai-bom</artifactId>
            <version>${spring-ai.version}</version>
            <type>pom</type>
            <scope>import</scope>
        </dependency>
    </dependencies>
</dependencyManagement>

核心依赖只需要一个 Web Starter 和一个模型 Starter。

<dependencies>
    <dependency>
        <groupId>org.springframework.boot</groupId>
        <artifactId>spring-boot-starter-web</artifactId>
    </dependency>
    <dependency>
        <groupId>org.springframework.ai</groupId>
        <artifactId>spring-ai-starter-model-openai</artifactId>
  
Java也能做AI应用:Spring AI + DeepSeek 实现RAG与Agent 企业级AI应用开发并不只有Python一条路径。当问题从“调用模型接口”转向“连接私有数据、编排内部工具、控制权限与审计”时,工程化能力成为关键,而这正是Java后端生态的长期积累。Spring AI提供统一抽象层,让开发者以类似JdbcTemplate的方式接入大模型,屏蔽不同厂商API差异;DeepSeek凭借OpenAI兼容协议与高性价比,成为国内Java团队快速落地的优选模型。在此基础上,RAG(检索增强生成)通过向量化与相似检索让模型基于企业文档作答,Agent借助函数调用让模型按需触发业务动作。 阅读详情

相关推荐

Spring AI集成DeepSeek:三步搞定Java智能应用

介绍了国产多模态大模型 DeepSeek 的优势,阐述了 Spring AI 在 AI 集成中的作用,详细说明了借助 Spring AI 在 Java 应用中集成 DeepSeek 的步骤,包括环境准备、构建项目(添加 pom 依赖、配置文件、定义接口)及方法调用,还探讨了 AI 发展趋势对程序员的影响。

小天一直在路上 5220

SpringAI——如何使用java来接入大模型

Spring AI是Spring生态中的新成员,专门为AI服务接入而设计,提供统一的API接口和自动配置能力,极大地简化了开发人员与不同大模型API集成的过程。add存储指定会话ID的聊天消息列表到内存或持久存储中。get根据会话ID和数量lastN,获取最近的N条聊天消息。clear清空指定会话ID对应的消息列表。

gege_0606的博客 2260

SpringBoot快速接入DeepSeek-R1大模型(JDK1.8)

ai4j是一个用于在 Java 应用程序中集成人工智能模型的库。它提供了简单的 API,使得开发者可以轻松地调用各种 AI 模型,包括自然语言处理、图像识别等。ai4j的设计目标是让 Java 开发者能够在不深入了解 AI 底层技术的情况下,快速集成 AI 功能。用于快速接入 AI 大模型应用。

weixin_38409915的博客 2223

Java 后端接入 DeepSeek:Spring AI 2.0 + LangChain4j + Alibaba 实战

Java 后端开发者在构建大模型应用时,常面临模型接入方式不统一、业务数据难以进入模型、输出结果不可控等工程化痛点。Spring AI 2.0 作为官方抽象层,提供统一 ChatClient 接口与结构化输出能力;LangChain4j 以轻量、不依赖 Spring 的特性,适合快速实现 Agent 与工具调用;Spring AI Alibaba 则补齐了向量检索、工作流编排等国内生产级能力。三者组合可覆盖从 DeepSeek 对话接入到 RAG 知识库构建的完整链路。本文从基础概念讲起,结合实际代码示例,

weixin_33563728的博客 307

Spring AI与DeepSeek实战一:快速打造智能对话应用

在 AI 技术蓬勃发展的今天,国产大模型DeepSeek凭借其低成本高性能的特点,成为企业智能化转型的热门选择。而Spring AI作为 Java 生态的 AI 集成框架,通过统一API、简化配置等特性,让开发者无需深入底层即可快速调用各类 AI 服务。本文将手把手教你通过spring-ai集成DeepSeek接口实现普通对话与流式对话功能,助力你的Java应用轻松接入 AI 能力!虽然通过Spring AI能够快速完成DeepSeek大模型与。

zlt2000的博客 2402

SAP 销售订单及发票 利润中心替代 Userexit出口 配置及程序

在跨公司销售业务中,跨公司销售订单的发票时无法从销售订单中将利润中心带到发票中,所以在跨公司的发票创建过程中需要配置出口来获取对应销售订单行项目的利润中心。 事务代码: 0KEM 配置步骤: 1、创建一个新的替代 2、创建一个步骤 3、维护一个先决条件,比如针对于特定工厂 PCASUB-VKBUR = '0001' 4、选择替代程序FORM,FORM必须为指定程序中存在的FORM名 5、编辑替代程序FORM 实现效果: 在程序FORM中打上断点 ...

李威威wiwi的博客 5071

告别TwinCAT:手把手教你用IgH EtherCAT Master在LinuxCNC上搭建实时运动控制平台

本文详细介绍了如何利用IgH EtherCAT Master和LinuxCNC搭建开源实时运动控制平台,替代商业软件TwinCAT。通过分步指南,包括实时Linux环境配置、EtherCAT主站安装、LinuxCNC集成及多轴同步控制实现,帮助开发者构建高性能、低成本的工业自动化解决方案。

weixin_42641741的博客 404

Tessent ATPG进阶:解锁多种Fault Model的工程实践与选型指南

本文深入探讨Tessent ATPG中多种Fault Model的工程实践与选型策略,涵盖Stuck-at、Transition、Bridge等核心模型的应用场景与配置技巧。通过实际案例解析,展示如何组合不同Fault Model提升芯片测试覆盖率,特别针对汽车电子、超低功耗芯片等复杂场景提供专业解决方案。

weixin_30219613的博客 202

NeuralKG的安装及简单demo使用(浙江大学开源知识图谱表示学习工具)

记录NeuralKG的安装和使用,以及解决windows系统下的运行demo.py出现的问题。

m0_46621271的博客 1400

海康威视摄像机SDK二次开发--提取音频保存至文件

由于最近在开发海康威视摄像头,特此记录一下如何提取音频数据,这里主要依靠语音对讲返回的音频数据,通过回调函数写入文件中,加个WAV头即可播放,编码格式可以自己设置在代码中有注释 文件结构 其中CameraInfo内容可以参看海康威视摄像机SDK二次开发–实时预览视频流保存到指定文件中 HIKSDKSaveRealData中的内容 package ClientDemo; import ClientDemo.CameraInfo; import com.sun.jna.NativeLong; import

RichardoMu的博客 3174

从零构建高精度电子秤:HX711与STM32的时序通信陷阱与实战避坑指南

本文详细解析了使用STM32F103C8T6与HX711模块构建高精度电子秤的通信时序陷阱与实战解决方案。重点探讨了微秒级延迟实现、数据读取算法、校准方法和滤波优化,帮助开发者避开常见通信问题,提升电子秤的测量精度和稳定性。

data3的博客 786

【无人机基站】基于K-mean算法实现无人机基站部署附matlab代码

【无人机基站】基于K-mean算法实现无人机基站部署附matlab代码

天天酷科研的博客 248

SAP BTP ABAP RAP 开发对象命名规范与落地实践

摘要:SAP BTP ABAP开发中的命名规范实践 在企业级ABAP开发中,命名规范是提升交付效率的工程化手段。SAP推荐采用[/<namespace>/][<prefix>]_<object_name>_[<suffix>]的结构化命名框架,解决多对象、多团队的协同问题。关键实践包括:使用组织专属命名空间避免冲突;通过prefix区分同类型对象的不同语义(如UI_/API_);object_name体现业务语义而非技术细节;suffix表达次级差异。在具体对

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 1442

C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正

怀旧版电脑GBC模拟器

再现原版GBC掌机的界面,电脑运行连游戏界面都一样大小,很怀旧,很真实,(英文版)强烈推荐,很小的文件,很难才找到的。

最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版

Part-E1-SDIO-Specification-Ver4.00-Final-120220.pdf:最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版,包括SDIO 接口的外设,SDIO 接口官方协议等。

上一篇: 语幕AI字幕软件本地部署指南:从语音识别到批量生成
下一篇: RAGFlow实战:从部署到知识库问答的完整指南
weixin_33861800
博客等级 码龄11年 6648粉丝 1249原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值
⌂ 换网址