01：SpringAI

一：SpringAI基础理论

Spring AI 是 Spring 官方在 2024 年推出的 AI 开发框架，旨在将 Spring 的设计原则——可移植性、模块化设计和 POJO 编程模型——应用到 AI 工程领域。它不是一个简单的 "AI SDK"，而是一套完整的 AI 应用开发框架，让 Java 开发者可以用熟悉的 Spring Boot 风格来构建 AI 应用。

该项目的创立基于一个信念：下一波生成式 AI 应用程序将普及到多种编程语言，而不仅限于 Python 开发者。它借鉴了 LangChain 和 LlamaIndex 等 Python 项目的灵感，但并非直接移植。

核心定位：将企业的"数据"和"API"与"AI 模型"连接起来。

1.1：核心设计理念

Spring AI 的设计哲学完全传承自 Spring 框架：

1.2：核心特性

1.2.1：全栈多供应商模型适配

深度对接主流 AI 服务商：

• 聊天模型：OpenAI、Anthropic (Claude)、通义千问、DeepSeek、Ollama 等

• 嵌入模型：文本向量化、语义搜索

• 多模态模型：图像识别、视频理解、音频转录

• 语音交互：音频转录、文本转语音

所有模型统一接口封装，切换模型无需修改业务代码。

1.2.2：标准化抽象 API

提供ChatClient、EmbeddingModel、ImageModel等标准化接口，支持：

• 同步和流式 API 调用

• 结构化输出：将 AI 非结构化响应自动映射到 Java POJO

• 模型特定高级功能（如 Function Calling）

1.2.3：原生集成 Spring Boot

• 通过 Starter 依赖与自动装配实现一键集成

• Spring Initializr 可快速生成项目骨架

• 支持虚拟线程、GraalVM 原生镜像

• 通过 Micrometer 实现可观测性

• 集成 Spring Boot DevTools、Docker Compose 和 Testcontainers

1.2.4：向量数据库与 RAG 支持

跨向量存储提供商提供便携式 API，支持：

• Apache Cassandra、Milvus、PGVector、Redis、Elasticsearch、Chroma 等

• 类 SQL 元数据过滤器 API

• 检索增强生成（RAG）

1.2.5：工具/函数调用

允许 AI 模型请求执行客户端工具和函数，按需访问实时信息并采取行动。支持通过@Tool注解或java.util.Function对象定义工具。

1.2.6：ETL 框架与可观测性

• 数据工程的文档摄取 ETL 框架

• AI 相关操作的可观测性支持

• AI 模型评估工具，帮助防止幻觉响应

1.2.7：Advisors API

封装常见的生成式 AI 模式，转换发送给和来自 LLM 的数据，实现"针对文档的问答"等常见用例。

1.3：核心概念与架构

1.3.1：核心概念

1.3.2：架构分层

Spring AI 的架构可分为三层：

1. 接口层：通过AIClient等接口定义 AI 服务的标准调用方式，支持同步/异步

2. 核心引擎层：模型管理与动态路由，支持模型版本管理和 A/B 测试

3. 基础设施层：通过自动配置机制支持自定义序列化器、请求拦截器、健康检查等扩展

核心模块包括：

• Core Abstractions：统一的 AI 任务抽象

• Extensions：通过 Spring 自动配置集成企业级组件

• Ecosystem：与 Spring Cloud、Spring Data 等无缝融合

1.4：快速上手

1.4.1：添加依赖

在pom.xml中添加 Spring Milestones 仓库和 BOM：

<repositories> <repository> <id>spring-milestones</id> <name>Spring Milestones</name> <url>https://repo.spring.io/milestone</url> </repository> </repositories> <properties> <spring-ai.version>1.1.2</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> <dependencies> <dependency> <groupId>org.springframework.ai</groupId> <artifactId>spring-ai-openai-spring-boot-starter</artifactId> </dependency> </dependencies>

1.4.2：配置 API Key

在application.yml中配置：

spring: ai: openai: api-key: ${OPENAI_API_KEY} chat: options: model: gpt-4o

国内开发者可使用阿里云通义千问。

1.4.3：编写调用代码

通过ChatClient即可完成 AI 调用。

1.5：适用场景

1.6：总结

Spring AI 的核心价值在于：

1. 统一抽象：一套接口覆盖所有主流 AI 模型，切换零成本

2. 降低门槛：Java 开发者无需 AI 底层知识即可集成 AI 能力

3. 企业级就绪：继承 Spring Boot 的生产级特性，开箱即用

4. 完整生态：覆盖模型调用、向量存储、RAG、Agent 等全流程

官方资源：

• 官网：https://spring.io/projects/spring-ai[reference:64]

• 官方文档：https://docs.spring.io/spring-ai/reference/index.html[reference:65]

• 中文文档：https://spring-ai.springdoc.cn/docs/1.0.0/index.html[reference:66]

二：SpringAI特性介绍

Spring AI 是一个面向人工智能工程的应用框架。解决了 AI 集成的基本挑战：将企业数据和API与AI 模型连接起来。

2.1：特性

2.1.1：提示词工厂

可以说是大模型应用中最简单也是最核心的一个技术。他是我们更大模型交互的媒介，提示词给的好大模型才能按你想要的方式响应。

2.1.2：对话拦截advisors

面向切面的思想对对模型对话和响应进行增强。

2.1.3：对话记忆

@Autowired ChatMemoryRepository chatMemoryRepository;

通过一个bean组件就可以让大模型拥有对话记忆功能，可谓是做到了开箱即用

2.1.4：tools

让大模型可以跟企业业务API进行互联 ，这一块实现起来也是非常的优雅

class DateTimeTools { @Tool(description = "Get the current date and time in the user's timezone") String getCurrentDateTime() { return LocalDateTime.now().atZone(LocaleContextHolder.getTimeZone().toZoneId()).toString(); } }

2.1.5：RAG技术下的 ETL

让大模型可以跟企业业务数据进行互联（包括读取文件、分隔文件、向量化） 向量数据库支持 目前支持20+种向量数据库的集成。

2.1.6：MCP

让tools外部化，形成公共工具让外部开箱即用。 原来MCP协议的JAVA SDK就是spring ai团队提供的 提供了MCP 客户端、服务端、以及MCP认证授权方案 ，还有目前正在孵化的Spring MCP Agent 开源项目:

2.1.7：模型的评估

可以测试大模型的幻觉反应

2.1.8：可观察性

它把AI运行时的大量关键指标暴露出来， 可以提供Spring Boot actuctor进行观测

2.1.9：agent应用

springai 提供了5种agent模式的示例

• Evaluator Optimizer – The model analyzes its own responses and refines them through a structured process of self-evaluation.

• Routing – This pattern enables intelligent routing of inputs to specialized handlers based on classification of the user request and context.
• Orchestrator Workers – This pattern is a flexible approach for handling complex tasks that require dynamic task decomposition and specialized processing
• Chaining – The pattern decomposes complex tasks into a sequence of steps, where each LLM call processes the output of the previous one.
• Parallelization – The pattern is useful for scenarios requiring parallel execution of LLM calls with automated output aggregation.

学完这5种你会对对模型下的agent应用有一个完整认识

2.2：langchain4j vs springAI

三：SpringAi快速使用-DeepSeek

代码git地址：

3.1：父工程-MyAi

3.1.1：pom

<?xml version="1.0" encoding="UTF-8"?> <!-- Maven项目对象模型(POM)根元素 --> <project xmlns="http://maven.apache.org/POM/4.0.0" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xsi:schemaLocation="http://maven.apache.org/POM/4.0.0 http://maven.apache.org/xsd/maven-4.0.0.xsd"> <!-- POM模型版本 --> <modelVersion>4.0.0</modelVersion> <!-- 父项目配置：继承Spring Boot的默认配置 --> <parent> <groupId>org.springframework.boot</groupId> <artifactId>spring-boot-starter-parent</artifactId> <version>3.5.3</version> <relativePath/> </parent> <!-- 项目组织标识符 --> <groupId>com.zgs</groupId> <!-- 项目名称 --> <artifactId>MyAi</artifactId> <!-- 项目版本 --> <version>1.0-SNAPSHOT</version> <!-- 项目名称显示名 --> <name>MyAi</name> <!-- 项目描述 --> <description>MyAi</description> <!-- 打包方式：pom表示这是一个聚合项目或父项目 --> <packaging>pom</packaging> <!-- 子模块配置 --> <modules> <module>ai-quick-start</module> </modules> <!-- 项目属性配置 --> <properties> <!-- Java编译器源码版本 --> <maven.compiler.source>17</maven.compiler.source> <!-- Java编译器目标版本 --> <maven.compiler.target>17</maven.compiler.target> <!-- 项目构建编码格式 --> <project.build.sourceEncoding>UTF-8</project.build.sourceEncoding> <!-- Spring AI版本号 --> <spring-ai.version>1.0.0</spring-ai.version> </properties> <!-- 项目依赖配置 --> <dependencies> <!-- Spring Boot Web starter：提供Web开发功能（包含Tomcat、Spring MVC等） --> <dependency> <groupId>org.springframework.boot</groupId> <artifactId>spring-boot-starter-web</artifactId> </dependency> <!-- Spring Boot Test starter：提供测试功能（JUnit、Mockito等） --> <dependency> <groupId>org.springframework.boot</groupId> <artifactId>spring-boot-starter-test</artifactId> <scope>test</scope> </dependency> </dependencies> <!-- 依赖管理：统一管理依赖版本，不直接引入依赖 --> <dependencyManagement> <dependencies> <!-- Spring AI BOM：统一管理的AI相关依赖版本 --> <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> <!-- 构建配置 --> <build> <!-- 插件配置 --> <plugins> <!-- Spring Boot Maven插件：支持打包和运行Spring Boot应用 --> <plugin> <groupId>org.springframework.boot</groupId> <artifactId>spring-boot-maven-plugin</artifactId> </plugin> </plugins> </build> </project>

3.2：子工程-ai-quick-start

3.2.1：pom

<?xml version="1.0" encoding="UTF-8"?> <project xmlns="http://maven.apache.org/POM/4.0.0" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xsi:schemaLocation="http://maven.apache.org/POM/4.0.0 http://maven.apache.org/xsd/maven-4.0.0.xsd"> <modelVersion>4.0.0</modelVersion> <parent> <groupId>com.zgs</groupId> <artifactId>MyAi</artifactId> <version>1.0-SNAPSHOT</version> </parent> <artifactId>ai-quick-start</artifactId> <version>1.0-SNAPSHOT</version> <name>ai-quick-start</name> <description>ai-quick-start</description> <properties> <java.version>17</java.version> <maven.compiler.source>17</maven.compiler.source> <maven.compiler.target>17</maven.compiler.target> <project.build.sourceEncoding>UTF-8</project.build.sourceEncoding> <spring-ai.version>1.1.0</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> <dependencies> <!--接入deepseek--> <dependency> <groupId>org.springframework.ai</groupId> <artifactId>spring-ai-starter-model-deepseek</artifactId> </dependency> </dependencies> <build> <plugins> <plugin> <groupId>org.springframework.boot</groupId> <artifactId>spring-boot-maven-plugin</artifactId> </plugin> </plugins> </build> </project>

3.2.2：application.yml

spring: application: name: ai-quick-start ai: deepseek: api-key: ${DEEPSEEK_API_KEY} chat: options: model: deepseek-v4-flash

3.2.3：DeepSeekTest

<artifactId>spring-ai-starter-model-deepseek</artifactId>会为你增加自动配置类， 其中DeepSeekChatModel这个就是专门负责智能对话的。

package com.zgs.deepseek; import org.junit.jupiter.api.Test; import org.springframework.ai.chat.model.ChatResponse; import org.springframework.ai.chat.prompt.Prompt; import org.springframework.ai.deepseek.DeepSeekAssistantMessage; import org.springframework.ai.deepseek.DeepSeekChatModel; import org.springframework.ai.deepseek.DeepSeekChatOptions; import org.springframework.beans.factory.annotation.Autowired; import org.springframework.boot.test.context.SpringBootTest; import reactor.core.publisher.Flux; /** * @description: deepseek测试 * @author: zgs * @date: 2026/6/17 10:36 */ @SpringBootTest public class DeepSeekTest { /** * <artifactId>spring-ai-starter-model-deepseek</artifactId> * 会为你增加自动配置类， * 其中DeepSeekChatModel这个就是专门负责智能对话的。 * * @author: zgs * @date: 2026/6/17 11:22 */ @Test public void testDeepSeek(@Autowired DeepSeekChatModel chatModel) { String call = chatModel.call("你好 你是谁"); System.out.println(call); } /** * 流式演示 * * @author: zgs * @date: 2026/6/17 11:22 */ @Test public void testDeepSeekStream(@Autowired DeepSeekChatModel chatModel) { Flux<String> stream = chatModel.stream("你好 你是谁"); stream.toIterable().forEach(System.out::println); } /** * 其它参数演示 * * @author: zgs * @date: 2026/6/17 11:22 */ @Test public void testDeepSeekParams(@Autowired DeepSeekChatModel chatModel) { DeepSeekChatOptions build = DeepSeekChatOptions.builder() .model("deepseek-v4-pro") .temperature(0.7) // .maxTokens(1024) .build(); Prompt prompt = new Prompt("给我讲一个笑话，请基于程序员思维讲一个笑话，不要讲其他的", build); ChatResponse response = chatModel.call(prompt); System.out.println(response.getResult().getOutput().getText()); } /** * 思考过程打印 * * @author: zgs * @date: 2026/6/17 11:22 */ @Test public void testDeepSeekThink(@Autowired DeepSeekChatModel chatModel) { DeepSeekChatOptions build = DeepSeekChatOptions.builder() .model("deepseek-v4-pro") .temperature(0.7) .maxTokens(1024) .build(); Prompt prompt = new Prompt("给我讲一个笑话，请基于程序员思维讲一个笑话，不要讲其他的", build); ChatResponse call = chatModel.call(prompt); DeepSeekAssistantMessage assistantMessage = (DeepSeekAssistantMessage) call.getResult().getOutput(); System.out.println(assistantMessage.getReasoningContent()); System.out.println("-----------------------------------------"); System.out.println(assistantMessage.getText()); } }

3.3：参数讲解

3.3.1：temperatur

0-2 浮点数值

数值越高更有创造性 热情

数值越低 保守

也可以通过提示词降低他的主观臆想：

• 只引用可靠来源中的信息，不做任何假设或扩展描述。
• 请只基于已知事实回答，不要主观臆想或添加额外内容。
• 请简明、客观地给出答案，不要进行修饰或补充未经请求的信息。

建议

说明：

• 温度越低，输出越收敛和中规中矩；
• 温度越高，输出越多变、富有惊喜但有风险；
• 实战用法一般建议选0.5~0.8作为日常生产起点，需要根据业务不断测试调整。

3.3.2：maxTokens

默认低 token

maxTokens：限制AI模型生成的最大token数（近似理解为字数上限）。

• 需要简洁回复、打分、列表、短摘要等，建议小值（如10~50）。
• 防止用户跑长对话导致无关内容或花费过多token费用。
• 如果遇到生成内容经常被截断，可以适当配置更大maxTokens。

3.3.3：stop

截断你不想输出的内容 比如：

spring: ai: deepseek: api-key: ${DEEP_SEEK_KEY} chat: options: model: deepseek-chat max-tokens: 20 stop: - "\n" #只想一行 - "。" #只想一句话 - "政治" #敏感词 - "最后最总结一下" #这种AI惯用的模板词， 减少AI词汇， 让文章更拟人

3.4：原理

3.4.1：入口：ChatModel.call(String message)默认方法

default String call(String message) { Prompt prompt = new Prompt(new UserMessage(message)); Generation generation = call(prompt).getResult(); return (generation != null) ? generation.getOutput().getText() : ""; }

你调用的chatModel.call("你好")并非DeepSeekChatModel直接实现，而是ChatModel接口提供的一个默认方法。这个方法充当了便捷入口的角色。

它的核心作用是将字符串参数转换为框架内部的标准对象：

• 将"你好"封装成一个UserMessage对象。

• 再将UserMessage封装进一个Prompt对象。

Prompt是 Spring AI 的核心数据结构，可以包含多个Message（如系统消息、用户消息、AI消息等），用于构建完整的对话上下文。完成封装后，它会调用另一个重载方法call(Prompt)。

3.4.2：核心：DeepSeekChatModel.internalCall()

public ChatResponse internalCall(Prompt prompt, ChatResponse previousChatResponse) { // a ChatCompletionRequest request = createRequest(prompt, false); //..省略 ResponseEntity<ChatCompletion> completionEntity = this.retryTemplate // b .execute(ctx -> this.deepSeekApi.chatCompletionEntity(request)); var chatCompletion = completionEntity.getBody(); //..省略 ChatResponse chatResponse = new ChatResponse(generations, from(completionEntity.getBody(), accumulatedUsage)); observationContext.setResponse(chatResponse); return chatResponse; //.. 省略 return response; }

框架会调用到DeepSeekChatModel类中对call(Prompt)方法的实现，其核心逻辑在internalCall方法中。这是整个流程的枢纽，主要完成三件事：

• 步骤a：构建请求 (createRequest)
  此步骤是一个适配器模式的体现。它将统一的Prompt对象，转换为 DeepSeek API 所能识别的ChatCompletionRequest对象。转换后的请求体通常包含：

  • model: 指定使用的模型名称。

  • messages: 将Prompt中的Message列表转换为 API 要求的格式（如{"role": "user", "content": "你好"}）。

  • 参数: 如temperature、max_tokens等生成参数。

• 步骤b：发起远程调用 (retryTemplate.execute)
  DeepSeekChatModel内置了RetryTemplate，用于安全可靠地发起 HTTP 请求。当网络抖动或服务端临时不可用时，它会自动重试。
  真正执行 HTTP 请求的是DeepSeekApi类，它封装了 DeepSeek 的 REST API。

  • 请求时会通过HTTP Header携带 API Key 进行认证。

  • 向https://api.deepseek.com/chat/completions等端点发送一个POST请求，请求体是步骤a构建的 JSON。

• 步骤c：封装响应
  收到 DeepSeek API 返回的 HTTP 响应后（一个包含模型输出等信息的 JSON 对象），此步骤会解析 JSON，并将数据重新封装成 Spring AI 的标准对象ChatResponse。ChatResponse中包含一个或多个Generation对象，每个Generation都包含了模型的输出文本。

3.4.3：返回：结果提取

最后，控制权回到最外层的ChatModel.call(String)默认方法。它会从返回的ChatResponse中提取第一个Generation的文本内容，并将其作为String返回给你。至此，一次完整的 AI 调用就结束了。

3.4.4：总结

从源码角度看，DeepSeekChatModel.call("你好")的执行路径清晰地展示了 Spring AI 的设计哲学：

1. 统一抽象：通过ChatModel接口和Prompt/ChatResponse等对象，为开发者提供一致的编程模型。

2. 适配与转换：在核心实现层 (internalCall) 完成从通用模型到特定厂商 API 的适配与数据转换。

3. 生产就绪：内置了重试 (RetryTemplate)、可观测性 (ObservationContext)等企业级特性。

四：百炼

代码git地址：

阿里自己的团队维护spring-ai-alibaba. 但是也必须依赖spring-ai 。 好处是扩展度更高，坏处是必须是springai先出来， spring-ai-alibaba.延迟几天出来。

如果需要接入阿里的百炼平台， 就必须用该组件

4.1：SpringAI中接入百炼

4.1.1：申请api-key

在调用前，您需要开通模型服务并获取API Key，再配置API Key到环境变量。

获取APIKEY

写入到环境变量

4.1.2：父工程-POM

<?xml version="1.0" encoding="UTF-8"?> <!-- Maven项目对象模型(POM)根元素 --> <project xmlns="http://maven.apache.org/POM/4.0.0" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xsi:schemaLocation="http://maven.apache.org/POM/4.0.0 http://maven.apache.org/xsd/maven-4.0.0.xsd"> <!-- POM模型版本 --> <modelVersion>4.0.0</modelVersion> <!-- 父项目配置：继承Spring Boot的默认配置 --> <parent> <groupId>org.springframework.boot</groupId> <artifactId>spring-boot-starter-parent</artifactId> <version>3.5.3</version> <relativePath/> </parent> <!-- 项目组织标识符 --> <groupId>com.zgs</groupId> <!-- 项目名称 --> <artifactId>MyAi</artifactId> <!-- 项目版本 --> <version>1.0-SNAPSHOT</version> <!-- 项目名称显示名 --> <name>MyAi</name> <!-- 项目描述 --> <description>MyAi</description> <!-- 打包方式：pom表示这是一个聚合项目或父项目 --> <packaging>pom</packaging> <!-- 子模块配置 --> <modules> <module>ai-quick-start</module> </modules> <!-- 项目属性配置 --> <properties> <!-- Java编译器源码版本 --> <maven.compiler.source>17</maven.compiler.source> <!-- Java编译器目标版本 --> <maven.compiler.target>17</maven.compiler.target> <!-- 项目构建编码格式 --> <project.build.sourceEncoding>UTF-8</project.build.sourceEncoding> <!-- Spring AI版本号 --> <spring-ai.version>1.0.0</spring-ai.version> <!-- 阿里云AI BOM 版本号 --> <spring-ai-alibaba.version>1.0.0.2</spring-ai-alibaba.version> </properties> <!-- 项目依赖配置 --> <dependencies> <!-- Spring Boot Web starter：提供Web开发功能（包含Tomcat、Spring MVC等） --> <dependency> <groupId>org.springframework.boot</groupId> <artifactId>spring-boot-starter-web</artifactId> </dependency> <!-- Spring Boot Test starter：提供测试功能（JUnit、Mockito等） --> <dependency> <groupId>org.springframework.boot</groupId> <artifactId>spring-boot-starter-test</artifactId> <scope>test</scope> </dependency> </dependencies> <!-- 依赖管理：统一管理依赖版本，不直接引入依赖 --> <dependencyManagement> <dependencies> <!-- Spring AI BOM：统一管理的AI相关依赖版本 --> <dependency> <groupId>org.springframework.ai</groupId> <artifactId>spring-ai-bom</artifactId> <version>${spring-ai.version}</version> <type>pom</type> <scope>import</scope> </dependency> <!-- 阿里云AI BOM：统一管理的阿里云AI相关依赖版本 --> <dependency> <groupId>com.alibaba.cloud.ai</groupId> <artifactId>spring-ai-alibaba-bom</artifactId> <version>${spring-ai-alibaba.version}</version> <type>pom</type> <scope>import</scope> </dependency> </dependencies> </dependencyManagement> <!-- 构建配置 --> <build> <!-- 插件配置 --> <plugins> <!-- Spring Boot Maven插件：支持打包和运行Spring Boot应用 --> <plugin> <groupId>org.springframework.boot</groupId> <artifactId>spring-boot-maven-plugin</artifactId> </plugin> </plugins> </build> </project>

4.1.3：子工程-pom

<?xml version="1.0" encoding="UTF-8"?> <project xmlns="http://maven.apache.org/POM/4.0.0" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xsi:schemaLocation="http://maven.apache.org/POM/4.0.0 http://maven.apache.org/xsd/maven-4.0.0.xsd"> <modelVersion>4.0.0</modelVersion> <parent> <groupId>com.zgs</groupId> <artifactId>MyAi</artifactId> <version>1.0-SNAPSHOT</version> </parent> <artifactId>ai-quick-start</artifactId> <version>1.0-SNAPSHOT</version> <name>ai-quick-start</name> <description>ai-quick-start</description> <properties> <java.version>17</java.version> <maven.compiler.source>17</maven.compiler.source> <maven.compiler.target>17</maven.compiler.target> <project.build.sourceEncoding>UTF-8</project.build.sourceEncoding> <spring-ai.version>1.1.0</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> <dependencies> <!--接入deepseek--> <dependency> <groupId>org.springframework.ai</groupId> <artifactId>spring-ai-starter-model-deepseek</artifactId> </dependency> <!--接入dashscope--> <dependency> <groupId>com.alibaba.cloud.ai</groupId> <artifactId>spring-ai-alibaba-starter-dashscope</artifactId> </dependency> </dependencies> <build> <plugins> <plugin> <groupId>org.springframework.boot</groupId> <artifactId>spring-boot-maven-plugin</artifactId> </plugin> </plugins> </build> </project>

4.1.4：配置YML

spring: application: name: ai-quick-start profiles: active: local ai: # deepseek deepseek: api-key: ${DEEPSEEK_API_KEY} chat: options: model: deepseek-v4-flash # 阿里qWen dashscope: api-key: ${ALI_API_KEY} # chat: # options: # model: qwen-plus

4.1.5：简单测试示例

/** * @description: qwen测试 * @author: zgs * @date: 2026/6/17 17:31 */ @SpringBootTest public class QWenTest { @Test public void testQWen(@Autowired DashScopeChatModel chatModel) { DashScopeChatOptions options = DashScopeChatOptions.builder() .withModel("qwen3.6-plus") .build(); Prompt prompt = new Prompt("你好 你是谁", options); String message = chatModel.call(prompt).getResult().getOutput().getText(); System.out.println(message); } }

4.2：文生图

4.3：文生语音text2audio

4.4：语音翻译audio2text

4.5：多模态

4.6：文生视频

四：Ollama