欢迎光临
我们一直在努力
        找回密码
当前位置：171主机测评 > 服务器技术 > 正文

SpringAI+Deepseek大模型应用开发 —对话机器人实战教程（附完整截图）

2026-05-31 分类：服务器技术 阅读(25) 评论(0)

从零搭建 Spring AI 项目，实现 Java 调用本地 DeepSeek 大模型，并支持流式输出与角色设定。

前言

随着 AI 技术的快速发展，大模型已经逐渐成为企业开发的重要组成部分。

对于 Java 开发者来说，Spring 官方推出的 Spring AI 极大降低了接入大模型的门槛。

在本项目中，你将学习并完成：

✅ Spring AI 环境搭建

✅ Ollama 本地大模型部署

✅ DeepSeek-R1 模型接入

✅ Spring Boot 集成 AI 服务

✅ ChatClient 对话调用

✅ AI 流式输出（Streaming）

✅ 自定义 AI 人设（System Prompt）

✅ Lombok 简化开发

✅ AI 调用日志记录

✅ Vue3 前端项目部署

✅ AI 聊天页面实现

✅ 前后端接口联调

✅ 跨域问题解决

✅ AI 聊天会话管理

✅ 多轮对话功能实现

✅ 文件上传入口集成

✅ Spring AI + Ollama + DeepSeek 完整对话系统搭建

最终实现：

http://localhost:8080/ai/chat?prompt=你好

直接与本地大模型对话。

首先我们需要有jdk17、ollama、并且安装好deepseek-r1模型

通过ollama安装好模型（时间较长）

ollama run deepseek-r1:7b

安装好后在cmd中使用命令运行deepseek

（注意：这个界面不要关闭）

ollama run deepseek-r1:7b

一、创建 Spring Boot 项目

打开 IDEA，选择：

New Project → Spring Initializr

注意jdk最好一定要是17

创建项目

二、添加项目依赖

在依赖选择界面中添加：

1. Spring Web

用于提供 REST 接口能力。

2. MySQL Driver

后续存储聊天记录时使用。

3. Ollama

Spring AI 官方提供的 Ollama Starter。

最终依赖：

Spring Web
MySQL Driver
Ollama

点击：

Create

完成项目创建。

四、配置 Spring AI

打开：

src/main/resources/application.yaml

添加配置：

spring:
application:
name: heima-springai

ai:
ollama:
base-url: http://127.0.0.1:11434

chat:
model: deepseek-r1:7b

  • 为什么用 application.yaml 后缀？

  • YAML 格式比传统 .properties 更结构化、易读，天然支持层级嵌套（如 spring.ai.ollama），配置 Spring AI 这类多层级配置时更简洁清晰，也更符合现代 Spring Boot 项目的主流规范。

  • 为什么要把 localhost 改成 127.0.0.1？

  • 有些电脑默认把 localhost 解析为 IPv6 地址 ::1，但 Ollama 默认只监听 IPv4 的 127.0.0.1:11434，导致 Spring 连接超时。直接写死 127.0.0.1，可强制使用 IPv4 回环地址，绕开系统 IPv6 解析异常，保证能稳定连接到本地 Ollama 服务。

五、创建 ChatClient 配置

Spring AI 推荐通过 ChatClient 调用大模型。

创建：

config/CommonConfiguration.java

代码如下：

package com.itheima.heimaspringai.config;

import org.springframework.ai.chat.client.ChatClient;
import org.springframework.ai.ollama.OllamaChatModel;
import org.springframework.context.annotation.Bean;
import org.springframework.context.annotation.Configuration;

@Configuration
public class CommonConfiguration {

@Bean
public ChatClient chatClient(OllamaChatModel model) {

return ChatClient
.builder(model)
.build();
}
}

配置完成效果

CommonConfiguration 配置类

该配置类用于向 Spring 容器中注册 ChatClient 对象，方便后续统一调用 AI 大模型服务。

代码说明：

  • @Bean：将 ChatClient 注册为 Spring Bean。
  • OllamaChatModel model：自动注入 Spring AI 提供的 Ollama 模型实例。
  • ChatClient.builder(model)：基于指定的大模型创建聊天客户端。
  • build()：完成构建并交由 Spring 容器管

六、创建聊天接口

创建：

controller/ChatController.java

代码：

package com.itheima.heimaspringai.controller;

import lombok.RequiredArgsConstructor;
import org.springframework.ai.chat.client.ChatClient;
import org.springframework.web.bind.annotation.RequestMapping;
import org.springframework.web.bind.annotation.RestController;

@RestController
@RequestMapping("/ai")
@RequiredArgsConstructor
public class ChatController {

private final ChatClient chatClient;

@RequestMapping("/chat")
public String chat(String prompt){

return chatClient
.prompt()
.user(prompt)
.call()
.content();
}
}

创建 Controller

ChatController 控制器说明

该控制器用于对外提供 AI 对话接口，通过注入 ChatClient 与大模型进行交互，并将模型返回结果直接响应给前端。

代码解析：

  • @RestController：标识为 Spring Boot REST 控制器，返回 JSON 或字符串数据。
  • @RequestMapping("/ai")：统一设置接口访问前缀为 /ai。
  • @RequiredArgsConstructor：Lombok 自动生成构造方法，实现 ChatClient 的依赖注入。
  • private final ChatClient chatClient：注入 Spring AI 提供的聊天客户端对象。
  • chat() 方法：接收用户输入的 prompt，调用大模型生成回复并返回结果。
    • prompt()：创建对话请求。
    • user(prompt)：设置用户问题。
    • call()：发送请求到大模型。
    • content()：获取模型返回的文本内容。

七、解决 Lombok 报错

如果：

@RequiredArgsConstructor

出现红色报错。

需要在 pom.xml 添加：

<dependency>
<groupId>org.projectlombok</groupId>
<artifactId>lombok</artifactId>
<version>1.18.42</version>
</dependency>

刷新 Maven。

Lombok配置截图

@RequiredArgsConstructor、@Data、@Builder 等 Lombok 注解用于自动生成构造方法、getter/setter 和其他样板代码。引入 Lombok 依赖后，Spring Boot 能识别这些注解，消除 IDE 报错，提高开发效率，同时保持代码简洁。

八、启动项目测试

启动项目：

游览器访问：

http://localhost:8080/ai/chat?prompt=你是谁？

返回：

您好！我是由中国的深度求索（DeepSeek）公司开发的智能助手 DeepSeek-R1。

测试结果

九、实现流式输出

普通模式需要等待模型全部生成完成。

Spring AI 支持流式返回。

导入：

import reactor.core.publisher.Flux;

修改 Controller：

@RequestMapping(
value = "/chat",
produces = "text/html;charset=UTF-8"
)
public Flux<String> chat(String prompt){

return chatClient
.prompt(prompt)
.stream()
.content();
}

流式输出代码

流式输出解释（ChatController.java）

在 ChatController 中，使用了 Spring WebFlux 的 Flux<String> 来实现流式响应：

核心点说明

  • 流式输出 (.stream())
    • 调用 chatClient.prompt(prompt).stream() 会以流的方式返回 AI 生成的内容。
    • 优点：前端可以实时接收到生成结果，而不是等待整个回答完成。
    • 适合长文本或对话机器人场景。
  • 返回类型 Flux<String>
    • Flux 是 Spring WebFlux 提供的响应式类型，可以支持多次异步数据推送。
    • 每生成一段文本，就通过 Flux 发送给前端，实现“边生成边显示”。

  • 为什么要设置 produces

    produces = "text/html;charset=UTF-8"

    • 明确告诉浏览器返回内容的类型和编码，防止中文乱码。
    • 对于流式输出，Spring 会以 Server-Sent Events (SSE) 或分块响应的方式发送文本流，前端可以逐段解析和渲染。

    • 流式输出效果

    模型边生成边返回

    十、自定义 AI 人设

    很多场景下需要让 AI 扮演固定角色。

    例如：

    • 客服

    • 面试官

    • 英语老师

    • 编程导师

    修改CommonConfiguration：

    @Bean
    public ChatClient chatClient(OllamaChatModel model){

    return ChatClient
    .builder(model)

    .defaultSystem("""
    你是一个热血、可爱的智能助手，
    你的名字叫小团团，
    请以小团团身份回答问题。
    """)

    .build();
    }

    配置系统提示词

    自定义 AI 人设

    为了让 AI 具备固定的身份、语气和行为风格，可以在创建 ChatClient 时通过 defaultSystem() 设置系统提示词（System Prompt）。

    defaultSystem() 本质上是为大模型设置全局系统提示词（System Prompt），能够统一控制 AI 的身份、语气和行为规则，是实现个性化 AI 助手的重要方式。

    测试效果

    访问：

    http://localhost:8080/ai/chat?prompt=你是谁？

    返回：

    AI 已按照指定身份回答问题

    十一、项目结构

    最终项目结构如下：

    src
    └─main
    ├─java
    │ └─com.itheima.heimaspringai
    │ ├─config
    │ │ └─CommonConfiguration.java
    │ ├─controller
    │ │ └─ChatController.java
    │ └─HeimaSpringAiApplication.java
    │
    └─resources
    └─application.yaml

    核心流程解析

    整个调用链如下：

    浏览器
    ↓
    ChatController
    ↓
    ChatClient
    ↓
    Spring AI
    ↓
    Ollama
    ↓
    DeepSeek-R1

    关键代码：

    chatClient
    .prompt()
    .user(prompt)
    .call()
    .content();

    流式版本：

    chatClient
    .prompt(prompt)
    .stream()
    .content();

    十三、 开启会话日志，观察 Spring AI 请求过程

    在完成 AI 人设配置后，为了方便调试和排查问题，我们可以开启 Spring AI 的会话日志功能。这样能够清晰地看到用户输入、提示词构建以及模型返回结果。

    配置日志级别

    在 application.yaml 中添加如下配置：

    logging:
    level:
    org.springframework.ai.chat.client.advisor: debug
    com.itheima.heimaspringai: debug

    配置说明

    • org.springframework.ai.chat.client.advisor

      • 开启 Spring AI Advisor 组件日志。

      • 可以查看 Prompt 构建、请求发送、响应返回等详细过程。

    • com.itheima.heimaspringai

      • 开启当前项目包下的日志输出。

      • 方便观察业务代码执行情况。

    开启后，每次调用大模型时，控制台都会打印完整的会话信息。

    十四、添加日志拦截器

    为了记录 AI 对话内容，在 ChatClient 配置时增加日志 Advisor：

    @Bean
    public ChatClient chatClient(OllamaChatModel model){
    return ChatClient
    .builder(model)
    .defaultSystem("你是一个热血、可爱的智能助手，你的名字叫小团团，请以小团团的身份和语气回答问题")
    .defaultAdvisors(new SimpleLoggerAdvisor())
    .build();
    }

    代码说明

    .defaultAdvisors(new SimpleLoggerAdvisor())

    用于给 ChatClient 添加日志拦截器。

    其作用包括：

    • 记录用户输入内容

    • 记录系统提示词（System Prompt）

    • 记录模型返回结果

    • 方便调试 Prompt 效果

    • 便于排查 AI 回答异常问题

    十五、查看会话日志输出

    项目启动后访问接口：

    http://localhost:8080/ai/chat?prompt=你好

    控制台会输出类似信息：

    {
    "messageType":"ASSISTANT",
    "text":"你好呀！我是小团团，一个可爱又活泼的智能助手。有什么我可以为你做的吗？😊"
    }

    十六、 会话日志的作用

    在实际开发中，会话日志非常重要，主要用于：

    调试 Prompt

    查看最终发送给大模型的提示词内容。

    验证 AI 人设

    确认系统角色是否成功生效。

    排查回答异常

    当模型输出不符合预期时，可以通过日志快速定位问题。

    优化提示词工程

    观察不同 Prompt 对回答质量的影响，从而持续优化 AI 效果。

    十七. 对接前端项目，实现 AI 应用中心

    前面已经完成了 Spring AI + Ollama + DeepSeek 的后端对话功能，接下来开始接入前端项目，实现完整的 AI 应用页面。

    项目效果

    首页提供多个 AI 应用入口：

    • AI 聊天

    • 哄哄模拟器

    • 智能客服

    • ChatPDF

    用户点击对应功能即可进入具体业务页面。

    十八. 部署并启动前端项目

    百度网盘 请输入提取码

    前端项目采用 Vue3 + Vite 开发。

    项目结构如下：

    spring-ai-nginx
    ├── conf
    ├── contrib
    ├── docs
    ├── html
    ├── logs
    ├── temp
    └── nginx.exe

    启动前端项目（直接点击nginx.exe就可以）

    启动成功后访问：

    http://localhost:5173

    即可看到 AI 应用中心首页。

    十九. 进入 AI 聊天模块

    点击首页中的：

    AI聊天

    进入聊天页面。

    二十. 解决CORS问题

    跨域配置（CORS）

    作用：

    • 解决前后端分离开发时的跨域访问问题。
    • 允许前端（如 localhost:5173）访问后端接口（如 localhost:8080）。
    • 开放指定请求方式（GET、POST、DELETE、OPTIONS）和请求头。
    • 避免浏览器出现 CORS 跨域拦截 或 Failed to fetch 错误。

    简而言之：

    该配置用于允许前端项目正常调用 Spring Boot 后端接口，实现前后端联调。

    由于前端运行在：

    http://localhost:5173

    后端运行在：

    http://localhost:8080

    属于不同端口，因此需要解决跨域问题。

    示例配置：

    @Configuration
    public class CorsConfig {

    @Bean
    public WebMvcConfigurer webMvcConfigurer() {
    return new WebMvcConfigurer() {
    @Override
    public void addCorsMappings(CorsRegistry registry) {
    registry.addMapping("/**")
    .allowedOrigins("http://localhost:5173")
    .allowedMethods("*")
    .allowedHeaders("*");
    }
    };
    }
    }

    这样前端即可正常调用后端接口。

    • @Configuration 表示这是一个 Spring 配置类，会被 Spring 容器识别并加载。
    • implements WebMvcConfigurer 实现 WebMvcConfigurer 接口，可以自定义 Spring MVC 的行为，比如跨域、拦截器、格式化器等。
    • addCorsMappings(CorsRegistry registry) 这是配置跨域访问（CORS）的核心方法：
      • addMapping("/**")：表示对所有接口路径都允许跨域。
      • allowedOrigins("*")：允许任意域名访问（开发阶段常用，生产可指定域名）。
      • allowedMethods("GET","POST","DELETE","OPTIONS")：允许的 HTTP 方法。
      • allowedHeaders("*")：允许所有请求头。
    • 整体作用
      • 解决前端跨域问题，例如前端 localhost:5173 请求后端 localhost:8080 接口时，浏览器不会再报 CORS 错误。
      • 保证前端可以正常发送 AJAX 或 fetch 请求调用后端接口。

    二十一. 前后端聊天接口打通

    当前端发送：

    你好，你是谁？

    请求流程如下：

    Vue页面
    ↓
    Axios请求
    ↓
    Spring Boot
    ↓
    Spring AI
    ↓
    Ollama
    ↓
    DeepSeek-R1
    ↓
    返回结果

    后端收到消息后：

    chatClient
    .prompt(prompt)
    .call()
    .content();

    调用 DeepSeek 模型生成回复。

    整体架构：

    ┌──────────────┐
    │ Vue3前端 │
    └──────┬───────┘
    │ HTTP
    ▼
    ┌──────────────┐
    │ Spring Boot │
    └──────┬───────┘
    │
    ▼
    ┌──────────────┐
    │ Spring AI │
    └──────┬───────┘
    │
    ▼
    ┌──────────────┐
    │ Ollama │
    └──────┬───────┘
    │
    ▼
    ┌──────────────┐
    │ DeepSeek-R1 │
    └──────────────┘

    二十二、会话记忆功能

    在 Spring AI 中实现对话上下文记忆，核心是通过 ChatMemory 存储对话历史，并配合 MessageChatMemoryAdvisor 实现多轮对话的上下文关联，以下是关键实现步骤：

    1. 注册 ChatMemory 对象

    ChatMemory 是 Spring AI 提供的对话历史存储接口，我们使用 MessageWindowChatMemory 实现，它默认保留最近 10 条对话消息，防止上下文过长；通过 MessageChatMemoryAdvisor 将会话记忆功能注入 ChatClient，让每次对话自动带上上下文历史：

    2. 配置带会话记忆的 ChatClient

    通过 MessageChatMemoryAdvisor 将会话记忆功能注入 ChatClient，让每次对话自动带上上下文历史：

    3. 接口层绑定会话 ID

    在 Controller 中，通过前端传递的 chatId 区分不同用户的对话会话，确保每个会话的上下文独立存储：

    4、验证是否实现会话记忆

    二十三、会话历史功能

    1、管理会话id

    2、保存会话id

    3、查询历史会话
    赞(0)
    未经允许不得转载：171主机测评 » SpringAI+Deepseek大模型应用开发 —对话机器人实战教程（附完整截图）
    分享到： 更多 (0)
    标签：

    相关推荐

    评论 抢沙发

    取消

    • 昵称 (必填)
    • 邮箱 (必填)
    • 网址

    热门标签

    #人工智能(59630)#python(20200)#开发语言(16930)#java(15532)#运维(15406)#linux(14990)#大数据(14620)#服务器(13098)#算法(11814)#前端(10950)#网络(9404)#ai(8968)#数据库(8932)#c++(8196)#课程设计(6821)#学习(6805)#机器学习(6731)#区块链(5929)#OpenClaw(5394)#后端(5180)#spring boot(5026)#深度学习(4972)#c语言(4387)#毕业设计(4301)#数据结构(4207)#安全(4092)#docker(3943)#架构(3887)#javascript(3814)#大模型(3667)

    热门文章

    最新文章

    归档

    分类