Spring AI Alibaba 多模型共存 + SSE 流式输出实战：通义千问 & DeepSeek 双模型集成

引言

在当下 AI 应用开发中，经常会遇到需要同时接入多个大模型的场景，比如用通义千问做中文对话、用 DeepSeek 处理复杂推理。Spring AI Alibaba 为我们屏蔽了不同厂商 API 的差异，但多模型并存也带来了 ChatModel Bean 冲突、流式输出适配等问题。本文将带你从零搭建一个 Spring Boot 项目，优雅地解决“多模型共存 + SSE 流式输出”两大核心需求，并给出两种主流接入方案。

一、核心知识点前置

在动手写代码之前，先梳理几个关键概念：

二、整体方案设计

我们面对两种典型的集成模式，区别在于引入的 Starter 数量：

• 方案 A：只引入百炼一个 StarterMaven 中仅添加 spring-ai-alibaba-starter-dashscope。所有模型（包括通义千问、DeepSeek 等）都通过阿里云百炼平台调用，只需在代码中通过 model 参数切换。适合企业统一管控、希望在阿里云上集中管理模型调用。

• 方案 B：同时引入百炼和 DeepSeek 两个 StarterMaven 中同时添加 spring-ai-alibaba-starter-dashscope 和 spring-ai-deepseek-starter。通义千问走百炼，DeepSeek 直连 DeepSeek 官网，两套独立的配置和连接，适合需要发挥各厂商原生能力的场景。

本文会同时覆盖这两种方案，你可以根据实际情况选其一。

三、Maven 依赖配置

方案 A：仅引入百炼 Starter（一个 Starter）

<dependency> <groupId>org.springframework.boot</groupId> <artifactId>spring-boot-starter-webflux</artifactId></dependency><dependency> <groupId>org.springframework.ai</groupId> <artifactId>spring-ai-alibaba-starter-dashscope</artifactId></dependency>

方案 B：引入百炼 + DeepSeek 两个 Starter

<dependency> <groupId>org.springframework.boot</groupId> <artifactId>spring-boot-starter-webflux</artifactId></dependency><dependency> <groupId>org.springframework.ai</groupId> <artifactId>spring-ai-alibaba-starter-dashscope</artifactId></dependency><dependency> <groupId>org.springframework.ai</groupId> <artifactId>spring-ai-deepseek-starter</artifactId></dependency>

四、application.yml 配置

方案 A（仅百炼）

spring: ai: dashscope: api-key: sk-xxxx chat: options: model: qwen-turbo # 默认模型，实际调用时可覆盖

方案 B（双 key）

spring: ai: dashscope: api-key: sk-xxxx chat: options: model: qwen-turbo deepseek: api-key: sk-xxxx chat: options: model: deepseek-chat

五、配置类：手工打造多模型 Bean

这是本文最关键的一步。为避免自动装配的混乱，我们完全手动创建所有 Bean 并命名。

5.1 方案 A：一个 Starter 多模型 Bean（均走百炼）

@Configurationpublic class DashScopeMultiModelConfig { @Bean public DashScopeApi dashScopeApi(DashScopeProperties properties) { return DashScopeApi.builder() .apiKey(properties.getApiKey()) .build(); } // Qwen 模型 Bean @Bean("qwen") public ChatModel qwenChatModel(DashScopeApi api) { DashScopeChatOptions options = DashScopeChatOptions.builder() .withModel("qwen-turbo") .build(); return new DashScopeChatModel(api, options); } // 通过百炼调用的 DeepSeek 模型（需在百炼平台开通） @Bean("deepseek-via-bailian") public ChatModel deepSeekViaBailianModel(DashScopeApi api) { DashScopeChatOptions options = DashScopeChatOptions.builder() .withModel("deepseek-chat") .build(); return new DashScopeChatModel(api, options); } @Bean("qwenChatClient") public ChatClient qwenChatClient(@Qualifier("qwen") ChatModel chatModel) { return ChatClient.builder(chatModel) .defaultSystem("你是通义千问，简洁回答问题") .build(); } @Bean("deepseekBailianChatClient") public ChatClient deepSeekBailianClient(@Qualifier("deepseek-via-bailian") ChatModel chatModel) { return ChatClient.builder(chatModel) .defaultSystem("你是 DeepSeek 大模型") .build(); }}

5.2 方案 B：两个 Starter 独立 Bean（百炼 + DeepSeek 直连）

@Configurationpublic class MultiLLMConfig { // ================= 通义千问（百炼） ================= @Bean public DashScopeApi dashScopeApi(DashScopeProperties props) { return DashScopeApi.builder() .apiKey(props.getApiKey()) .build(); } @Bean("qwen") public ChatModel qwenChatModel(DashScopeApi api, DashScopeProperties props) { return new DashScopeChatModel(api, props.getChat().getOptions()); } @Bean("qwenChatClient") public ChatClient qwenChatClient(@Qualifier("qwen") ChatModel chatModel) { return ChatClient.builder(chatModel) .defaultSystem("你是通义千问，简洁回答问题") .build(); } // ================= DeepSeek 直连 ================= @Bean public DeepSeekApi deepSeekApi(DeepSeekProperties props) { return DeepSeekApi.builder() .apiKey(props.getApiKey()) .build(); } @Bean("deepseek") public ChatModel deepseekChatModel(DeepSeekApi api, DeepSeekProperties props) { return new DeepSeekChatModel(api, props.getChat().getOptions()); } @Bean("deepseekChatClient") public ChatClient deepseekChatClient(@Qualifier("deepseek") ChatModel chatModel) { return ChatClient.builder(chatModel) .defaultSystem("你是 DeepSeek 大模型") .build(); }}

六、Controller：SSE 流式输出实战

下面展示基于方案 B 的四种典型接口，方案 A 只需要把注入的 Bean 名替换为对应的百炼 Bean 即可。

@RestControllerpublic class StreamController { @Resource(name = "deepseek") private ChatModel deepseekChatModel; @Resource(name = "qwen") private ChatModel qwenChatModel; @Resource(name = "deepseekChatClient") private ChatClient deepseekChatClient; @Resource(name = "qwenChatClient") private ChatClient qwenChatClient; // 1. DeepSeek ChatModel 流式 SSE @GetMapping(value = "/stream/deepseek-model", produces = MediaType.TEXT_EVENT_STREAM_VALUE) public Flux<String> streamDeepSeekModel(@RequestParam(defaultValue = "你是谁") String question) { return deepseekChatModel.stream(question); } // 2. Qwen ChatModel 流式 SSE @GetMapping(value = "/stream/qwen-model", produces = MediaType.TEXT_EVENT_STREAM_VALUE) public Flux<String> streamQwenModel(@RequestParam(defaultValue = "你是谁") String question) { return qwenChatModel.stream(question); } // 3. DeepSeek ChatClient 流式 SSE @GetMapping(value = "/stream/deepseek-client", produces = MediaType.TEXT_EVENT_STREAM_VALUE) public Flux<String> streamDeepSeekClient(@RequestParam(defaultValue = "你是谁") String question) { return deepseekChatClient.prompt(question) .stream() .content(); } // 4. Qwen ChatClient 流式 SSE @GetMapping(value = "/stream/qwen-client", produces = MediaType.TEXT_EVENT_STREAM_VALUE) public Flux<String> streamQwenClient(@RequestParam(defaultValue = "你是谁") String question) { return qwenChatClient.prompt(question) .stream() .content(); }}

关键点解析：

• produces = MediaType.TEXT_EVENT_STREAM_VALUE 告知浏览器这是 SSE 流。
• Flux<String> 使得每个文本片段都能被及时推送。
• ChatClient.prompt().stream().content() 是最推荐的方式，可轻松添加系统消息、历史消息等。

七、前端对接示例（原生 JS）

const eventSource = new EventSource('/stream/deepseek-client?question=你好');eventSource.onmessage = (event) => { document.getElementById('output').innerText += event.data;};eventSource.onerror = (err) => { eventSource.close();};

八、方案对比与选型建议

如果项目只需要简单对话，方案 A 更简洁；若需深度定制 prompt 参数、访问 DeepSeek 特有功能，方案 B 更灵活。

九、总结

本文完整演示了 Spring AI Alibaba 在多模型共存环境下的整合思路，重点解决了 Bean 冲突和 SSE 流式输出的落地细节。核心要点回顾：

• 手动创建并命名 ChatModel Bean，杜绝自动装配；
• 在 WebFlux 环境下使用 Flux<String> + text/event-stream 实现 SSE；
• 根据需求选择“一个百炼 Starter”统一接入，或“百炼 + DeepSeek 两个 Starter”混合接入。

掌握了这套方法，无论是同时接入 2 个还是 10 个大模型，都能轻松驾驭。希望这篇文章能帮助你在 AI 应用开发中少走弯路，快速搭建出健壮的流式对话服务。