立即行动，用Spring AI+DeepSeek开启智能开发新时代！

Spring AI 是 Spring 生态系统中的一个重要项目，旨在将人工智能集成到 Spring 应用程序中，它为 Java 开发者提供了一种便捷的方式来构建、管理和部署 AI 模型。

Spring AI 的主要亮点有以下几点：

统一接口

：无论是 OpenAI、Hugging Face 还是国产的 DeepSeek，只要通过 Spring AI，你都可以用同样的方式调用它们。

简化配置

：不用再手动配置各种复杂的参数，Spring AI 会帮你搞定一切，比如 API 密钥、模型参数等。

灵活切换

：如果哪天你想换个 AI 服务商，只需要改个配置文件，业务代码基本不用动，省心又高效。

这次我们要讲的是如何用 Spring AI 来集成国产的 AI 模型 DeepSeek。这款模型最近很火，性能不错，很多公司都在考虑集成到自己的应用中。接下来，我会详细介绍两种集成方式：伪装成 OpenAI和本地化部署。

方法一：伪装成 OpenAI

DeepSeek 提供了 OpenAI 兼容模式，这意味着你可以用调用 OpenAI 的方式来调用 DeepSeek。Spring AI 的 openai starter 就是通过 RestTemplate 发请求的，我们只需要稍微改一下 URL 和认证方式就行了。

1、添加依赖

首先，在你的 Maven 项目中添加以下依赖：

  <groupId>org.springframework.ai</groupId>   <artifactId>spring-ai-openai-spring-boot-starter</artifactId>   <version>0.8.0</version>

2、修改配置文件

在application.yml中配置 DeepSeek 的 OpenAI 兼容端点和 API 密钥：

spring: ai:   openai:     api-key: sk-xxx # 替换为你的API Key     base-url: https://api.deepseek.com     chat:       options:         model: deepseek-chat # 可选模型：deepseek-chat/deepseek-reasoner         temperature: 0.7

注意：API 密钥需要去 DeepSeek 开放平台申请，由于官网服务器资源紧张，已暂停 API 服务充值，所以我们需要其他的方法来获取，具体请看之前的文章。

3、在代码中调用

写一个简单的控制器，用于调用 DeepSeek 模型生成响应：

@RestControllerpublic class ChatController {   private final OpenAiChatModel chatModel;

  public ChatController(OpenAiChatModel chatModel) {       this.chatModel = chatModel;   }

  @GetMapping("/chat")   public String generate(@RequestParam String message) {       return chatModel.call(message);   }}

这样，你就可以通过/ai/chat接口发送消息，并获取 DeepSeek 的响应了。

4、覆盖默认配置（可选）

如果某些请求需要使用不同的模型或参数，可以在调用时临时覆盖默认配置：

@GetMapping(value = "/stream", produces = "text/event-stream")public Flux<String> streamChat(@RequestParam String message) {   return chatModel.stream(new Prompt(message))       .map(ChatResponse::getResult)       .map(Generation::getContent);}

方法二：本地化部署

如果你更倾向于在本地或者内网服务器中部署 DeepSeek 模型，这种方式会更适合你。我们可以借助 Ollama 工具来本地部署一个 DeepSeek R1 蒸馏版。

1、根据硬件条件选择部署方式：

轻量级部署：使用DeepSeek-R1蒸馏模型（8B/14B参数）

企业级部署：部署完整版DeepSeek-R1（需404GB存储+1300GB显存）

2、环境准备硬件要求：

最低配置：NVIDIA RTX 3090（24GB显存）

推荐配置：NVIDIA A100（80GB显存）

3、部署DeepSeek本地模型

通过Ollama将DeepSeek部署到本地我已经写过教程了，大家可以参考这篇教程：【告别服务器卡顿！零基础本地部署DeepSeek大模型，Windows/Mac双系统保姆级教程！】

将DeepSeek部署到本地后再回来进行后续操作。

4、添加依赖

在 Maven 项目中添加以下依赖：

  <groupId>org.springframework.ai</groupId>   <artifactId>spring-ai-ollama-spring-boot-starter</artifactId>   <version>0.8.0</version>

5、修改配置文件

在application.yml中配置 Ollama 的本地服务地址和模型名称：

6、在代码中调用

写一个控制器，用于调用本地部署的 DeepSeek 模型：

@RestControllerpublic class LocalChatController {   private final OllamaChatModel chatModel;

  public LocalChatController(OllamaChatModel chatModel) {       this.chatModel = chatModel;   }

  @GetMapping("/local-chat")   public String localChat(@RequestParam String message) {       return chatModel.call(message);   }

  @GetMapping(value = "/local-stream", produces = "text/event-stream")   public Flux<String> streamChat(@RequestParam String message) {       return chatModel.stream(new Prompt(message))               .map(ChatResponse::getResult)               .map(Generation::getContent);   }}

通过 Spring AI，我们可以轻松实现 DeepSeek 的集成，无论是通过云端的 OpenAI 兼容模式，还是本地化部署，都非常简单方便。如果你正在寻找一款高效的国产 AI 模型，DeepSeek 值得一试。

而 Spring AI 则让整个集成过程变得更加顺畅。我的感觉是，这种方式不仅降低了开发复杂度，还提升了代码的灵活性，强烈推荐试试！