Spring AI 入门到上手：用 Java 把大模型接进业务（DeepSeek / Ollama / RAG / Function Calling 一篇搞懂）-编程阁

Spring AI 入门到上手：用 Java 把大模型接进业务（DeepSeek / Ollama / RAG / Function Calling 一篇搞懂）

适用人群：做 Java / SpringBoot 的同学，想把大模型接到系统里：智能客服、知识库问答、内容生成、自动审核/助手等。
技术栈：Spring Boot 3.x + JDK 17 + Spring AI（OpenAI 协议）+ Redis/Milvus（可选）+ ES（可选）

1. Spring AI 到底解决什么问题？

很多人第一次接大模型，会直接HttpClient/RestTemplate去调某个平台的 API。短期能跑，但很快会遇到几个问题：

供应商绑定严重：今天用 DeepSeek，明天要切通义/Claude/Ollama，代码改一大片。
Prompt、上下文、流式输出、工具调用都得自己拼装，容易越写越乱。
RAG（知识库问答）这条链路（读取→切分→向量化→入库→检索→拼 Prompt→回答）自己搭很耗时。
工程化能力缺失：监控、重试、日志、超时、降级、统一配置，不好统一治理。

Spring AI 的价值就是：把“调用大模型”这件事抽象成 Spring 风格的组件。你写业务时关心的是：

我是聊天（Chat）还是 Embedding？
要不要流式？
要不要函数调用（Tools）？
要不要接向量库做 RAG？

而不是天天和不同供应商的请求结构搏斗。

2. 快速跑通：用 DeepSeek（OpenAI 协议）做一次对话

2.1 版本建议（很重要）

Spring Boot：3.x
JDK：17
Spring AI：建议选同一条版本线（用 BOM 管）

Spring AI 版本迭代快，建议把版本锁在 BOM 上，避免依赖互相“打架”。

2.2 Maven 依赖（OpenAI 协议 Starter）

<properties><java.version>17</java.version><spring-ai.version>1.0.0-M5</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.boot</groupId><artifactId>spring-boot-starter-web</artifactId></dependency><dependency><groupId>org.springframework.ai</groupId><artifactId>spring-ai-openai-spring-boot-starter</artifactId></dependency></dependencies>

2.3 application.yml 配置（以 DeepSeek 为例）

server:port:8899spring:application:name:spring-ai-deepseek-demoai:openai:api-key:sk-xxxxxbase-url:https://api.deepseek.comchat:options:model:deepseek-chattemperature:0.7

关键点：DeepSeek 提供 OpenAI 风格接口，所以用spring-ai-openai-*就能接。

2.4 最小 Controller

importjakarta.annotation.Resource;importorg.springframework.ai.openai.OpenAiChatModel;importorg.springframework.web.bind.annotation.*;@RestControllerpublicclassChatController{@ResourceprivateOpenAiChatModelchatModel;@GetMapping("/ai/generate")publicStringgenerate(@RequestParam(defaultValue="hello")Stringmessage){returnchatModel.call(message);}}

访问：
GET http://localhost:8899/ai/generate?message=用一句话解释Spring%20AI

3. ChatClient vs ChatModel：项目里我更推荐用 ChatClient

3.1 为什么？

ChatModel更偏底层（Prompt、Options 你都得自己组织）
ChatClient更像“业务层 API”，链式写法清晰，更适合 Controller/Service

3.2 ChatClient 最常用的 3 种能力

A) 普通对话（最常用）

importorg.springframework.ai.chat.client.ChatClient;importorg.springframework.web.bind.annotation.*;@RestControllerpublicclassChatClientController{privatefinalChatClientchatClient;publicChatClientController(ChatClient.Builderbuilder){this.chatClient=builder.build();}@GetMapping("/chat")publicStringchat(@RequestParam(defaultValue="你是谁")Stringmessage){returnchatClient.prompt().user(message).call().content();}}

B) 角色设定（System Prompt）

把“人设”固定住，避免每次都写一大段提示词：

importorg.springframework.ai.chat.client.ChatClient;importorg.springframework.context.annotation.Bean;importorg.springframework.context.annotation.Configuration;@ConfigurationpublicclassAiConfig{@BeanpublicChatClientchatClient(ChatClient.Builderbuilder){returnbuilder.defaultSystem("你是一个资深Java开发助手，回答要简洁、可落地，必要时给代码。").build();}}

C) 流式输出（体验会好很多）

适用于：前端打字机效果、长回答、模型推理慢的场景。

importreactor.core.publisher.Flux;importorg.springframework.web.bind.annotation.*;@RestController@RequestMapping("/ai")publicclassStreamController{privatefinalChatClientchatClient;publicStreamController(ChatClientchatClient){this.chatClient=chatClient;}@GetMapping(value="/stream",produces="text/plain; charset=UTF-8")publicFlux<String>stream(@RequestParamStringmessage){returnchatClient.prompt().user(message).stream().content();}}

注意：很多 API 测试工具不容易观察流式效果，浏览器/前端更直观。

4. Function Calling（工具/函数调用）：让模型“会办事”，不是只会聊天

大模型擅长“生成”，但它不知道你的业务数据。
Function Calling 的作用：模型发现需要数据 → 调用你提供的函数 → 你返回真实结果 → 模型基于真实数据再组织回答。

典型场景：

查用户余额、查订单、查基金净值、查审批状态
触发“创建工单 / 发通知 / 写入数据库”（是否允许要自己控制）

4.1 定义一个函数（Spring Bean + Function）

importorg.springframework.context.annotation.Bean;importorg.springframework.context.annotation.Configuration;importorg.springframework.context.annotation.Description;importjava.util.function.Function;@ConfigurationpublicclassToolsConfig{publicrecordAddReq(inta,intb){}publicrecordAddResp(intresult){}@Bean@Description("计算两个整数的加法")publicFunction<AddReq,AddResp>add(){returnreq->newAddResp(req.a()+req.b());}}

4.2 在 ChatClient 里启用函数

importorg.springframework.ai.chat.client.ChatClient;importorg.springframework.web.bind.annotation.*;@RestControllerpublicclassToolController{privatefinalChatClientchatClient;publicToolController(ChatClient.Builderbuilder){this.chatClient=builder.build();}@GetMapping("/tool")publicStringtool(@RequestParamStringmessage){returnchatClient.prompt().system("你是计算助手，遇到加法问题必须调用 add 函数。").user(message).functions("add").call().content();}}

你问：2+3 等于多少
模型会决定调用add，再把结果组织成自然语言输出。

实战建议：
工具调用要白名单控制，不要让模型随便调用敏感操作。
工具返回结果要结构化（record/POJO），便于模型理解。

5. 接入 Ollama：本地跑模型（离线/内网/数据敏感场景）

如果你需要：

研发内网、不能出网
数据敏感，不想把内容发到公网
成本控制，想本地推理

Ollama 就很合适。

5.1 依赖

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

5.2 配置

spring:ai:ollama:base-url:http://localhost:11434chat:options:model:deepseek-r1:1.5btemperature:0.7

5.3 使用方式和 ChatClient 一样

你换了底层模型供应商，但业务代码几乎不动，这就是 Spring AI 的工程价值。

6. RAG（知识库问答）：让回答“有依据”，减少胡编

很多业务不是“开放聊天”，而是：

产品手册问答
内部制度问答
工单历史/FAQ 问答
研发文档/接口文档问答

这类场景最怕“编造”。RAG 的思路是：先检索到真实资料，再让模型基于资料回答。

6.1 最小 RAG 组成

Embedding 模型：把文本转向量
VectorStore：存向量并支持相似度检索
Advisor：把检索结果自动拼进 Prompt

6.2 代码示例（思路版）

importorg.springframework.ai.chat.client.ChatClient;importorg.springframework.ai.chat.client.advisor.QuestionAnswerAdvisor;importorg.springframework.ai.vectorstore.VectorStore;importorg.springframework.web.bind.annotation.*;@RestController@RequestMapping("/rag")publicclassRagController{privatefinalChatClientchatClient;privatefinalVectorStorevectorStore;publicRagController(ChatClientchatClient,VectorStorevectorStore){this.chatClient=chatClient;this.vectorStore=vectorStore;}@GetMapping(value="/chat",produces="text/plain; charset=UTF-8")publicStringchat(@RequestParamStringq){returnchatClient.prompt().user(q).advisors(newQuestionAnswerAdvisor(vectorStore)).call().content();}}