DeepSeek

在本章节中，我们将学习如何使用 Spring AI Alibaba 接入 DeepSeek 系列模型。在开始学习之前，请确保您已经了解相关概念。

1. Chat Client；
2. Chat Model；
3. Spring AI Alibaba 快速开始；
4. 本章节的代码您可以在 Spring AI Alibaba Example 仓库找到。

本示例主要演示如何以 ChatModel 形式接入。关于如何使用 ChatClient，请参考 Github 代码仓库示例。

DeepSeek

DeepSeek是一家创新型科技公司，成立于2023年7月17日，使用数据蒸馏技术，得到更为精炼、有用的数据。 由知名私募巨头幻方量化孕育而生，专注于开发先进的大语言模型（LLM）和相关技术。

其开源的第一代推理模型 DeepSeek-R1 模型，拥有卓越的性能，在数学、代码和推理任务上可与 OpenAI o1 媲美。

Spring AI Alibaba 接入

在阿里云 DashScope 平台，同样提供了 DeepSeek 模型。同时 Spring AI Alibaba 也做了模型接入适配，您可以通过 spring-ai-alibaba-starter 接入 DeepSeek 系列模型。

1. 引入 spring-ai-alibaba-starter

   <dependency>
       <groupId>org.springframework.boot</groupId>
       <artifactId>spring-boot-starter-web</artifactId>
       <version>3.3.4</version>
   </dependency>
   
   <dependency>
       <groupId>com.alibaba.cloud.ai</groupId>
       <artifactId>spring-ai-alibaba-starter</artifactId>
       <version>1.0.0-M6</version>
   </dependency>

2. 在 application.yml 文件中指定使用的模型

   spring:
     ai:
       dashscope:
         api-key: ${AI_DASHSCOPE_API_KEY}
         chat:
           options:
             model: deepseek-r1

3. 注入 ChatModel

   private final DashScopeChatModel chatModel;
   
   public DeepSeekController(DashScopeChatModel chatModel) {
       this.chatModel = chatModel;
   }

4. 编写 Controller

   @GetMapping("/{prompt}")
   public Generation chat(@PathVariable(value = "prompt") String prompt) {
   
     ChatResponse chatResponse = chatModel.call(new Prompt(prompt));
   
     return chatResponse.getResult();
   }

至此，便完成了 DashScope 平台上 DeepSeek 模型的接入。

另外，Spring AI Alibaba 还支持 DeepSeek 的 Reasoning Content 透出，您可以通过以下方式获得 DeepSeek 的 Reasoning Content：

@GetMapping("/{prompt}")
public String chat(@PathVariable(value = "prompt") String prompt) {

    ChatResponse chatResponse = chatModel.call(new Prompt(prompt));

    if (!chatResponse.getResults().isEmpty()) {
        Map<String, Object> metadata = chatResponse.getResults()
                .get(0)
                .getOutput()
                .getMetadata();

        System.out.println(metadata.get("reasoningContent"));
    }

    return chatResponse.getResult().getOutput().getContent();
}

之后，您可以在控制台看到如下输出：

嗯，用户发来“你好”，这是个常见的中文问候。首先，我需要确认用户的需求。可能只是打个招呼，或者想开始一段对话。接下来，我应该用友好的回应回复，同时保持开放，让用户知道可以提供帮助。需要检查有没有拼写错误，确保回复自然。另外，考虑用户可能的后续问题，比如需要信息或帮助解决问题。保持简洁，但足够亲切。使用适当的标点符号和表情符号可能会让回复更温暖，不过现在通常不用表情。还要注意语言是否符合中文习惯，避免机械化的回答。可能还需要快速生成回复，减少等待时间。总之，保持礼貌和专业的平衡，让用户感到被重视和支持。

Spring AI 接入

DeepSeek 模型提供了兼容 OpenAI API 的 API 接口实现，因此我们可以基于 spring-ai-openai-spring-boot-starter 接入 DeepSeek 模型。(Spring AI 当前未适配 DeepSeek Reasoning Content)

1. 引入 spring-ai-openai-spring-boot-starter

   <dependency>
       <groupId>org.springframework.ai</groupId>
       <artifactId>spring-ai-openai-spring-boot-starter</artifactId>
       <version>1.0.0-M6</version>
   </dependency>

2. 配置 application.yml

   spring:
     application:
     name: spring-ai-alibaba-deepseek-chat-model-example
   
     ai:
       openai:
         api-key: ${AI_OPENAI_API_KEY}
         base-url: ${AI_OPENAI_BASE_URL}
         chat:
           options:
             model: deepseek-r1

3. 注入 ChatModel

   private final ChatModel deepSeekChatModel;
   
   public DeepSeekChatModelController (ChatModel chatModel) {
       this.deepSeekChatModel = chatModel;
   }

4. 编写 Controller 控制器

   @GetMapping("/simple/chat")
   public String simpleChat () {
   
       return deepSeekChatModel.call(new Prompt(prompt)).getResult().getOutput().getContent();
   }