DeepSeek 聊天
Spring AI 支持 DeepSeek 中的各种 AI 语言模型。您可以与 DeepSeek 语言模型交互,并基于 DeepSeek 模型创建多语言对话助手。
前提条件
您需要使用 DeepSeek 创建一个 API 密钥才能访问 DeepSeek 语言模型。
在 DeepSeek 注册页面创建一个帐户,并在 API 密钥页面上生成令牌。
Spring AI 项目定义了一个名为spring.ai.deepseek.api-key
,您应该设置为API Key
从 API 密钥页面获取。
导出环境变量是设置此配置属性的一种方法:
export SPRING_AI_DEEPSEEK_API_KEY=<INSERT KEY HERE>
添加存储库和 BOM
Spring AI 工件发布在 Spring Milestone 和 Snapshot 存储库中。 请参阅 Artifact Repositories 部分,将这些存储库添加到您的构建系统中。
为了帮助进行依赖项管理,Spring AI 提供了一个 BOM(物料清单),以确保在整个项目中使用一致的 Spring AI 版本。请参阅依赖项管理部分,将 Spring AI BOM 添加到您的构建系统中。
自动配置
Spring AI 为 DeepSeek 聊天模型提供 Spring Boot 自动配置。
要启用它,请将以下依赖项添加到项目的 Maven 中pom.xml
文件:
<dependency>
<groupId>org.springframework.ai</groupId>
<artifactId>spring-ai-starter-model-deepseek</artifactId>
</dependency>
或发送到您的 Gradlebuild.gradle
文件。
dependencies {
implementation 'org.springframework.ai:spring-ai-starter-model-deepseek'
}
请参阅 Dependency Management 部分,将 Spring AI BOM 添加到您的构建文件中。 |
聊天属性
重试属性
前缀spring.ai.retry
用作属性前缀,允许您为 DeepSeek Chat 模型配置重试机制。
属性 | 描述 | 默认值 |
---|---|---|
spring.ai.retry.max-attempts |
最大重试尝试次数。 |
10 |
spring.ai.retry.backoff.initial-interval |
指数回退策略的初始休眠持续时间。 |
2 秒 |
spring.ai.retry.backoff.multiplier |
Backoff interval 乘数。 |
5 |
spring.ai.retry.backoff.max-interval |
最大回退持续时间。 |
3 分钟 |
spring.ai.retry.on-client-errors |
如果为 false,则抛出 NonTransientAiException,并且不尝试重试 |
false |
spring.ai.retry.exclude-on-http-codes |
不应触发重试的 HTTP 状态代码列表(例如,引发 NonTransientAiException)。 |
empty |
spring.ai.retry.on-http-codes |
应触发重试的 HTTP 状态代码列表(例如,引发 TransientAiException)。 |
empty |
连接属性
前缀spring.ai.deepseek
用作用于连接到 DeepSeek 的属性前缀。
属性 | 描述 | 默认值 |
---|---|---|
spring.ai.deepseek.base-url |
要连接到的 URL |
|
spring.ai.deepseek.api-key |
API 密钥 |
- |
配置属性
前缀spring.ai.deepseek.chat
是允许您为 DeepSeek 配置聊天模型实现的属性前缀。
属性 | 描述 | 默认值 |
---|---|---|
spring.ai.deepseek.chat.enabled |
启用 DeepSeek 聊天模型。 |
true |
spring.ai.deepseek.chat.base-url |
可选地覆盖spring.ai.deepseek.base-url以提供特定于聊天的 URL |
|
spring.ai.deepseek.chat.api-key |
(可选)覆盖spring.ai.deepseek.api-key以提供特定于聊天的 API 密钥 |
- |
spring.ai.deepseek.chat.completions-path |
聊天完成端点的路径 |
/chat/completions |
spring.ai.deepseek.chat.beta-prefix-path |
beta 功能终端节点的前缀路径 |
/beta/chat/completions 中 |
spring.ai.deepseek.chat.options.model |
要使用的模型的 ID。您可以使用 deepseek-coder 或 deepseek-chat。 |
深度搜索聊天 |
spring.ai.deepseek.chat.options.frequencyPenalty |
介于 -2.0 和 2.0 之间的数字。正值会根据新标记到目前为止在文本中的现有频率来惩罚新标记,从而降低模型逐字重复同一行的可能性。 |
0.0 英尺 |
spring.ai.deepseek.chat.options.maxTokens |
在聊天完成中生成的最大令牌数。输入标记和生成的标记的总长度受模型的上下文长度限制。 |
- |
spring.ai.deepseek.chat.options.presencePenalty |
介于 -2.0 和 2.0 之间的数字。正值根据新标记到目前为止是否出现在文本中来惩罚新标记,从而增加模型讨论新主题的可能性。 |
0.0 英尺 |
spring.ai.deepseek.chat.options.stop |
最多 4 个序列,API 将在其中停止生成更多令牌。 |
- |
spring.ai.deepseek.chat.options.temperature |
要使用的采样温度,介于 0 和 2 之间。较高的值(如 0.8)将使输出更加随机,而较低的值(如 0.2)将使其更加集中和确定。我们通常建议更改此项或top_p,但不能同时更改两者。 |
1.0F |
spring.ai.deepseek.chat.options.topP |
使用温度进行采样的替代方法,称为核抽样,其中模型考虑具有top_p概率质量的标记的结果。所以 0.1 意味着只考虑包含前 10% 概率质量的 token。我们通常建议更改此温度或温度,但不能同时更改两者。 |
1.0F |
spring.ai.deepseek.chat.options.logprobs |
是否返回输出 Token 的对数概率。如果为 true,则返回消息内容中返回的每个输出标记的对数概率。 |
- |
spring.ai.deepseek.chat.options.topLogprobs |
一个介于 0 和 20 之间的整数,指定在每个标记位置最有可能返回的标记数,每个标记都有一个关联的对数概率。如果使用此参数,则必须将 logprobs 设置为 true。 |
- |
您可以覆盖常见的spring.ai.deepseek.base-url 和spring.ai.deepseek.api-key 对于ChatModel 实现。
这spring.ai.deepseek.chat.base-url 和spring.ai.deepseek.chat.api-key 属性(如果已设置)优先于公共属性。
如果您想为不同的模型和不同的模型终端节点使用不同的 DeepSeek 帐户,这将非常有用。 |
所有前缀为spring.ai.deepseek.chat.options 可以通过将特定于请求的运行时选项添加到Prompt 叫。 |
运行时选项
DeepSeekChatOptions.java 提供模型配置,例如要使用的模型、温度、频率损失等。
启动时,可以使用DeepSeekChatModel(api, options)
constructor 或spring.ai.deepseek.chat.options.*
性能。
在运行时,您可以通过向Prompt
叫。
例如,要覆盖特定请求的默认型号和温度:
ChatResponse response = chatModel.call(
new Prompt(
"Generate the names of 5 famous pirates. Please provide the JSON response without any code block markers such as ```json```.",
DeepSeekChatOptions.builder()
.withModel(DeepSeekApi.ChatModel.DEEPSEEK_CHAT.getValue())
.withTemperature(0.8f)
.build()
));
除了特定于模型的 DeepSeekChatOptions 之外,您还可以使用通过 ChatOptionsBuilder#builder() 创建的可移植 ChatOptions 实例。 |
Samples控制器(自动配置)
创建一个新的 Spring Boot 项目并添加spring-ai-starter-model-deepseek
添加到您的 POM(或 Gradle)依赖项中。
添加application.properties
文件src/main/resources
目录来启用和配置 DeepSeek Chat 模型:
spring.ai.deepseek.api-key=YOUR_API_KEY
spring.ai.deepseek.chat.options.model=deepseek-chat
spring.ai.deepseek.chat.options.temperature=0.8
将api-key 替换为您的 DeepSeek 凭证。 |
这将创建一个DeepSeekChatModel
实现,您可以将其注入到您的类中。
下面是一个简单的示例@Controller
使用 Chat 模型生成文本的类。
@RestController
public class ChatController {
private final DeepSeekChatModel chatModel;
@Autowired
public ChatController(DeepSeekChatModel chatModel) {
this.chatModel = chatModel;
}
@GetMapping("/ai/generate")
public Map generate(@RequestParam(value = "message", defaultValue = "Tell me a joke") String message) {
return Map.of("generation", chatModel.call(message));
}
@GetMapping("/ai/generateStream")
public Flux<ChatResponse> generateStream(@RequestParam(value = "message", defaultValue = "Tell me a joke") String message) {
var prompt = new Prompt(new UserMessage(message));
return chatModel.stream(prompt);
}
}
聊天前缀完成
聊天前缀完成遵循 Chat Completion API,其中用户为模型提供助手的前缀消息以完成消息的其余部分。
使用前缀补全时,用户必须确保消息列表中的最后一条消息是 DeepSeekAssistantMessage。
以下是用于完成聊天前缀的完整 Java 代码示例。在此示例中,我们将助手的前缀消息设置为 “'''python\n” 以强制模型输出 Python 代码,并将 stop 参数设置为 ['''] 以防止模型提供额外的解释。
@RestController
public class CodeGenerateController {
private final DeepSeekChatModel chatModel;
@Autowired
public ChatController(DeepSeekChatModel chatModel) {
this.chatModel = chatModel;
}
@GetMapping("/ai/generatePythonCode")
public String generate(@RequestParam(value = "message", defaultValue = "Please write quick sort code") String message) {
UserMessage userMessage = new UserMessage(message);
Message assistantMessage = DeepSeekAssistantMessage.prefixAssistantMessage("```python\\n");
Prompt prompt = new Prompt(List.of(userMessage, assistantMessage), ChatOptions.builder().stopSequences(List.of("```")).build());
ChatResponse response = chatModel.call(prompt);
return response.getResult().getOutput().getText();
}
}
推理模型 (deepseek-reasoner)
这deepseek-reasoner
是 DeepSeek 开发的一个推理模型。在提供最终答案之前,模型首先生成一个思维链 (CoT) 以提高其响应的准确性。我们的 API 为用户提供了对 CoT 生成的内容的访问权限deepseek-reasoner
,使他们能够查看、显示和提取数据。
您可以使用DeepSeekAssistantMessage
获取生成的 CoT 内容deepseek-reasoner
.
public void deepSeekReasonerExample() {
DeepSeekChatOptions promptOptions = DeepSeekChatOptions.builder()
.model(DeepSeekApi.ChatModel.DEEPSEEK_REASONER.getValue())
.build();
Prompt prompt = new Prompt("9.11 and 9.8, which is greater?", promptOptions);
ChatResponse response = chatModel.call(prompt);
// Get the CoT content generated by deepseek-reasoner, only available when using deepseek-reasoner model
DeepSeekAssistantMessage deepSeekAssistantMessage = (DeepSeekAssistantMessage) response.getResult().getOutput();
String reasoningContent = deepSeekAssistantMessage.getReasoningContent();
String text = deepSeekAssistantMessage.getText();
}
推理模型 多轮对话
在每一轮对话中,模型都会输出 CoT (reasoning_content) 和最终答案 (content)。在下一轮对话中,前几轮的 CoT 不会连接到上下文中,如下图所示:

请注意,如果 reasoning_content 字段包含在输入消息序列中,则 API 将返回 400 错误。因此,在发出 API 请求之前,您应该从 API 响应中删除 reasoning_content 字段,如 API 示例所示。
public String deepSeekReasonerMultiRoundExample() {
List<Message> messages = new ArrayList<>();
messages.add(new UserMessage("9.11 and 9.8, which is greater?"));
DeepSeekChatOptions promptOptions = DeepSeekChatOptions.builder()
.model(DeepSeekApi.ChatModel.DEEPSEEK_REASONER.getValue())
.build();
Prompt prompt = new Prompt(messages, promptOptions);
ChatResponse response = chatModel.call(prompt);
DeepSeekAssistantMessage deepSeekAssistantMessage = (DeepSeekAssistantMessage) response.getResult().getOutput();
String reasoningContent = deepSeekAssistantMessage.getReasoningContent();
String text = deepSeekAssistantMessage.getText();
messages.add(new AssistantMessage(Objects.requireNonNull(text)));
messages.add(new UserMessage("How many Rs are there in the word 'strawberry'?"));
Prompt prompt2 = new Prompt(messages, promptOptions);
ChatResponse response2 = chatModel.call(prompt2);
DeepSeekAssistantMessage deepSeekAssistantMessage2 = (DeepSeekAssistantMessage) response2.getResult().getOutput();
String reasoningContent2 = deepSeekAssistantMessage2.getReasoningContent();
return deepSeekAssistantMessage2.getText();
}
手动配置
DeepSeekChatModel 实现了ChatModel
和StreamingChatModel
并使用低级 DeepSeekApi 客户端连接到 DeepSeek 服务。
添加spring-ai-deepseek
依赖项添加到项目的 Mavenpom.xml
文件:
<dependency>
<groupId>org.springframework.ai</groupId>
<artifactId>spring-ai-deepseek</artifactId>
</dependency>
或发送到您的 Gradlebuild.gradle
文件。
dependencies {
implementation 'org.springframework.ai:spring-ai-deepseek'
}
请参阅 Dependency Management 部分,将 Spring AI BOM 添加到您的构建文件中。 |
接下来,创建一个DeepSeekChatModel
并将其用于文本生成:
var deepSeekApi = new DeepSeekApi(System.getenv("DEEPSEEK_API_KEY"));
var chatModel = new DeepSeekChatModel(deepSeekApi, DeepSeekChatOptions.builder()
.withModel(DeepSeekApi.ChatModel.DEEPSEEK_CHAT.getValue())
.withTemperature(0.4f)
.withMaxTokens(200)
.build());
ChatResponse response = chatModel.call(
new Prompt("Generate the names of 5 famous pirates."));
// Or with streaming responses
Flux<ChatResponse> streamResponse = chatModel.stream(
new Prompt("Generate the names of 5 famous pirates."));
这DeepSeekChatOptions
提供聊天请求的配置信息。
这DeepSeekChatOptions.Builder
是一个 Fluent Options Builder。
低级 DeepSeekApi 客户端
DeepSeekApi 是 DeepSeek API 的轻量级 Java 客户端。
下面是一个简单的代码片段,演示如何以编程方式使用 API:
DeepSeekApi deepSeekApi =
new DeepSeekApi(System.getenv("DEEPSEEK_API_KEY"));
ChatCompletionMessage chatCompletionMessage =
new ChatCompletionMessage("Hello world", Role.USER);
// Sync request
ResponseEntity<ChatCompletion> response = deepSeekApi.chatCompletionEntity(
new ChatCompletionRequest(List.of(chatCompletionMessage), DeepSeekApi.ChatModel.DEEPSEEK_CHAT.getValue(), 0.7f, false));
// Streaming request
Flux<ChatCompletionChunk> streamResponse = deepSeekApi.chatCompletionStream(
new ChatCompletionRequest(List.of(chatCompletionMessage), DeepSeekApi.ChatModel.DEEPSEEK_CHAT.getValue(), 0.7f, true));
有关详细信息,请遵循 DeepSeekApi.java 的 JavaDoc。
DeepSeekApi 示例
-
DeepSeekApiIT.java 测试提供了一些有关如何使用轻量级库的一般示例。