目录

一、申请API-KEY

二、引入依赖

三、配置文件

四、使用ChatModel调用大模型

五、使用ChatClient调用大模型

（1）创建ChatClient：

（2）关于ChatClient的响应格式

六、AI响应内容如何返回给前端？

七、最后 

---

        大家好，今天带大家来一起使用Spring AI Alibaba来调用一下大模型，实现一个基础的聊天机器人，这次我们因为直接用阿里继承的springAI，所以直接就使用阿里云百炼里面的大模型即可。

---

官方文档：Spring AI Alibaba 官网_快速构建 JAVA AI 应用

---

一、申请API-KEY

地址：大模型服务平台百炼控制台

二、引入依赖

<!-- Spring AI Alibaba -->
        <dependency>
            <groupId>com.alibaba.cloud.ai</groupId>
            <artifactId>spring-ai-alibaba-starter</artifactId>
            <version>1.0.0-M6.1</version>
            <exclusions>
                <exclusion>
                    <artifactId>logback-adapter</artifactId>
                    <groupId>com.alibaba.nacos</groupId>
                </exclusion>
            </exclusions>
        </dependency>

这里排除了logback相关的依赖，防止和web依赖冲突。

三、配置文件

spring:
  ai:
    dashscope:
      chat:
        options:
          model: deepseek-r1 #如果想使用千问，改为：qwq-plus
      api-key: ${ai.dashscope.api-key}

四、使用ChatModel调用大模型

@Component
public class SpringAiAiInvoke implements CommandLineRunner {

    @Resource
    private ChatModel dashscopeChatModel;

    @Override
    public void run(String... args) throws Exception {
        AssistantMessage output = dashscopeChatModel
                .call(new Prompt("你好，我是千语。你的版本是什么"))
                .getResult()
                .getOutput();
        System.out.println(output.getText());
    }
}

代码解释：

途中那段字符串就是用户提问的内容了，可以从前端接收参数，然后再发给大模型

CommandLineRunner这个接口的方法会在Bean被初始化的时候执行，所以这里的run方法只要项目已启动就会被执行，然后就会调用大模型了，然后就可以看到输出结果了。

是的，调用大模型就只需这么简单的四步即可完成。但如果更深入地使用还要进一步学习。

五、使用ChatClient调用大模型

相比于ChatModel，ChatClient翻译过来就是创建一个客户端，使用ChatClient可以更定制化地调用AI。（比如更深入的RAG知识库、advisor顾问等等）

（1）创建ChatClient：

@Component
@Slf4j
public class MyApp {

    private final ChatClient chatClient;

    private final String SYSTEM_PROMPT = "这里是系统提示词，你可以给大模型设定一个身份，并且定义大模型的输出风格";


    public MyApp (ChatModel dashScopeChatModel) {
        ChatMemory chatMemory = new MySQLBasedChatMemory(conversationMemoryService);//基于MySQL的对话记忆
        chatClient = ChatClient.builder(dashScopeChatModel)
                .defaultSystem(SYSTEM_PROMPT)//系统提示词
                .build();

    }

    /**
     * 会话方法
     *
     * @param message 用户输入的文本
     * @param charId  会话id，后续可以使用这个id来获取会话的上下文记忆，现在可以不使用
     * @return 返回给用户的文本
     */
    public String doChat(String message, String charId) {
        ChatResponse chatResponse = chatClient.prompt()
                .user(message)
                .call()//发送请求
                .chatResponse();//获取返回结果
        String respText = chatResponse.getResult().getOutput().getText();
        log.info(respText);
        return respText;
    }



}

上面这段代码，用构造函数初始化了ChatClient，在构造函数中，设置的都是对这个大模型的全局设置，比如系统提示词。并且在成员方法中使用它调用了大模型。

虽然在全局设置了系统提示词，但是我们还可以在调用大模型的时候，动态的重置系统提示词：

// 定义默认系统提示词
ChatClient chatClient = ChatClient.builder(chatModel)
        .defaultSystem("You are a friendly chat bot that answers question in the voice of a {voice}")
        .build();

// 对话时动态更改系统提示词的变量
chatClient.prompt()
        .system(sp -> sp.param("voice", voice))
        .user(message)
        .call()
        .content());

---

（2）关于ChatClient的响应格式

// ChatClient支持多种响应格式
// 1. 返回 ChatResponse 对象（包含元数据如 token 使用量）
ChatResponse chatResponse = chatClient.prompt()
    .user("Tell me a joke")
    .call()
    .chatResponse();

// 2. 返回实体对象（自动将 AI 输出映射为 Java 对象）
// 2.1 返回单个实体
record ActorFilms(String actor, List<String> movies) {}
ActorFilms actorFilms = chatClient.prompt()
    .user("Generate the filmography for a random actor.")
    .call()
    .entity(ActorFilms.class);

// 2.2 返回泛型集合
List<ActorFilms> multipleActors = chatClient.prompt()
    .user("Generate filmography for Tom Hanks and Bill Murray.")
    .call()
    .entity(new ParameterizedTypeReference<List<ActorFilms>>() {});

// 3. 流式返回（适用于打字机效果）
Flux<String> streamResponse = chatClient.prompt()
    .user("Tell me a story")
    .stream()
    .content();

// 也可以流式返回ChatResponse
Flux<ChatResponse> streamWithMetadata = chatClient.prompt()
    .user("Tell me a story")
    .stream()
    .chatResponse();

---

六、AI响应内容如何返回给前端？

请查阅博客：【java】AI内容用SSE流式输出-CSDN博客

---

七、最后 

        至此，AI的基本调用问题就完成了，更深入的用法，例如对话记忆、RAG知识库、工具调用、MCP服务等等，请关注后续博客。

---