SpringBoot3集成多款主流大模型

集成：DeepSeek，豆包，混元，通义千问。

一、简介

2025年7月份，开始转型独立开发者。

第一款尝试的产品自然是AI方向，此前不具备专业的产品经验，所以只能更多的依赖大模型的能力。

年初DeepSeek成功证明模型即产品的理念，所以第一款产品尽量降低传统的产品设计思维，会把场景和流程交给大模型去处理，通过反复测试来调整干预的权重，找到一个相对平衡的比例。

有时候在反思，自己的脑回路会不会限制AI的发挥。

在产品的初期，先选择接入四款大模型，深度求索的DeepSeek，字节跳动的豆包，腾讯的混元，阿里的通义千问。

模型即产品，那产品是什么？

当然每家的大模型，都有自己的能力特点，这里只是从产品的整体功能考量，这几款模型可能更适合，后续可能也会在实践中做动态调整。

二、大模型自评

如何快速熟悉大模型的能力？多提问题，多和它来回拉扯。

首先给这几款大模型，抛出一个灵魂拷问：

作为一款很强的大模型，请你客观的分析DeepSeek，豆包，千问，混元，这四款大模型的差异，并从综合能力的角度给个排序。

看热闹不嫌事大，先让大模型自我分析一把，验证一下自己对它们的预期。

DeepSeek回答：

豆包回答：

通义千问回答：

混元回答：

各个大模型对于能力的排序，权当个热闹看一看。

不过有个结论可以得出来的：不同平台的业务和数据有很大差异，所以训练出来的模型能力也有差异。

此前文章中写过DeepSeek的代码测评，确实很惊艳；豆包的产品化能力，方便解决很多生活问题；混元经常用来分析行业热门事件；通义千问常用来提供业务设计的参考。

所以产品的不同功能，交给不同的大模型来处理，是比较合理的策略。

三、SpringBoot集成

从产品的业务需求出发，来设计后端框架的模型对接，既然需要集成多款大模型，自然是通用的组件更方便管理，通过测试对比个人倾向使用spring-ai-openai依赖包。

这几款模型的使用文档，都适配了OpenAI的接口规范，只是豆包有轻微的细节差异。

3.1 版本依赖

这里说一下简单的思路，是先敲定spring-ai-openai组件的版本，在这个组件中依赖spring-boot的3.3.6版本，以此定了后端的框架和版本。

<spring-boot.version>3.3.6</spring-boot.version>
<spring-ai-openai.version>1.0.0-M5</spring-ai-openai.version>

<dependencies>
  <dependency>
    <groupId>org.springframework.ai</groupId>
    <artifactId>spring-ai-openai-spring-boot-starter</artifactId>
    <version>${spring-ai-openai.version}</version>
  </dependency>
</dependencies>

<!-- SpringBoot依赖 -->
<dependency>
    <groupId>org.springframework.boot</groupId>
    <artifactId>spring-boot-dependencies</artifactId>
    <version>${spring-boot.version}</version>
    <type>pom</type>
    <scope>import</scope>
</dependency>

3.2 配置和测试

首先看基础的Yaml配置文件，比较常见的就是请求的地址和方法，然后指定大模型使用的版本名称，这里要注意豆包配置的差异，千问和混元也是一样的方式。

spring:
  # 大模型配置
  ai:
    openai:
      base-url: https://api.deepseek.com
      api-key: sk-deep-seek
      chat:
        # 默认配置
        # 豆包大模型使用：/api/v3/chat/completions
        completions-path: /v1/chat/completions
        options:
          model: deepseek-chat

简单做个测试的用例，构建ChatClient类，传入自定义的提示词，请求DeepSeek大模型，没有使用流式输出，所以请求响应的时间比较长。

@RestController
public class TestModelWeb {

    private final ChatClient chatClient ;

    public TestModelWeb(ChatClient.Builder chatClientBuilder) {
        this.chatClient = chatClientBuilder.build();
    }

    @GetMapping(value = "/client")
    public String chatClient() {
        String message = "讲个笑话，最好能把我听哭的那一种。";
        return  chatClient.prompt(new Prompt(message)).call().content();
    }
}

3.3 多模型封装

通过配置文件管理模型的集成虽然简单高效，但是产品的场景中有模型动态选择的功能，所以做个简单的封装，在容器中存ChatClient类，选中哪款调用哪款。

/**
 * 大模型工厂
 * @author 七号楼
 * @since 2025-07-02 13:48
 */
@Component
public class ModelFactory {

    private static volatile Map<String, ChatClient> modelMap = new HashMap<>();

    /**
     * 获取模型
     * @since 2025-07-03 10:53
     */
    public static ChatClient getModel (String modelName){
        return modelMap.get(modelName);
    }

    /**
     * 移除模型
     * @since 2025-07-03 10:53
     */
    public static void removeModel (String modelName){
        if (CollUtil.contains(modelMap.keySet(),modelName)){
            modelMap.remove(modelName);
        }
    }
    /**
     * 添加模型
     * @since 2025-07-03 10:53
     */
    public static void putModel (OpenAiChatProperties properties,OpenAiChatOptions options){
        ChatClient buildClient = buildChatClient(properties,options);
        modelMap.put(options.getModel(),buildClient);
    }
    /**
     * 构建ChatClient对话客户端
     * @param properties 基础配置
     * @param options 选项配置
     * @return ChatClient
     */
    private static ChatClient buildChatClient(OpenAiChatProperties properties,OpenAiChatOptions options) {
        properties.setOptions(options);
        OpenAiApi openAiApi = new OpenAiApi(
                properties.getBaseUrl(),
                properties.getApiKey(),
                properties.getCompletionsPath(),
                "/v1/embeddings",
                RestClient.builder(),
                WebClient.builder(),
                RetryUtils.DEFAULT_RESPONSE_ERROR_HANDLER);
        OpenAiChatModel chatModel = new OpenAiChatModel(openAiApi,options);
        return ChatClient.builder(chatModel).build();
    }
}

多款大模型的配置信息，统一维护在表中即可，在服务启动时加载一次，初始化ModelFactory中的Map容器。

@Service
public class ModelConfigServiceImpl extends ServiceImpl<ModelConfigMapper, ModelConfig> implements ModelConfigService {

    @PostConstruct
    public void init (){
        List<ModelConfig> modelList = this.list();
        if (CollUtil.isNotEmpty(modelList)){
            for (ModelConfig modelConfig:modelList) {
                // 基础配置
                OpenAiChatProperties properties = new OpenAiChatProperties();
                properties.setBaseUrl(modelConfig.getBaseUrl());
                properties.setCompletionsPath(modelConfig.getCompletionsPath());
                properties.setApiKey(modelConfig.getApiKey());
                // 选项配置
                OpenAiChatOptions options = OpenAiChatOptions.builder()
                        .model(modelConfig.getModelVersion())
                        .temperature(modelConfig.getTemperature())
                        .build();
                // 模型工厂
                ModelFactory.putModel(properties,options);
            }
        }
    }
}

简单的测试一下模型动态选择的封装。

@RestController
public class TestModelWeb {
    @GetMapping(value = "/completion")
    public String completion() {
        String message = "你是哪个公司开发的？当前使用的是哪个版本的模型？";
        return  ModelFactory.getModel("qwen").prompt(new Prompt(message)).call().content()
                +"<br/><br/>"+
                ModelFactory.getModel("hunyuan").prompt(new Prompt(message)).call().content();
    }
}

四、最后总结

产品在完成大模型集成后，测试具体的业务场景时，可以先不考虑自定义的干预策略，就看一看大模型能发挥到什么程度。

如果效果不符合预期，再逐步的加入自定义的策略，直到产品和大模型这个"产品"形成默契的配合，建议测试过程放在模型官网的对话框进行。

毕竟独立开发者的收入，已经独立了。

文档仓库：
https://gitee.com/cicadasmile/butte-java-note

源码仓库：
https://gitee.com/cicadasmile/butte-mound