Spring AI：简化 Java 与大型语言模型的集成_java集成自然语言模型

前段时间，我用Python不到一百行代码就集成了LLM大模型，效果还挺好。考虑到公司有不少用Java的同事，我想，不妨也用Java试试看，效果会怎样呢？带着这个念头，我查阅了一些Java的资料，没想到竟然真的发现了支持集成LLM的Java框架。趁着一趟将近4个小时的高铁旅途，我就把这个入门步骤写出来了。

今年4月17日，Spring官方宣布Spring AI已经可以在Spring Initializr上使用了。这个新工具简化了与AI的交互方式，显著降低了将LLM模型集成到Java项目中的学习难度。现在，你可以在start.spring.io这个网站上尝试并构建你的Spring AI应用。

Spring AI是一个专为AI设计的工程应用框架，它秉承了Spring生态系统的设计原则，如可移植性和模块化设计，旨在推动使用POJO（Plain Old Java Object，简单Java对象）作为构建AI应用的基础。

1、Spring AI特性概览

这个API具有很强的灵活性，能够支持多种AI服务提供商之间的互操作，涉及聊天、生成图像和模型嵌入等多种功能。它提供同步和流API两种选项，并且允许用户配置参数来访问特定的模型。下面是一些主要支持的模型列表，方便用户快速了解。

1.1支持的聊天模型

1.2支持的图像生成模型

1.3支持的向量模型

更多细节请参考官方文档：Spring AI项目文档。通过这些文档，用户可以详细了解如何将这些模型集成到自己的Java项目中，充分发挥AI技术的强大功能。

2、Spring AI 快速入门

在IDEA中快速启动一个新项目非常简单。在开始前需要选择你所需的AI模型依赖。

这里，我以Ollama模型为例来演示整个过程：

2.1 模型选择

Ollama允许我们在不需要GPU资源的情况下，仅通过一键在本地计算机上构建大型模型，并提供了控制台和RestfulAPI，方便我们在Ollama上快速测试和集成大型模型。

从Ollama官网中，我们可以看到Ollama支持以下模型。

注意：

• Gemma是Google Meta最近发布的一款模型。
• 相较于llama2模型对中文支持不足，gemma模型对中文的支持更加友好。

2.2、Ollama 安装设置

在计算机上安装Ollama，非常简单。直接访问Ollama的官方网站，下载与你的操作系统相匹配的版本。无论是Windows、Mac还是Linux，你都能找到适合的安装包。

下载完毕后，根据提示完成安装。然后，打开命令行工具，输入以下命令来确认Ollama已经正确安装，并且检查其版本：

ollama --version

1
2

从Ollama的模型库中拉取（pull）所需的模型。打开你的终端或命令提示符，输入以下命令来下载gemma:2b模型：

ollama pull gemma:2b 

1
2

下载完成后，你可以立即在本地运行这个模型。继续在命令行中输入：

ollama run gemma:2b

1
2

这个命令会启动gemma:2b模型。一旦运行成功，你就可以开始使用模型的功能了。记得，每次使用模型时，只需简单地在控制台里运行上述命令即可。

首次使用ollama命令运行模型时，系统会自动开始下载所需的模型文件。注意，这个文件大概需要3GB的存储空间，下载时间取决于你的网络速度，可能需要一段时间，请耐心等待。

模型文件下载完毕后，模型会按照之前的设置自动启动。这时，你就可以在你的控制台里进行各种测试，与模型进行交互，看看模型的表现如何。

完成使用后，如果你需要退出模型，可以在控制台输入以下命令来安全地关闭模型：

/bye

1
2

2.3、Spring依赖说明

需要特别注意的是，当你在使用Spring AI相关的依赖项时，可能会遇到一些小问题。由于这些依赖项目前还没有在Maven中央仓库中提供，所以你需要手动配置使用Spring的专用仓库。

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

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22

在进行项目配置时，由于Maven官方仓库尚未收录Spring AI的相关依赖，我们需要对项目的pom.xml配置文件进行一点小修改，以确保能够正确地从Spring的专用仓库拉取所需依赖。具体地，你需要修改pom.xml文件中的仓库地址部分，指向Spring提供的专用仓库。

修改后的pom.xml文件中关于仓库配置的部分应该如下所示：

<repositories>
        <!--这里使用的是快照版本-->
    <repository>
      <id>spring-snapshot</id>
      <name>Spring Snapshot</name>
      <url>https://repo.spring.io/snapshot</url>
      <releases>
        <enabled>false</enabled>
      </releases>
    </repository>
  </repositories>

1
2
3
4
5
6
7
8
9
10
11
12

2.4配置Ollama模型

在你的项目中，要确保Ollama模型能正确发挥作用，我们需要对application.yml配置文件做一些关键性的调整。这个文件是定义项目运行时参数的核心文件，因此它的重要性不言而喻。

首先，你需要打开你项目中的application.yml文件，然后在合适的部分加入如下配置：

spring:
  ai:
    ollama:
      base-url: http://localhost:11434
      chat:
        model: gemma:2b

1
2
3
4
5
6
7

接着，我们将配置一个专门处理聊天功能的配置类，如下所示：

package io.daasrattale.generalknowledge.chat;

import org.springframework.ai.chat.ChatClient;
import org.springframework.ai.ollama.OllamaChatClient;
import org.springframework.ai.ollama.api.OllamaApi;
import org.springframework.ai.ollama.api.OllamaOptions;
import org.springframework.context.annotation.Bean;
import org.springframework.context.annotation.Configuration;

@Configuration
public class ChatConfig {


    @Bean
    public ChatClient chatClient() {
        return new OllamaChatClient(new OllamaApi())
                .withDefaultOptions(OllamaOptions.create()
                        .withTemperature(0.9f));
    }
}

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21

说明一下，模型的“temperature”参数用于控制语言模型输出的随机性。这里我们将其设置为0.9，目的是让模型在回答时更具随机性，从而更愿意冒险尝试。

最后一步是创建一个简单的聊天用的REST API：

package io.daasrattale.generalknowledge.chat;

import org.springframework.ai.ollama.OllamaChatClient;
import org.springframework.http.ResponseEntity;
import org.springframework.web.bind.annotation.GetMapping;
import org.springframework.web.bind.annotation.RequestMapping;
import org.springframework.web.bind.annotation.RequestParam;
import org.springframework.web.bind.annotation.RestController;
import reactor.core.publisher.Mono;

@RestController
@RequestMapping("/v1/chat")
public class ChatController {


    private final OllamaChatClient chatClient;

    public ChatController(OllamaChatClient chatClient) {
        this.chatClient = chatClient;
    }

    @GetMapping
    public Mono<ResponseEntity<String>> generate(@RequestParam(defaultValue = "Tell me to add a proper prompt in a funny way") String prompt) {
        return Mono.just(
                ResponseEntity.ok(chatClient.call(prompt))
        );
    }


}

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31

2.5测试验证

我们来尝试调用一个GET请求 /v1/chat，输入一个空的提示：

那么，如果是一个简单的常识性问题呢：

2.6流访问代码测试示例

@Test
  void streamChat() throws ExecutionException, InterruptedException {
      // Build an asynchronous function to manually close the test function
      CompletableFuture<Void> future = new CompletableFuture<>();

      String message = """
              year-end work summary report
              """;
      PromptTemplate promptTemplate = new PromptTemplate("""
              You are a Java development engineer, and you are good at writing the company’s year-end work summary report.
              Write a 100-word summary report based on: {message} scenario
              """);
      Prompt prompt = promptTemplate.create(Map.of("message", message));
      chatClient.stream(prompt).subscribe(
              chatResponse -> {
                  System.out.println("response: " + chatResponse.getResult().getOutput().getContent());
              },
              throwable -> {
                  System.err.println("err: " + throwable.getMessage());
              },
              () -> {
                  System.out.println("complete~!");
                  // Close the function
                  future.complete(null);
              }
      );
      future.get();
  }

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29

如何系统的去学习大模型LLM ？

作为一名热心肠的互联网老兵，我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。

但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的 AI大模型资料 包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。