对很多 Java 开发者来说，接入生成式 AI 的难点并不在“能不能调模型”，而在于如何把模型能力稳定地放进现有的 Spring Boot 工程。Spring AI的价值，就在于它用 Spring 熟悉的配置、依赖注入和统一接口，把不同模型提供方的接入方式收拢到一套开发习惯里。本文就用 Ollama 和 deepseek-r1:1.5b 做一遍最小示例，带你看清它的安装路径、代码结构，以及普通返回与流式输出分别该怎么写。
Spring AI 适合解决什么问题
Spring AI 是一个基于 Spring 生态的 AI 接入组件，核心目标是简化人工智能应用的开发流程。它提供了一层抽象接口，作为开发 AI 应用程序的基础，而这些抽象又有多种实现，因此在更换模型或服务提供商时，往往不需要大改业务代码。
对 Java 开发者来说，这意味着你可以继续沿用熟悉的 Spring Boot 项目结构、配置方式和 Bean 注入机制，在应用里接入主流 AI 模型提供商。它目前支持的范围包括 Anthropic、OpenAI、Microsoft、Amazon、Google 和 Ollama 等。
如果你的项目已经是 Spring 技术栈，那么 Spring AI 的优势并不是“功能比别人多”，而是“接入方式更像 Spring 本身”。这也是它更适合放进现有后端服务，而不是只做一次性 Demo 的原因。
开始之前：环境要求与依赖安装
在动手之前，先确认基础环境已经满足。原文给出的要求如下：
Java17 或更高版本Maven3.6/gradle 或更高版本Spring Boot3.2.x and 3.3.x
项目可以先通过 Spring Initializr 初始化，地址为：https://start.spring.io/。
随后需要在 pom.xml 中加入 spring io 仓库配置：
<repositories>
<repository>
<id>spring-milestones</id>
<name>Spring Milestones</name>
<url>https://repo.spring.io/milestone</url>
<snapshots>
<enabled>false</enabled>
</snapshots>
</repository>
<repository>
<id>spring-snapshots</id>
<name>Spring Snapshots</name>
<url>https://repo.spring.io/snapshot</url>
<releases>
<enabled>false</enabled>
</releases>
</repository>
</repositories>然后添加依赖管理器，也就是 spring-ai-bom：
<dependencyManagement>
<dependencies>
<dependency>
<groupId>org.springframework.ai</groupId>
<artifactId>spring-ai-bom</artifactId>
<version>1.0.0-SNAPSHOT</version>
<type>pom</type>
<scope>import</scope>
</dependency>
</dependencies>
</dependencyManagement>这一步的作用，是先把 Spring AI 相关依赖的版本管理统一起来，后面你再选择具体模型接入组件时，配置会更清晰。
用 Ollama 跑通本地模型示例
模型提供方可以按你的场景选择。这里沿用原文示例，使用 Ollama 作为本地模型运行环境。做法是先参考 Ollama 官网完成安装，再部署并运行一个模型。示例命令如下：
ollama run deepseek-r1:1.5b这条命令拉起的是 deepseek-r1:1.5b。如果这个模型已经在本地可用，后续 Spring Boot 应用就可以直接通过默认接口去访问它。
接着在 pom.xml 中加入 Ollama 的 Spring Boot Starter：
<dependency>
<groupId>org.springframework.ai</groupId>
<artifactId>spring-ai-ollama-spring-boot-starter</artifactId>
</dependency>这一段很关键，因为它决定了 Spring AI 底层实际连的是哪一类模型服务。在本例里，应用不是直接写 HTTP 请求去调用本地模型，而是通过 Spring AI 对 Ollama 的适配层来完成接入。
配置文件怎么写才够用
使用 Ollama 时，可以配置的项目并不少，原文也给出了文档入口：https://docs.spring.io/spring-ai/reference/api/chat/ollama-chat.html。不过对于一个最小可运行示例来说，并不需要一次把所有参数都配满。
在 application.properties 中，先加上最核心的两项即可：
spring.ai.ollama.base-url=http://localhost:11434
spring.ai.ollama.chat.options.model=deepseek-r1:1.5b第一项指定 Ollama 服务地址，原文使用的是默认地址和端口 http://localhost:11434；第二项指定实际使用的聊天模型 deepseek-r1:1.5b。
如果你的 Ollama 并不是跑在默认端口，或者模型名称与示例不同，就在这里替换成对应值。也就是说，Spring AI 的接入门槛并不在 Java 代码本身，很多时候只是配置项是否与你的本地服务保持一致。
控制器如何调用模型
配置完成后，就可以在项目里创建一个控制器，对外提供交互接口。原文示例如下：
package com.example.demo.springai.controller;
import org.springframework.ai.chat.client.ChatClient;
import org.springframework.web.bind.annotation.GetMapping;
import org.springframework.web.bind.annotation.RestController;
@RestController
class MyController {
private final ChatClient chatClient;
public MyController(ChatClient.Builder chatClientBuilder) {
this.chatClient = chatClientBuilder.build();
}
@GetMapping("/ai")
String generation(String userInput) {
return this.chatClient.prompt()
.user(userInput)
.call()
.content();
}
}这段代码的思路很直接：
- 通过构造器注入
ChatClient.Builder - 在控制器中构建出
ChatClient - 暴露一个
/ai接口 - 接收请求参数
userInput - 把用户输入交给模型，再返回生成内容
其中最核心的一行是：
return this.chatClient.prompt()
.user(userInput)
.call()
.content();它表达的是一个完整调用链：创建提示词上下文、写入用户输入、发起调用、最后取回模型输出内容。对于只需要同步返回一段文本结果的场景，这种写法已经足够清楚，也足够贴近 Spring 开发者平时写业务接口的习惯。
需要实时返回时，改成流式输出
如果你不是要等模型一次性生成完整结果，而是希望边生成边返回，那么原文建议把 call() 改成 stream()。示例如下：
@GetMapping("/ai")
Flux<String> generation(String userInput) throws UnsupportedEncodingException {
return this.chatClient.prompt()
.user(userInput)
.stream()
.content();
}这里返回值从普通字符串变成了 Flux<String>，意味着接口不再是“一次性拿到完整回答”，而是按流式片段持续输出内容。这类写法更适合聊天窗口、逐字显示回复、长文本生成等对实时反馈更敏感的场景。
从使用方式看，Spring AI 在这里的改动也比较克制，开发者主要只是把调用终点从 call() 切换为 stream()，整体控制器结构并没有被打乱。
启动方式与结果验证
完成以上步骤后，直接启动 Spring Boot 项目即可。应用起来之后，可以在浏览器访问下面这个地址进行验证：
http://localhost:8080/ai?userInput=springai如果本地的 Ollama 服务正常运行、模型已经可用、Spring Boot 配置也没有写错，那么你就能在这个接口上看到 AI 返回的内容。
从这个最小示例可以看出，Spring AI 的使用门槛并不高：准备好 Java 与 Spring Boot 环境，选定模型提供方，补上 Starter 依赖和配置，再写一个非常普通的控制器，就能把生成式 AI 接到项目里。
原文最后还提到，除了基础对话能力之外，Spring Boot 还支持主流的矢量数据、向量存储、模型评估等功能。对于准备把 AI 能力继续扩展到检索增强、知识库问答或效果评估的团队来说，这意味着 Spring AI 不只是一个调用模型的小工具，而是能继续往工程化方向延伸的一层基础设施。
