AI 应用开发第一步：用 Spring Boot 接入 DeepSeek

对 Java 开发者而言，进入 AI 应用开发并不一定要先研究模型训练。更直接的起点，是把大模型视为一种可通过 HTTP 调用的外部能力：由 Spring Boot 组织提示词和上下文，请求 DeepSeek API，再将生成结果返回给业务端。沿着这条链路，也能逐步理解应用层最常见的几个核心概念。

AI 应用开发 Day 1：从 Spring Boot 调用 DeepSeek 开始

最近开始系统学习 AI 应用开发。

作为一个有多年 Java + React 开发经验的程序员，我并不打算走模型训练、算法研究路线，而是希望成为能够将大模型能力集成到企业系统中的 AI 应用工程师。

因此 Day 1 的目标非常明确：

跑通 Spring Boot 调用大模型 API，理解 AI 应用开发最核心的几个概念。

---

今日目标

实现下面这条链路：

Postman
    ↓
Spring Boot
    ↓
DeepSeek API
    ↓
返回模型回答

同时理解以下几个核心概念：

• LLM
• Token
• Context
• Prompt
• Structured Output

---

什么是 LLM？

LLM（Large Language Model，大语言模型）本质上是一个根据上下文预测下一个 Token 的模型。

它通过海量文本训练后，具备了理解和生成自然语言的能力。

对于应用开发者来说，我们更多是通过 API 调用大模型，实现：

• 智能问答
• 内容生成
• 数据分析
• 工作流自动化

而不是自己训练模型。

从工程角度理解，可以把它看成：

String answer = llm.generate(context);

---

什么是 Token？

Token 是模型处理文本的最小单位。

它不一定等于一个字符，也不一定等于一个单词。

例如：

你好，我是Java程序员

可能被拆分为多个 Token。

对于开发者来说，Token 主要影响：

• API 调用成本
• 上下文长度
• 响应速度

因此实际项目中需要关注：

• Prompt 是否过长
• 历史消息是否过多
• Token 是否超出模型限制

---

什么是 Context？

Context（上下文）是模型当前能够看到的全部信息。

通常包括：

• System Prompt
• 历史对话
• 当前用户问题
• RAG 检索结果
• Tool 调用结果

例如：

[  {    "role": "system",    "content": "你是Java架构师"  },  {    "role": "user",    "content": "什么是Spring Boot"  },  {    "role": "assistant",    "content": "Spring Boot是..."  },  {    "role": "user",    "content": "它和Spring有什么区别"  }]

这整个消息数组就是 Context。

AI 能够进行多轮对话，并不是因为它真的记住了用户，而是因为每次请求都会把相关历史消息重新发送给模型。

---

什么是 Prompt？

Prompt 就是给模型的指令。

例如：

你是一位资深Java架构师。

请用初学者能够理解的方式回答问题。

这就是一个 Prompt。

Prompt 会影响：

• 回答风格
• 回答长度
• 回答格式
• 回答角色

在企业项目中：

• 客服助手
• 销售助手
• ERP助手
• MES助手

本质上都是：

Prompt
+
业务数据

---

System Prompt 和 User Prompt 的区别

System Prompt：

你是Java架构师

用于定义模型角色和行为规则。

User Prompt：

什么是Redis？

用于表达用户当前需求。

通常情况下：

System Prompt
优先级
>
User Prompt

因此企业项目经常使用 System Prompt 固定模型身份。

例如：

• 客服助手
• 企业知识库助手
• 销售顾问助手

等等。

---

什么是 Structured Output？

Structured Output 指让模型按照固定的数据结构返回结果。

最常见的是 JSON。

普通回答：

上海是中国最大的经济中心...

程序难以处理。

更好的方式：

{
  "city": "上海",
  "population": 2480,
  "level": "直辖市"
}

这样程序就可以直接解析。

在以下场景中非常常见：

• AI报表
• Agent
• Tool Calling
• 工作流系统
• 企业知识库

---

五个概念之间的关系

可以用下面这张图理解：

用户问题
    ↓
Prompt
    ↓
Context
    ↓
LLM
    ↓
生成Token
    ↓
输出结果

---

实战：Spring Boot 调用 DeepSeek

Day 1 的重点不是研究模型原理，而是亲手调用一次大模型接口。

项目结构：

ai-learning
├── controller
├── service
├── dto
└── config

实现接口：

POST /api/chat

请求：

{
  "message":"什么是Redis"
}

服务端：

Controller
    ↓
Service
    ↓
DeepSeek API
    ↓
返回结果

最终成功返回：

{
  "answer":"Redis是一种基于内存的高性能Key-Value数据库..."
}

至此，完成了从 Spring Boot 到大模型 API 的完整调用链路。

---

为什么 AI Chat 本质上是一次 HTTP API 调用？

这是今天最大的收获。

AI 应用开发中，大模型通常通过 HTTP API 的形式提供服务。

客户端将 Prompt 和 Context 组织成 messages 发送给模型。

模型根据上下文生成 Token，并返回结果。

因此从工程角度看：

AI Chat 本质上就是一次特殊的 HTTP API 调用。

与普通接口最大的区别只是：

普通接口返回业务数据。

例如：

{
  "temperature": 30
}

而 AI 接口返回模型生成内容：

{
  "answer":"Redis是一种基于内存的数据库..."
}

---

Day 1 总结

今天完成了：

• 理解 LLM
• 理解 Token
• 理解 Context
• 理解 Prompt
• 理解 Structured Output
• 获取 DeepSeek API Key
• Spring Boot 调用 DeepSeek API
• 成功返回模型回答

从今天开始，AI 对我来说不再是一个神秘的黑盒。

它首先是：

HTTP API

其次才是：

Prompt
+
Context
+
LLM

下一步计划学习：

Spring Boot
    ↓
SSE
    ↓
Streaming
    ↓
React Chat UI

实现类似 ChatGPT 的逐字输出效果。