在Java中，使用Spring AI Alibaba框架调用国产大模型通义千问，实现流式输出，是一种高效的方式。通过Spring AI Alibaba，开发者可以轻松地集成通义千问模型，并利用其流式处理能力，实时获取模型生成的文本。这种流式输出方式，使得模型能够持续不断地生成文本，直到达到指定的长度或满足特定的条件。通过这种方式，开发者可以更灵活地处理模型生成的文本，提高应用程序的响应速度和用户体验。
本例子使用spring ai alibaba + QWen千问api 完成，你可以跑通以后换自己的实现。
QWen 目前 有100万免费Token额度，可以快速实现需求。同时，因为qwen 也是个开源的模型，我们可以自己搭建模型来实现免费使用
Spring AI概述
在当前Java调用大模型时，缺乏优秀的AI应用框架是一个显著的问题。Spring作为老牌的Java应用框架厂商，提出了Spring AI以解决这一问题。它参考了langchain的核心理念，并结合了Java面向对象编程的优势，为开发者提供了统一且灵活的接口来与不同的大模型交互。这种设计使得用户能够轻松切换底层实现，同时享受到由专门团队维护的好处。本次样例将演示如何使用Spring AI Alibaba接入通义大模型，但请记住，一旦掌握了基本配置方法，您也可以方便地更换为自己所需的其他Java大模型实现。
Spring AI Alibaba功能概览及接入指南
Spring AI Alibaba 是基于 Spring AI 的实现，专门为阿里云的百炼大模型服务提供支持。作为国内最佳的 Spring AI 实现之一，它继承了 Spring 生态系统的可移植性和模块化设计原则，并整合了阿里巴巴在AI领域的最佳实践。Spring AI Alibaba 主要完成了对话、文生图、文生语音、模型输出解析（OutputParser）、Prompt模板等功能。通过使用 Spring AI Alibaba，开发者可以轻松接入阿里云通义提供的聊天、图片或语音生成等AI应用。Spring AI Alibaba 有很多不同的功能和能力，比如模型调用、Prompt模板、RAG、文生图以及文字识别等。本文将以 Prompt 模板和模型调用两个能力为例，展示如何接入 Spring AI Alibaba。
阿里巴巴云开发的通义千问Qwen：在多项基准测评中表现卓越的语言模型
通义千问Qwen是阿里巴巴云开发的预训练语言模型，在MMLU、TheoremQA、GPQA等基准测评中表现优异，超越了Llama 3 70B。它在Hugging Face开源大模型排行榜Open LLM Leaderboard上荣登榜首，展示了其卓越的能力。该模型在多个客观评测指标上表现出色，为用户提供了强大的自然语言处理能力。
使用SpringBoot整合Spring AI Alibaba
要基于Spring Boot集成Spring AI Alibaba并完成一个简单的对话模型，构建支持Prompt的流返回接口，我们需要遵循以下步骤。此过程将涉及配置环境、添加依赖、设置API密钥以及编写Controller代码等步骤。
1. 环境准备
-
确保你的JDK版本在17（含）以上。
-
确保你的Spring Boot版本在3.3.x以上。
2. 在阿里云申请通义千问的API Key
访问阿里云百炼页面，登录您的阿里云账号，选择开通“百炼大模型推理”服务。开通成功后，创建一个新的API Key，并记录下来以备后续使用。
3. 配置API Key
设置环境变量AI_DASHSCOPE_API_KEY或直接在application.properties中配置API Key：
spring.ai.dashscope.api-key=${AI_DASHSCOPE_API_KEY}
4. 添加Spring仓库及依赖
因为Spring AI Alibaba的M1版本尚未提交到Maven中央仓库，所以需要手动添加Spring的里程碑和快照仓库：
<repositories>
<repository>
<id>sonatype-snapshots</id>
<url>https://oss.sonatype.org/content/repositories/snapshots</url>
<snapshots>
<enabled>true</enabled>
</snapshots>
</repository>
<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，在项目中添加spring-ai-alibaba-starter依赖项和其他必需的Spring Boot依赖项：
<parent>
<groupId>org.springframework.boot</groupId>
<artifactId>spring-boot-starter-parent</artifactId>
<version>3.3.4</version>
<relativePath/> <!-- lookup parent from repository -->
</parent>
<dependencies>
<dependency>
<groupId>com.alibaba.cloud.ai</groupId>
<artifactId>spring-ai-alibaba-starter</artifactId>
<version>1.0.0-M2</version>
</dependency>
<dependency>
<groupId>org.springframework.boot</groupId>
<artifactId>spring-boot-starter-webflux</artifactId>
</dependency>
<dependency>
<groupId>org.springframework.boot</groupId>
<artifactId>spring-boot-starter-web</artifactId>
</dependency>
</dependencies>
5. 创建Controller类
为了实现GET接口且支持CORS跨域请求，我们需要定义一个Controller类来处理聊天逻辑。这里我们将注入ChatClient实例，并利用其prompt()方法生成响应流。
@RestController
@RequestMapping("/ai")
@CrossOrigin(origins = "*") // 支持跨域请求
public class ChatController {
private final ChatClient chatClient;
@Value("classpath:correct-and-expand.st")
Resource resource;
public ChatController(ChatClient.Builder builder) {
this.chatClient = builder.build();
}
@GetMapping(value = "/steamChat")
public Flux<String> steamChat(@RequestParam String input) {
PromptTemplate promptTemplate = new PromptTemplate(resource);
Prompt prompt = promptTemplate.create(Map.of("input", input));
return chatClient.prompt(prompt)
.stream().content();
}
}
这里的PromptTemplate用于读取模板文件，并根据传入的参数动态生成实际的Prompt内容。
6. 运行与测试
确保所有配置无误后，启动Spring Boot应用。您现在可以通过如下URL访问新建的聊天接口:
http://localhost:8080/ai/steamChat?input=你好
这将会触发服务器端的聊天逻辑，并返回由通义千问生成的回答作为Flux数据流输出。
通过上述步骤，我们已经成功地基于Spring Boot集成了Spring AI Alibaba，并实现了基本的聊天功能。
