Javaer的AI学习之路——Spring AI 入门:(2)快速搭建一个简单的问答

本章导读：在理解了Spring AI的核心概念之后，现在让我们进入动手实践环节。本章将以阿里云通义千问（Qwen）大模型为例，从零开始搭建一个完整的Spring AI应用，并成功完成第一次AI对话。读完本章，你将拥有一个可运行的智能对话服务，并掌握以下能力：获取并使用通义千问API Key、配置Spring Boot项目集成通义千问、使用ChatClient完成对话请求、处理常见的启动报错与调试问题。

3.1 环境准备

在开始编码之前，我们需要完成两件准备工作：获取阿里云通义千问的API访问凭证，以及创建一个Spring Boot项目。

3.1.1 获取通义千问API Key

API Key是调用通义千问服务的唯一凭证，获取过程分为两步：开通服务、创建并保存密钥。

第一步：开通DashScope服务

DashScope（灵积）是阿里云的大模型服务平台，通义千问系列模型的API统一由该平台管理。打开浏览器，访问阿里云DashScope控制台首页，如果尚未登录，请先登录你的阿里云账号（如无账号，需先免费注册）。进入页面后，在“总览”区域单击“去开通”按钮，阅读并勾选《DashScope服务协议》，确认无误后点击“立即开通”，系统会在几秒钟内激活服务。

第二步：创建并保管API Key

服务开通后，页面会自动跳转至API-KEY管理页面，你也可以在控制台左侧导航栏手动点击“API-KEY管理”进入。在API-KEY管理页面，点击“创建新的API-KEY”按钮，系统弹窗会显示新生成的API Key字符串（格式以sk-开头）。

新账号创建完，会给一些免费的额度，可以在模型用量查看：

第三步：验证API Key可用性

创建完成后，可以通过cURL快速测试Key是否有效。打开终端或命令行，执行以下命令（将YOUR_API_KEY替换为实际获取到的Key）：

curl -X POST "https://dashscope.aliyuncs.com/compatible-mode/v1/chat/completions" \  -H "Authorization: Bearer YOUR_API_KEY" \  -H "Content-Type: application/json" \  -d '{"model": "qwen-plus", "messages": [{"role": "user", "content": "你好"}]}'

如果返回的JSON中包含choices数组及非空的message字段，则说明API Key已激活且具备调用权限。

补充说明：本章采用Spring AI官方的OpenAI Starter，通过配置base_url指向DashScope提供的OpenAI兼容端点来调用通义千问。这种方式完全基于Spring AI官方框架，不依赖任何Alibaba专用包，Spring AI通过重用现有的OpenAI客户端与兼容OpenAI接口的模型服务进行集成。切换base_url和模型名称即可迁移现有的OpenAI代码至DashScope。

3.1.2 创建Spring Boot项目

使用Spring Initializr创建基础项目，推荐选择以下配置：

● 项目构建工具：Maven（本文以此为例）

● Spring Boot版本：3.2.x 或更高版本

● Java版本：17 或 21

● 依赖项选择：先勾选 Spring Web 即可，其他依赖稍后手动添加

项目创建完成后，打开IDE（如IntelliJ IDEA或VS Code），等待依赖下载完毕。

JDK版本说明：Spring AI官方要求构建环境Java 21+，运行时兼容Java 17。推荐使用JDK 21以获得更好的性能和虚拟线程支持，但如果你的环境暂时只有JDK 17，也可以正常运行。

3.2 添加依赖与配置

3.2.1 添加Maven依赖

Spring AI提供了官方的OpenAI Starter，这是与AI模型通信的核心依赖。在项目的pom.xml文件中，首先需要添加Spring AI的BOM，以便统一管理各模块的版本：

<properties><java.version>21</java.version><maven.compiler.source>21</maven.compiler.source><maven.compiler.target>21</maven.compiler.target><project.build.sourceEncoding>UTF-8</project.build.sourceEncoding><spring-boot.version>3.2.5</spring-boot.version><spring-ai.version>1.1.7</spring-ai.version></properties><dependencyManagement><dependencies><!-- Spring AI BOM --><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>

然后在节点中添加OpenAI Starter：

</dependency><dependency><groupId>org.springframework.ai</groupId><artifactId>spring-ai-starter-model-openai</artifactId></dependency>

如果还需要使用Spring Web能力，可以一并添加：

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

完成以上配置后，Maven会自动下载Spring AI相关的依赖包。

3.2.2 配置application.yml

在src/main/resources目录下，创建或编辑application.yml文件，配置通义千问的API Key和模型参数。这里的关键是将base-url指向DashScope的OpenAI兼容端点，即可无缝调用通义千问：

spring:application:name:spring-ai-tutorialai:openai:api-key:${AI_DASHSCOPE_API_KEY}# 复用通义千问的API Key，使用环境变量引用base-url:https://dashscope.aliyuncs.com/compatible-mode# DashScope OpenAI兼容端点chat:options:model:qwen3.6-plus# 通义千问模型名称temperature:0.7# 控制输出随机性，范围0~2，越低越确定性server:port:8080servlet:encoding:charset:UTF-8enabled:trueforce:true

配置中使用了环境变量引用（${AI_DASHSCOPE_API_KEY}）而不是直接写明文Key——这是一种良好的安全实践，避免API Key被误提交到版本控制系统。

需要在系统环境中配置此变量：

Windows命令行：set AI_DASHSCOPE_API_KEY=你的API-Key
macOS/Linux终端：export AI_DASHSCOPE_API_KEY="你的API-Key"

另外，还可以选择在IDE的运行配置中直接设置环境变量——以IntelliJ IDEA为例：进入Run → Edit Configurations → 在Environment variables中添加AI_DASHSCOPE_API_KEY=你的API-Key，这样运行Spring Boot应用时就会自动加载。

当然，如果只是自己写写，可以直接卸载配置文件，但记住生产环境切不可这么做。

3.2.3 关于模型名称的说明

阿里云DashScope平台通过OpenAI兼容接口支持多种通义千问模型供选择：

模型系列	示例名称	特点	适用场景
Qwen-Max系列	qwen-max, qwen3-max	推理能力最强，效果最优	复杂推理、专业任务
Qwen-Plus系列	qwen-plus	平衡性能与成本，能力均衡	日常对话、内容生成
Qwen-Flash系列	qwen-flash	响应速度快，成本低	高频对话、简单问答

新用户通常有免费的额度可供体验，建议先从qwen-plus开始，它兼顾了响应质量和成本效率。如果追求极致速度，可以切换到qwen-flash；如果处理复杂的逻辑推理任务，则可以选择qwen-max。

3.3 编写第一个Chat接口

3.3.1 创建Controller

创建一个RESTful Controller来暴露对话接口。Spring AI的自动配置会自动扫描并注入所需的ChatClient.Builder实例，我们通过构造器注入即可使用：

package com.springai.guide.controller;import org.slf4j.Logger;import org.slf4j.LoggerFactory;import org.springframework.ai.chat.client.ChatClient;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;/** * 示例控制器 */@RestController@RequestMapping("/api")publicclassHelloController {privatestaticfinalLoggerlog= LoggerFactory.getLogger(HelloController.class);privatefinal ChatClient chatClient;// 通过构造器注入ChatClient.Builder，然后构建ChatClient实例publicHelloController(ChatClient.Builder builder) {        log.info("=== ChatClient 初始化 ===");/**         * hatClient.Builder 已注入，将使用 application.yml 中的配置         * 配置项: spring.ai.openai.api-key, base-url, chat.options.model 等         * 这些配置已由 Spring AI 自动配置类加载并注入到 Builder 中         *         */// 可选：设置默认的系统提示词，定义AI的角色和行为this.chatClient = builder                .defaultSystem("你是一个乐于助人的AI助手，回答要简洁、准确、友好。")                .build();        log.info("ChatClient 构建完成，可以开始使用");        log.info("========================");    }// 同步对话接口：GET方式，接收消息参数，返回AI回答@GetMapping("/chat")public String chat(@RequestParam(value = "msg", defaultValue = "你好") String msg) {return chatClient.prompt()                .user(msg)       // 设置用户输入的内容                .call()          // 发送请求给AI模型，同步等待响应                .content();      // 获取AI返回的回答文本    }}

上述代码的核心是ChatClient的链式调用：

prompt().user(msg).call().content()

是一个流畅的API，让我们可以用一行代码完成构造提示、发送请求、获取响应的全过程。

3.3.2 启动类

确保主启动类存在且包含@SpringBootApplication注解。Spring AI的自动配置会自动扫描并注入所需的Bean，无需额外配置：

import org.springframework.boot.SpringApplication;import org.springframework.boot.autoconfigure.SpringBootApplication;@SpringBootApplicationpublicclassApplication {publicstaticvoidmain(String[] args) {        SpringApplication.run(Application.class, args);    }}

3.3.3 ChatModel与ChatClient的选择

在Spring AI中，与AI模型交互主要有两种方式：ChatModel和ChatClient。 ChatModel是底层模型接口，直接与AI模型进行原始通信，适用于需要精细控制调用细节的场景。例如：

ChatResponseresponse= chatModel.call(newPrompt("你好"));Stringresult= response.getResult().getOutput().getContent();

ChatClient则是封装了复杂交互流程的高阶API，提供了链式调用语法，功能更丰富。我们本章使用的是ChatClient，它支持系统提示词设置、结构化输出、工具调用等高级功能。

两者各有适用场景：

入门学习阶段：两者皆可使用，ChatModel更简单直接，ChatClient则功能更完备，建议从ChatClient开始，后续章节的功能都需要基于它来实现。
功能扩展阶段：需要聊天记忆、工具调用、RAG等高级功能时，ChatClient是首选。
性能敏感场景：关注底层响应细节时，可以选择ChatModel配合流式输出。

3.4 测试

启动应用后，打开浏览器或API测试工具（如Postman、Apifox），访问以下地址：

http://localhost:8080/chat?msg=你好，请介绍一下你自己

你也可以使用cURL命令快速测试：

curl "http://localhost:8080/chat?msg=你好，请介绍一下你自己"

预期效果：通义千问模型会返回一段自我介绍的回答，例如：“你好！我是通义千问，是阿里云开发的大语言模型，可以帮你回答问题、生成内容、编写代码……” 。

如果使用的是DeepSeek等模型，返回的内容会是相应模型的自我介绍。

3.5 增强版本：加入系统提示词

除了简单的用户消息，你还可以在构建ChatClient时设置默认的系统提示词，让AI扮演特定角色——系统提示用于设定AI的行为规范和角色定位，用户提示则是具体的提问内容：

@RestControllerpublicclassChatController {privatefinal ChatClient chatClient;publicChatController(ChatClient.Builder builder) {// 在构建ChatClient时设置默认系统提示词this.chatClient = builder                .defaultSystem("你是一个专业的Java技术专家，精通Spring Boot、微服务架构和性能优化。" +"回答要简洁、准确，尽量给出代码示例。如果涉及代码，请使用Java语言。")                .build();    }@GetMapping("/chat")public String chat(@RequestParam(defaultValue = "你好") String msg) {return chatClient.prompt()                .user(msg)                .call()                .content();    }// 需要临时覆盖系统提示词时，可以在调用时指定@GetMapping("/chat/with-system")public String chatWithSystem(@RequestParam(value = "msg", defaultValue = "你是谁？") String msg,@RequestParam(defaultValue = "你是一个医疗问答助手，你叫小依") String system) {return chatClient.prompt()                .system(system)  // 临时覆盖默认系统提示词                .user(msg)                .call()                .content();    }}

这种方式让AI以特定身份回答问题，回复中将包含更多专业术语和代码示例，适合技术问答场景。再次启动调用/chat/with-system接口，结果如下：

你好！我是小依，你的专属医疗问答助手。如果你有任何关于健康、疾病、用药、检查报告或日常保健的问题，都可以随时告诉我。我会尽力为你提供专业、清晰的参考信息。请问今天有什么可以帮你的吗？

注意：在 Spring MVC 中，@RequestParam 如果不指定 name 或 value 属性，会默认将方法参数名作为请求参数的名称。因此： @RequestParam(defaultValue = "你是一个医疗问答助手，你叫小依") String system 等价于： @RequestParam(name = "system", defaultValue = "你是一个医疗问答助手，你叫小依") String system。

需要注意的是：Maven 编译器默认不启用 -parameters 标志，导致运行时无法获取方法参数名。可以在pom文件加上：

<plugin><groupId>org.apache.maven.plugins</groupId><artifactId>maven-compiler-plugin</artifactId><configuration><parameters>true</parameters></configuration></plugin>

这样会让 Java 编译器在生成的 .class 文件中保留方法参数名称，Spring MVC 就能通过反射获取 @RequestParam 的参数名。

3.6 常见问题与调试技巧

3.6.1 API Key无效或认证失败

启动后调用接口时报错类似401 Unauthorized或Invalid API Key时，请确认：

API Key是否正确设置，且格式以sk-开头
如果使用环境变量引用，确认环境变量在启动Shell或IDE配置中已正确导出
API Key对应的DashScope服务是否已成功开通，部分新用户需要等待几分钟服务生效
检查application.yml中的api-key是否正确地引用了环境变量，注意YAML的缩进格式

3.6.2 模型名称或端点错误

如果报错提示模型不存在（如Model not found）或连接失败（如Connection refused），请检查：

application.yml中model配置的模型名称是否正确——确认使用的是qwen-plus、qwen-max或qwen-flash等官方提供的模型名称，注意大小写和连字符要完全一致
base-url是否配置正确——国内用户使用https://dashscope.aliyuncs.com/compatible-mode/v1，海外用户可能需要切换到https://dashscope-intl.aliyuncs.com/compatible-mode/v1 ^[2] ● 如果使用的是企业内网，可能需要对DashScope的域名配置代理或DNS解析

3.7 本章小结

在本章中，我们：

获取了阿里云通义千问的API Key，完成了Spring Boot项目的依赖配置
通过OpenAI兼容模式将DashScope服务接入Spring AI，理解了base-url配置的关键作用
编写了一个基于ChatClient的Controller，成功发起了第一次AI对话
测试了带系统提示词的增强版本，了解了如何让AI扮演特定角色
探讨了常见启动报错的排查方法

第一个Spring AI应用已经跑通了——虽然现在它只是一个简单的问答接口，但已经掌握了Spring AI集成的核心模式。后面，将深入探讨ChatClient API的更多能力，学习如何更灵活地构造提示词、处理结构化输出，让AI回答真正为你的业务服务。

参考来源

● Spring AI官方ChatClient文档

● 阿里云DashScope OpenAI兼容模式指南

● Spring AI OpenAI Starter配置参考