在 AI 技术与后端开发深度融合的当下，Spring AI 作为 Spring 生态下的 AI 集成框架，为 Java 开发者快速对接大模型、实现智能应用开发提供了极大便利。近期通过学习 CSDN 上《Spring AI 项目实战（三）：Spring Boot + AI + DeepSeek 打造智能客服系统》这一实战教程，从环境搭建到代码实现，完整掌握了基于 Spring Boot 3.2 + Spring AI + DeepSeek 构建智能客服系统的核心技术，现将学习心得与知识点总结分享，方便后续复盘拓展应用与同行交流。

本次学习的核心项目是基于Spring Boot 3.2.0 + Spring AI 1.0.0-M4 + DeepSeek Chat API打造的轻量级智能客服系统，该项目不仅整合了 Spring 生态的主流后端技术，还实现了大模型的无缝对接，具备智能对话问答、上下文记忆、对话历史记录、实时响应等核心功能，是入门 Spring AI 开发的优质实战案例。

通过该项目的学习，不仅能巩固 Spring Boot、MyBatis 等后端基础技术，更能掌握 Spring AI 对接第三方大模型的通用方法，理解 AI 智能应用的开发流程与核心逻辑，为后续开发教育、电商、办公等垂直领域的 AI 应用打下坚实基础。

2.1 项目核心技术栈梳理

项目采用的技术栈均为当前后端与 AI 开发的主流技术，各组件分工明确、搭配合理，完美契合轻量级智能应用的开发需求，核心技术栈及作用如下：

表格

2.2 项目整体架构设计

项目采用经典的分层架构设计，严格遵循 “单一职责原则”，代码结构清晰、易于维护与扩展，从下到上分为数据层、服务层、控制层，同时配合前端模板层实现交互，整体项目结构如下：

plaintext

springai-deepseek-chatbot/
├── pom.xml                          # Maven依赖全局配置
├── src/main/
│   ├── java/com/example/chatbot/
│   │   ├── ChatbotApplication.java  # 项目主启动类，程序入口
│   │   ├── controller/              # 控制层，接收前端请求，返回响应结果
│   │   │   ├── ChatbotController.java # 核心对话接口控制层
│   │   │   └── PageController.java  # 页面跳转控制层
│   │   ├── service/                 # 服务层，处理核心业务逻辑
│   │   │   └── ChatbotService.java  # 智能对话与数据交互核心服务
│   │   ├── mapper/                  # 数据访问层，MyBatis映射器接口
│   │   │   └── ChatRecordMapper.java # 对话记录数据库操作接口
│   │   ├── entity/                  # 实体类，与数据库表结构一一对应
│   │   │   └── ChatRecord.java      # 聊天记录实体
│   │   └── dto/                     # 数据传输对象，封装前后端交互数据
│   │       ├── ChatRequest.java     # 前端对话请求参数封装
│   │       └── ChatResponse.java    # 后端对话响应结果封装
│   └── resources/
│       ├── application.yml          # 项目全局配置文件（端口、数据库、AI等）
│       ├── schema.sql              # 数据库表结构初始化脚本
│       ├── data.sql               # 数据库初始化数据脚本
│       ├── mapper/                 # MyBatis映射文件，编写SQL语句
│       └── templates/             # Thymeleaf前端模板目录
│           └── chat.html         # 智能客服对话主页面

各层级的核心交互逻辑：前端页面通过 HTTP 请求调用控制层接口 → 控制层调用服务层处理业务逻辑（包括调用 Spring AI 对接 DeepSeek、调用 mapper 操作数据库） → 数据访问层与 H2 数据库交互完成数据读写 → 结果逐层返回至前端，实现智能对话功能。

本次学习的核心在于掌握Spring AI 对接大模型、Spring Boot 整合多组件、智能对话业务逻辑实现三大模块，以下是各模块的核心知识点与实现细节总结：

3.1 环境搭建与核心配置

项目搭建的核心是完成 Maven 依赖配置与 application.yml 全局配置，这是所有组件正常工作的基础，也是入门的关键。

3.1.1 Maven 依赖核心配置

需重点引入Spring AI OpenAI Starter（兼容 DeepSeek API）、Spring Boot Web、MyBatis、H2 数据库、Thymeleaf等核心依赖，同时需配置 Spring Milestones 仓库获取 Spring AI 的里程碑版本，核心依赖配置要点：

1. 定义 Spring AI 版本常量： 1.0.0-M4 ；
2. 引入spring-ai-openai-spring-boot-starter，实现大模型对接；
3. 配置 H2 数据库依赖并设置scope: runtime，仅运行时生效；
4. 引入 MyBatis Spring Boot Starter，实现与 Spring Boot 的无缝整合；
5. 配置 Spring Milestones 仓库，解决 Spring AI 里程碑版本的依赖下载问题。

3.1.2 application.yml 全局配置

该文件是项目的核心配置入口，需完成服务器、数据库、Spring AI、Thymeleaf、MyBatis五大模块的配置，核心要点：

1. 服务器配置：设置端口、编码为 UTF-8，保证请求响应正常；
2. H2 数据库配置：配置驱动、连接 URL、用户名密码，启用 H2 控制台方便调试，设置DB_CLOSE_DELAY=-1保证内存数据库数据不丢失；
3. Spring AI 配置：配置 DeepSeek API 的api-key、base-url（https://api.deepseek.com），指定模型为deepseek-chat，设置温度参数temperature:0.7（控制回答的随机性）；
4. Thymeleaf 配置：关闭缓存、指定模板前缀后缀，保证开发阶段页面实时刷新；
5. MyBatis 配置：指定映射文件位置、实体类包名，开启下划线转驼峰，方便实体类与数据库表字段映射；
6. 自定义配置：设置智能客服的系统提示词、最大历史记录数、超时时间，规范大模型的回答逻辑。

3.2 数据库设计与初始化

项目采用 H2 内存数据库，仅设计一张chat_record聊天记录表，用于存储用户与智能客服的对话记录，核心字段包括：自增主键 id、用户消息 user_message、机器人回复 bot_response、创建时间 created_time、会话 id session_id（用于区分不同用户的对话）。

通过schema.sql完成表结构初始化，data.sql完成初始化数据插入，同时在 application.yml 中设置sql.init.mode: always，保证项目启动时自动执行初始化脚本，无需手动操作数据库。

3.3 Spring AI 对接 DeepSeek 大模型

这是本次学习的核心重点，Spring AI 为大模型调用提供了高度封装的 API，无需关注底层请求细节，仅需简单配置即可实现对接，核心逻辑：

1. 引入 Spring AI OpenAI Starter 依赖后，框架会自动根据 application.yml 中的配置创建ChatClient实例；
2. 在服务层注入ChatClient，通过chatClient.prompt()构建请求（包括系统提示词、用户消息、历史对话）；
3. 调用chatClient.call()方法发送请求至 DeepSeek API，获取大模型的回复结果；
4. 对返回结果进行封装，返回至前端并同步保存至数据库。

同时，项目通过上下文记忆功能提升对话体验，核心是通过 session_id 关联同一用户的历史对话，将历史对话信息拼接至每次的请求中，让大模型能基于上下文进行回答。

3.4 核心业务层与控制层实现

3.4.1 服务层（ChatbotService）

服务层是业务逻辑的核心，负责整合大模型调用与数据库操作，核心职责：

1. 接收控制层传递的用户请求参数（用户消息、session_id）；
2. 构建 Spring AI 的对话请求，调用 DeepSeek API 获取智能回复；
3. 将用户消息与机器人回复封装为 ChatRecord 实体，调用 mapper 保存至数据库；
4. 封装对话结果，返回至控制层。

服务层通过注入ChatClient和ChatRecordMapper，实现 AI 能力与数据持久化的结合，是连接控制层与数据层、AI 接口的桥梁。

3.4.2 控制层（ChatbotController）

控制层负责接收前端请求与返回响应，核心职责：

1. 通过@RestController标记为 REST 接口控制器，处理 AJAX 请求；
2. 定义对话接口（如/chat），接收前端传递的userMessage和sessionId参数；
3. 调用服务层的聊天方法，获取结果；
4. 将结果封装为 ChatResponse DTO 对象，以 JSON 格式返回至前端。

同时，PageController 负责页面跳转，通过@Controller标记，映射根路径至 chat.html 前端页面，实现前端界面的访问。

3.5 前端交互实现

项目采用服务端渲染方式，基于 Thymeleaf + Bootstrap 5.3 + JavaScript 实现智能对话界面，核心功能：

1. 提供输入框让用户输入问题，点击发送或按回车触发请求；
2. 通过 JavaScript 的 AJAX 技术异步调用后端 /chat 接口，避免页面刷新；
3. 将用户消息与机器人回复实时渲染至页面，实现对话气泡展示；
4. 展示对话历史记录，提升用户体验。

前端开发无需关注复杂的前端框架，仅需基础的 HTML/CSS/JS 即可实现，契合后端开发者的开发习惯，快速完成智能应用的前端交互。

通过本次完整的项目实战学习，从 0 到 1 掌握了 Spring AI 智能应用的开发流程，不仅巩固了后端基础技术，更实现了 AI 开发的入门，核心收获如下：

4.1 技术能力层面

1. 掌握了Spring AI的核心使用方法，理解其对接大模型的底层逻辑，能基于 Spring AI 快速对接 DeepSeek、OpenAI 等兼容 OpenAI API 的大模型；
2. 巩固了Spring Boot 3.2的核心知识点，包括自动配置、依赖管理、配置文件、分层架构设计等，提升了 Spring Boot 项目的搭建与开发能力；
3. 熟练掌握了MyBatis 与 Spring Boot 的整合，包括映射器接口、映射文件、实体类与数据库表的映射，以及 H2 内存数据库的使用；
4. 理解了智能客服系统的核心业务逻辑，包括对话请求处理、上下文记忆、对话历史记录存储，为后续开发垂直领域 AI 应用提供了参考；
5. 掌握了服务端渲染的前端开发方法，能通过 Thymeleaf + Bootstrap 快速实现简单的前端交互界面。

4.2 开发思维层面

1. 加深了分层架构的设计思想，理解了控制层、服务层、数据层的职责划分，学会了通过 DTO 封装前后端交互数据，保证代码的规范性与可维护性；
2. 掌握了第三方 API 对接的通用方法，理解了 “配置化 + 封装化” 的对接思路，降低了对接第三方服务的开发成本；
3. 培养了轻量级项目开发的思维，学会了选择合适的技术组件（如 H2 数据库）快速实现项目原型，提升开发效率；
4. 理解了AI 与后端开发的融合方式，打破了 “Java 后端与 AI 开发分离” 的认知，掌握了后端开发者入门 AI 应用开发的核心路径。

在学习与项目运行过程中，遇到了几个典型问题，通过查阅文档、调试代码最终解决，现将问题与解决方法总结，为同行避坑：

1. Spring AI 依赖下载失败：原因是 Spring AI 1.0.0-M4 为里程碑版本，未在中央仓库发布，解决方法是在 pom.xml 中配置 Spring Milestones 仓库；
2. DeepSeek API 调用失败：原因是 api-key 配置错误或无调用额度，解决方法是检查 application.yml 中的 api-key 是否正确，确保 DeepSeek 平台账号有可用额度；
3. H2 控制台无法访问：原因是配置的 path 与访问路径不一致，解决方法是保证 application.yml 中h2.console.path配置与访问路径一致，且项目启动正常；
4. 对话历史记录无法保存：原因是 MyBatis 映射文件的 SQL 语句错误或实体类与表字段映射不一致，解决方法是开启 MyBatis 的 SQL 日志，调试 SQL 语句，检查实体类字段与数据库表字段的对应关系。

本次学习的智能客服系统是 Spring AI 的基础实战案例，后续将基于本次所学，从技术深化和场景拓展两个方向继续学习，主要包括：

1. 技术深化：深入学习 Spring AI 的高级特性，如大模型返回结果解析、函数调用、向量数据库集成、多模型切换等，提升 AI 应用的开发能力；
2. 场景拓展：将本次所学的技术框架迁移至教育等垂直领域，开发智能学习助手应用，实现技术与业务的结合；
3. 技术栈升级：将前端改为前后端分离架构（Vue/React + Spring Boot），提升前端交互体验；将 H2 数据库替换为 MySQL/PostgreSQL，适配生产环境；
4. 功能优化：为智能客服系统增加意图识别、关键词提取、多轮对话优化等功能，提升系统的智能性与实用性；
5. 其他大模型对接：基于 Spring AI 的统一接口，尝试对接文心一言、讯飞星火、通义千问等大模型，实现多模型兼容的智能应用。

本次通过学习 Spring Boot + Spring AI + DeepSeek 智能客服系统的实战教程，完成了 Spring AI 开发的入门，不仅掌握了具体的技术知识点和代码实现方法，更理解了 AI 与 Java 后端开发融合的核心逻辑。该项目作为轻量级 AI 应用的实战案例，代码结构清晰、技术栈主流，非常适合后端开发者入门 AI 开发。

学习的核心不仅是掌握代码的编写，更要理解技术的底层逻辑和架构的设计思想，本次所学的分层架构、大模型对接方法、配置化开发思路，都能迁移至其他 AI 应用开发中。后续将继续深耕 Spring AI 与后端开发的融合，不断尝试垂直领域的 AI 应用开发，让技术落地于实际业务。

附参考教程地址：

https://blog.csdn.net/_35766758/article/details/148388098?spm=1001.2101.3001.6650.1&utm_medium=distribute.pc_relevant.none-task-blog-2%7Edefault%7EOPENSEARCH%7EPaidSort-1-148388098-blog-141482419.235%5Ev43%5Epc_blog_bottom_relevance_base5&depth_1-utm_source=distribute.pc_relevant.none-task-blog-2%7Edefault%7EOPENSEARCH%7EPaidSort-1-148388098-blog-141482419.235%5Ev43%5Epc_blog_bottom_relevance_base5