Spring AI Alibaba + Ollama 实战教程(基于本地 Qwen3 的 Spring Boot 大模型应用)

<properties>
    <!-- 项目使用的 JDK 版本 -->
    <java.version>17</java.version>
    <!-- Spring AI Alibaba 相关依赖统一使用的版本 -->
    <spring-ai-alibaba.version>1.1.0.0-M5</spring-ai-alibaba.version>
    <!-- Spring AI 核心依赖统一使用的版本 -->
    <spring-ai.version>1.1.0</spring-ai.version>
</properties>
<dependencies>
    <!-- 基础 Web 能力：提供 Spring MVC / 内嵌容器等 -->
    <dependency>
        <groupId>org.springframework.boot</groupId>
        <artifactId>spring-boot-starter-web</artifactId>
    </dependency>
    <!-- 通过 Spring AI 访问本地 Ollama 大模型服务 -->
    <dependency>
        <groupId>org.springframework.ai</groupId>
        <artifactId>spring-ai-starter-model-ollama</artifactId>
    </dependency>
    <!-- 向量数据库：Spring AI 对 PgVector 的封装 -->
    <dependency>
        <groupId>org.springframework.ai</groupId>
        <artifactId>spring-ai-starter-vector-store-pgvector</artifactId>
    </dependency>
    <!-- PostgreSQL JDBC 驱动，用于访问数据库 -->
    <dependency>
        <groupId>org.postgresql</groupId>
        <artifactId>postgresql</artifactId>
    </dependency>
</dependencies>
<dependencyManagement>
    <dependencies>
        <!-- Spring AI Alibaba 统一版本管理（国内生态相关依赖） -->
        <dependency>
            <groupId>com.alibaba.cloud.ai</groupId>
            <artifactId>spring-ai-alibaba-bom</artifactId>
            <version>${spring-ai-alibaba.version}</version>
            <type>pom</type>
            <scope>import</scope>
        </dependency>
        <!-- Spring AI 官方 BOM（核心抽象与 Starter 的版本对齐） -->
        <dependency>
            <groupId>org.springframework.ai</groupId>
            <artifactId>spring-ai-bom</artifactId>
            <version>${spring-ai.version}</version>
            <type>pom</type>
            <scope>import</scope>
        </dependency>
    </dependencies>
</dependencyManagement>

server:
  port: 8081                 # 应用监听端口
  servlet:
    context-path: /alibaba-ai  # 统一的服务前缀
spring:
  ai:
    ollama:
      base-url: http://localhost:11434  # 本地 Ollama 服务地址
      chat:
        options:
          model: qwen3:0.6b             # 聊天用的 Qwen3 模型名称
          temperature: 0.8              # 采样温度，越高回答越发散
      embedding:
        options:
          model: qwen3-embedding:0.6b   # 用于向量化的 embedding 模型
    vectorstore:
      pgvector:
        dimensions: 1024                # 向量维度，需要与 embedding 模型输出一致
        distance-type: cosine_distance  # 相似度度量方式
        initialize-schema: true         # 启动时自动创建 PgVector 表结构
  datasource:
    url: jdbc:postgresql://<your-host>:5432/postgres?serverTimezone=Asia/Shanghai  # PostgreSQL 连接串
    username: postgres
    password: ****                      # 建议通过环境变量或配置中心注入

@RestController
@RequestMapping("/chatModel")
public class ChatModelController {
    // 注入由 Spring AI 自动装配的 Ollama ChatModel
    private final ChatModel ollamaChatModel;
    public ChatModelController(ChatModel ollamaChatModel) {
        this.ollamaChatModel = ollamaChatModel;
    }
    @GetMapping("/chat")
    public Flux<String> chat(@RequestParam("message") String message) {
        // message：用户输入的自然语言问题
        return ollamaChatModel.stream(new Prompt(message))     // 以流式方式调用大模型
                .map(ChatResponse::getResult)                  // 提取每个增量响应的结果对象
                .mapNotNull(result -> result.getOutput().getText()); // 只保留最终输出的文本内容
    }
}

@RestController
@RequestMapping("/chatClient")
public class ChatClientController {
    // 基于 ChatModel 封装的高级客户端，后续可以挂接 Adviser、工具等能力
    private final ChatClient ollamaChatClient;
    public ChatClientController(ChatClient ollamaChatClient) {
        this.ollamaChatClient = ollamaChatClient;
    }
    @GetMapping("/chat")
    public Flux<String> stream(@RequestParam("message") String message) {
        // 使用最简单的 Prompt，直接将用户输入交给大模型，并以流式方式返回结果
        return ollamaChatClient
                .prompt(new Prompt(message))  // 构造 Prompt 对象
                .stream()                     // 流式调用
                .content();                   // 提取文本内容
    }
    @GetMapping("/prompt")
    public Flux<String> prompt() {
        PromptTemplate template = PromptTemplate.builder()
                .template("请用简短中文回答：{question}") // 模板中定义占位符 {question}
                .variables(Map.of())                   // 这里可以预先声明变量，也可以在 create 时传入
                .build();
        // 使用实际问题填充模板变量
        Prompt prompt = template.create(Map.of("question", "Spring AI Alibaba 有什么特点？"));
        return ollamaChatClient.prompt(prompt).stream().content();
    }
}

@Component
public class SimpleMemories implements ChatMemory {
    private static final Map<String, List<Message>> MEMORIES_CACHE = new HashMap<>();
    @Override
    public void add(String conversationId, List<Message> messages) {
        // conversationId：会话标识；messages：本轮新增的消息列表
        List<Message> memories = MEMORIES_CACHE.getOrDefault(conversationId, new ArrayList<>());
        if (messages != null && !messages.isEmpty()) {
            memories.addAll(messages);
        }
        MEMORIES_CACHE.put(conversationId, memories);
    }
    @Override
    public List<Message> get(String conversationId) {
        // 根据会话 ID 取出该会话的历史消息
        return MEMORIES_CACHE.getOrDefault(conversationId, new ArrayList<>());
    }
    @Override
    public void clear(String conversationId) {
        // 清空某个会话的记忆
        List<Message> messages = MEMORIES_CACHE.get(conversationId);
        if (messages != null) {
            messages.clear();
        }
    }
}

@Component
public class MemoriesAdviser implements BaseAdvisor {
    private static final Map<String, List<Message>> MEMORIES = new HashMap<>();
    // 用于在 ChatClient 的上下文中标识当前会话 ID 的 key
    private static final String CHAT_MEMORIES_SESSION_ID = "chat_memories_session_id";
    @Override
    public ChatClientRequest before(ChatClientRequest request, AdvisorChain chain) {
        // 从上下文中读取会话 ID，并取出其历史消息
        String sessionId = request.context().get(CHAT_MEMORIES_SESSION_ID).toString();
        List<Message> messages = MEMORIES.getOrDefault(sessionId, new ArrayList<>());
        // 当前请求的消息放到历史消息后面，一起交给大模型
        messages.addAll(request.prompt().getInstructions());
        Prompt prompt = request.prompt().mutate().messages(messages).build();
        return request.mutate().prompt(prompt).build();
    }
    @Override
    public ChatClientResponse after(ChatClientResponse response, AdvisorChain chain) {
        // 把本次大模型回复写回到对应会话的记忆中
        AssistantMessage output = response.chatResponse().getResult().getOutput();
        String sessionId = response.context().get(CHAT_MEMORIES_SESSION_ID).toString();
        List<Message> messages = MEMORIES.getOrDefault(sessionId, new ArrayList<>());
        messages.add(output);
        MEMORIES.put(sessionId, messages);
        return response;
    }
}

@RestController
@RequestMapping("/rag")
public class RagChatClientController {
    private final ChatClient ragChatClient;
    private final PgVectorStore pgVectorStore;
    public RagChatClientController(ChatClient ragChatClient, PgVectorStore pgVectorStore) {
        this.ragChatClient = ragChatClient;
        this.pgVectorStore = pgVectorStore;
    }
    @GetMapping("/embedding")
    public void embeddingContent(@RequestParam("message") String message) {
        // message：待向量化的原始文本内容
        TokenTextSplitter splitter = TokenTextSplitter.builder()
                .withChunkSize(50)                 // 每个分片的最大 token 数
                .withKeepSeparator(true)           // 是否保留分隔符（如换行符）
                .withMaxNumChunks(1024)            // 单次允许生成的最大分片数
                .withMinChunkLengthToEmbed(20)     // 小于该长度的分片不入库，避免噪声
                .withMinChunkSizeChars(10)         // 切分时的最小字符数，避免切得过碎
                .build();
        List<Document> docs = splitter.split(Document.builder().text(message).build()); // 将文本切分为多个 Document
        pgVectorStore.add(docs); // 写入 PgVector 向量库
    }
}

@Configuration
public class VectorChatClientConfig {
    @Bean("ragChatClient")
    public ChatClient ragChatClient(ChatModel chatModel, VectorStore vectorStore) {
        VectorStoreDocumentRetriever retriever = VectorStoreDocumentRetriever.builder()
                .vectorStore(vectorStore)     // 具体使用的向量库实现，这里是 PgVector
                .topK(3)                      // 每次检索返回相似度最高的前 3 条文档
                .similarityThreshold(0.5)     // 相似度阈值，小于该值的文档会被过滤掉
                .build();
        RetrievalAugmentationAdvisor advisor = RetrievalAugmentationAdvisor.builder()
                .documentRetriever(retriever) // 指定文档检索器
                .order(0)                     // Adviser 执行顺序，越小越先执行
                .build();
        return ChatClient.builder(chatModel)
                .defaultAdvisors(advisor)     // 默认启用 RAG 能力
                .build();
    }
}

@Component
public class ZoomTool {
    @Tool(description = "通过时区 ID 获取当前时间")
    public String getTimeByZone(@ToolParam(description = "时区 ID，比如 Asia/Shanghai") String zone) {
        // zone：时区 ID，示例：Asia/Shanghai、Europe/Berlin
        ZoneId zoneId = ZoneId.of(zone);
        ZonedDateTime now = ZonedDateTime.now(zoneId);
        return DateTimeFormatter.ofPattern("yyyy-MM-dd HH:mm:ss").format(now); // 返回格式化后的时间字符串
    }
}

@Configuration
public class ToolChatClientConfig {
    @Bean("toolChatClient")
    public ChatClient toolChatClient(ChatModel ollamaChatModel, ZoomTool zoomTool) {
        // ollamaChatModel：底层使用的 Qwen3 模型；zoomTool：提供获取时间的业务工具
        return ChatClient.builder(ollamaChatModel)
                .defaultSystem(this.systemPrompt()) // 设置默认的系统提示词，统一咖啡馆背景
                .defaultTools(zoomTool)             // 将 ZoomTool 注册为可调用的工具
                .build();
    }
    private String systemPrompt() {
        Map<String, Object> vars = new HashMap<>();
        vars.put("AMERICAN", "1-3");          // 美式咖啡制作时间（分钟）
        vars.put("LATTE", "2");               // 拿铁咖啡制作时间（分钟）
        vars.put("TIME_ZONE", "Asia/Shanghai"); // 默认时区 ID
        SystemPromptTemplate tpl = SystemPromptTemplate.builder()
                .template("欢迎光临 ZhouByte咖啡馆，... 默认时区：{TIME_ZONE}") // 系统提示词模板
                .variables(vars)                                          // 绑定上面的变量
                .build();
        return tpl.render(); // 渲染出包含具体变量值的系统提示词
    }
}

@RestController
@RequestMapping("/tool")
public class ToolChatController {
    private final ChatClient toolChatClient;
    public ToolChatController(ChatClient toolChatClient) {
        this.toolChatClient = toolChatClient;
    }
    @GetMapping("/chat")
    public Flux<String> chat(@RequestParam("message") String message) {
        return toolChatClient
                .prompt()          // 创建一次新的对话请求
                .user(message)     // 添加一条用户消息
                .stream()          // 流式调用大模型
                .content();        // 只提取文本内容返回
    }
}

@Configuration
public class GraphConfig {
    @Bean("quickStartGraph")
    public CompiledGraph quickStartGraph() throws GraphStateException {
        // "quickStartGraph"：图名称；后面的 Map 用于定义状态 key 的合并策略
        StateGraph graph = new StateGraph("quickStartGraph", () -> Map.of(
                "input", new ReplaceStrategy(),  // 多次写入时，后写入的值覆盖之前的值
                "output", new ReplaceStrategy()
        ));
        graph.addNode("node1", AsyncNodeAction.node_async(state -> {
            // node1：设置初始 input 和 output
            return Map.of("input", "graphConfig_addNode", "output", "graphConfig_output");
        }));
        graph.addNode("node2", AsyncNodeAction.node_async(state -> {
            // node2：模拟业务处理，将 input 改为 ZhouByte
            return Map.of("input", "ZhouByte", "output", "EMPTY");
        }));
        // 定义执行顺序：START -> node1 -> node2 -> END
        graph.addEdge(StateGraph.START, "node1")
             .addEdge("node1", "node2")
             .addEdge("node2", StateGraph.END);
        return graph.compile();
    }
}

@RestController
@RequestMapping("/v1")
public class GraphController {
    @Resource
    private CompiledGraph quickStartGraph;
    @GetMapping("/graph")
    public Flux<String> startGraph() {
        // 这里传入空的初始状态 Map，按定义好的 StateGraph 顺序执行
        return quickStartGraph.stream(Map.of())
                .map(NodeOutput::toString); // 将每个节点的输出对象转换为字符串返回
    }
}

@Configuration
public class ConditionalGraphConfig {
    @Bean("scoreDecisionGraph")
    public CompiledGraph scoreDecisionGraph() throws GraphStateException {
        StateGraph graph = new StateGraph("scoreDecisionGraph", () -> Map.of(
                "score", new ReplaceStrategy(),   // 保存当前评分
                "result", new ReplaceStrategy()   // 保存决策结果
        ));
        // 读取或设置评分（示例中从 state 中读取，实际可由外部请求传入）
        graph.addNode("checkScore", AsyncNodeAction.node_async(state -> {
            Integer score = (Integer) state.value("score").orElse(75); // 默认 75 分
            return Map.of("score", score);
        }));
        // 三个业务分支节点：通过 / 复核 / 拒绝
        graph.addNode("pass", AsyncNodeAction.node_async(state ->
                Map.of("result", "PASS")));
        graph.addNode("review", AsyncNodeAction.node_async(state ->
                Map.of("result", "REVIEW")));
        graph.addNode("reject", AsyncNodeAction.node_async(state ->
                Map.of("result", "REJECT")));
        // 起点先进入评分检查节点
        graph.addEdge(StateGraph.START, "checkScore");
        // 多条件边：根据 score 返回不同的“标签”，再由 mappings 决定下一跳节点
        graph.addConditionalEdges("checkScore",
                AsyncEdgeAction.edge_async(state -> {
                    int score = (Integer) state.value("score").orElse(0);
                    if (score >= 80) {
                        return "PASS";
                    }
                    if (score >= 60) {
                        return "REVIEW";
                    }
                    return "REJECT";
                }),
                Map.of(
                        "PASS", "pass",
                        "REVIEW", "review",
                        "REJECT", "reject"
                )
        );
        // 三个结果节点最终都指向 END
        graph.addEdge("pass", StateGraph.END);
        graph.addEdge("review", StateGraph.END);
        graph.addEdge("reject", StateGraph.END);
        return graph.compile();
    }
}

<dependency>
    <groupId>com.alibaba.cloud.ai</groupId>
    <artifactId>spring-ai-alibaba-starter-dashscope</artifactId>
    <version>1.1.0.0-M5</version>
</dependency>

spring:
  ai:
    dashscope:
      api-key: ${DASHSCOPE_API_KEY}      # 从环境变量或配置中心读取 DashScope 的 API Key
      endpoint: https://dashscope.aliyuncs.com
      chat:
        options:
          model: qwen-plus              # 使用的通义千问在线模型
          temperature: 0.8              # 采样温度
          max-tokens: 2048              # 单次回答的最大 token 数