longchain4j 学习系列(2)-调用远程deepseek

接上一篇继续，longchain4j支持open-ai兼容的各种模式，包括deepseek

一、修改pom依赖

<!-- LongChain4j OpenAI Integration (支持DeepSeek) -->
<dependency>
    <groupId>dev.langchain4j</groupId>
    <artifactId>langchain4j-open-ai</artifactId>
    <version>${longchain4j.version}</version>
</dependency>

二、注入相应实例

package com.cnblogs.yjmyzz.longchain4j.study.config;

import dev.langchain4j.model.chat.ChatModel;
import dev.langchain4j.model.chat.StreamingChatModel;
import dev.langchain4j.model.openai.OpenAiChatModel;
import dev.langchain4j.model.openai.OpenAiStreamingChatModel;
import org.springframework.beans.factory.annotation.Value;
import org.springframework.context.annotation.Bean;
import org.springframework.context.annotation.Configuration;

import java.time.Duration;

/**
 * DeepSeek配置类
 * 用于配置LongChain4j与DeepSeek大模型的连接
 *
 * @author 菩提树下的杨过
 * @version 1.0.0
 */
@Configuration
public class DeepSeekConfig {

    @Value("${deepseek.api-key:your-deepseek-api-key-here}")
    private String apiKey;

    @Value("${deepseek.base-url:https://api.deepseek.com}")
    private String baseUrl;

    @Value("${deepseek.model:deepseek-chat}")
    private String model;

    @Value("${deepseek.timeout:60}")
    private Integer timeoutSeconds;

    @Value("${deepseek.temperature:0.7}")
    private Double temperature;

    @Value("${deepseek.max-tokens:2048}")
    private Integer maxTokens;

    /**
     * 配置DeepSeek聊天模型
     *
     * @return ChatModel实例
     */
    @Bean
    public ChatModel chatModel() {
        return OpenAiChatModel.builder()
                .apiKey(apiKey)
                .baseUrl(baseUrl)
                .modelName(model)
                .temperature(temperature)
                .maxTokens(maxTokens)
                .timeout(Duration.ofSeconds(timeoutSeconds))
                .logRequests(true)
                .logResponses(true)
                .build();
    }

    /**
     * 配置DeepSeek流式聊天模型
     *
     * @return StreamingChatModel实例
     */
    @Bean
    public StreamingChatModel streamingChatModel() {
        return OpenAiStreamingChatModel.builder()
                .apiKey(apiKey)
                .baseUrl(baseUrl)
                .modelName(model)
                .temperature(temperature)
                .maxTokens(maxTokens)
                .timeout(Duration.ofSeconds(timeoutSeconds))
                .logRequests(true)
                .logResponses(true)
                .build();
    }
}

三、yaml配置调整

# DeepSeek配置
deepseek:
  api-key: ${DEEPSEEK_API_KEY:your-deepseek-api-key-here}
  base-url: https://api.deepseek.com
  model: deepseek-chat
  timeout: 60
  temperature: 0.7
  max-tokens: 2048

这样就可以了，API controller部分无需调整。

四、longchain4j的优势

试想一个场景：假如我们做的是1个多租户的大型AI应用，有多个租户都使用deepseek，每个租户都有自己的api key，这时候如果还使用yaml配置文件写死，启动时全都创建好实例就太不灵活了。

这种情况下，运行时【动态注入】apiKey 及deepseek相关实例就很有必要了！

幸好，longchain4j的 OpenAiChatModelBuilder 提供了apiKey注入的能力

这样就可以了（注：目前为止spring-ai 1.0版本，都还未提供这个能力）

 

文中代码：https://github.com/yjmyzz/longchain4j-study/tree/day02