完整教程：大模型开发 - 04 QuickStart_DeepSeek 模型调用流程源码解析：从 Prompt 到远程请求

文章目录

• Pre
• 概述
• 一、入口：`ChatModel.call(String message)`
• 二、模型实现层：`DeepSeekChatModel.internalCall`
• • 步骤 a：`createRequest` —— 构建 API 请求体
  • 步骤 b：`retryTemplate.execute(...)` —— 安全可靠的远程调用
  • 步骤 c：`deepSeekApi.chatCompletionEntity` —— 实际 HTTP 请求
• 三、响应处理与返回
• 四、整体调用链路图
• 五、总结

Pre

大模型开发 - 01 Spring AI 核心特性一览

大模型开发 - 02 Spring AI Concepts

大模型开发 - 03 QuickStart_借助DeepSeekChatModel实现Spring AI 集成 DeepSeek

概述

在构建基于大语言模型（LLM）的 AI 应用时，Spring AI 提供了一套简洁而强大的抽象层，使得开发者可以轻松集成各类模型服务（如 DeepSeek、OpenAI、Anthropic 等）。本文将深入剖析 Spring AI 中调用 DeepSeek 模型的完整调用链路，帮助你理解从一句简单的 chatModel.call("Hello") 到实际发起远程 HTTP 请求的全过程。

---

一、入口：ChatModel.call(String message)

/**
* 测试DeepSeek聊天模型的功能
*
* @param deepSeekChatModel 自动注入的DeepSeek聊天模型实例，用于执行聊天调用
*/
@Test
public void testDeepSeek(@Autowired DeepSeekChatModel deepSeekChatModel){
// 调用聊天模型并获取响应内容
String content = deepSeekChatModel.call("你好");
System.out.println(content);
}

Spring AI 的 ChatModel 接口定义了一个默认方法：

default String call(String message) {
Prompt prompt = new Prompt(new UserMessage(message));
Generation generation = call(prompt).getResult();
return (generation != null) ? generation.getOutput().getText() : "";
}

这个方法是开发者最常用的入口。它做了三件事：

1. 将原始字符串消息封装为 Prompt 对象
   Prompt 是 Spring AI 中表示“提示词”的核心数据结构，内部包含一个或多个 Message（如 UserMessage、SystemMessage、AiMessage 等），用于构建对话上下文。

2. 调用重载的 call(Prompt) 方法
   该方法由具体实现类（如 DeepSeekChatModel）提供，返回一个 ChatResponse。

3. 提取生成结果并返回纯文本
   从响应中取出第一个 Generation 的输出文本，若为空则返回空字符串。

关键点：Prompt 是连接用户输入与模型 API 的桥梁，它将自然语言消息结构化为模型可理解的格式。

---

二、模型实现层：DeepSeekChatModel.internalCall

当调用 DeepSeekChatModel.call(Prompt) 时，实际执行的是其内部方法 internalCall：

（省略部分无关代码）

public ChatResponse internalCall(Prompt prompt, ChatResponse previousChatResponse) {
// a. 构建远程请求对象
ChatCompletionRequest request = createRequest(prompt, false);
// b. 通过 Spring Retry 发起带重试的远程调用
ResponseEntity<ChatCompletion> completionEntity = this.retryTemplate.execute(ctx -> this.deepSeekApi.chatCompletionEntity(request));// c. 封装响应并返回var chatCompletion = completionEntity.getBody();ChatResponse chatResponse = new ChatResponse(generations, from(chatCompletion, accumulatedUsage));observationContext.setResponse(chatResponse);return chatResponse;}

这个方法是整个调用流程的核心，可分为三个关键步骤：

步骤 a：createRequest —— 构建 API 请求体

createRequest(prompt, false) 将 Spring AI 的 Prompt 对象转换为 DeepSeek API 所需的 ChatCompletionRequest。该请求体通常包含：

• model：指定使用的模型（如 deepseek-coder）
• messages：从 Prompt 中提取的 Message 列表，转换为 DeepSeek 兼容的格式（如 {"role": "user", "content": "..."}）
• temperature、max_tokens 等可选参数

设计亮点：通过适配器模式，Spring AI 屏蔽了不同模型 API 的差异，开发者只需关注统一的 Prompt 结构。

步骤 b：retryTemplate.execute(...) —— 安全可靠的远程调用

Spring AI 利用 Spring Retry 模板封装了网络调用，确保在临时故障（如网络抖动、限流）时自动重试：

this.retryTemplate.execute(ctx -> this.deepSeekApi.chatCompletionEntity(request));

这行代码背后是健壮的容错机制，极大提升了生产环境的稳定性。

步骤 c：deepSeekApi.chatCompletionEntity —— 实际 HTTP 请求

DeepSeekApi 是一个基于 Spring 的 RestClient 封装的客户端：

public ResponseEntity<ChatCompletion> chatCompletionEntity(ChatCompletionRequest chatRequest) {return this.restClient.post().uri(this.getEndpoint(chatRequest))  // 如 https://api.deepseek.com/chat/completions.body(chatRequest).retrieve().toEntity(ChatCompletion.class);}

这里使用了现代、声明式的 RestClient（Spring 6+ 推荐），相比传统的 RestTemplate 更简洁、类型安全。

---

三、响应处理与返回

远程调用成功后，API 返回的 JSON 被反序列化为 ChatCompletion 对象。Spring AI 会：

1. 从响应中提取生成的文本（通常在 choices[0].message.content）
2. 封装为 Generation 对象
3. 构建 ChatResponse，包含：
   • 生成结果列表（List<Generation>）
   • Token 使用统计（Usage）
4. 设置到 ObservationContext（用于指标监控、链路追踪等）

最终，call(Prompt) 返回 ChatResponse，而最外层的 call(String) 则提取纯文本返回给用户。

---

四、整体调用链路图

User Code
│
▼
chatModel.call("Hello")
│
▼
new Prompt(new UserMessage("Hello"))
│
▼
DeepSeekChatModel.call(Prompt)
│
▼
internalCall(Prompt, null)
│
├── createRequest() → ChatCompletionRequest
│
├── retryTemplate.execute()
│       │
│       ▼
│   deepSeekApi.chatCompletionEntity()
│       │
│       ▼
│   RestClient POST → DeepSeek API
│
▼
Parse ChatCompletion → ChatResponse
│
▼
return "Hello! How can I help you?"

---

五、总结

1. 抽象统一：Spring AI 通过 Prompt/ChatModel/Generation 等抽象，实现了“一次编写，多模型切换”的能力。
2. 生产就绪：内置重试、可观测性（Observation）、错误处理，适合企业级应用。
3. 扩展性强：开发者可自定义 PromptTemplate、MessageFormatter、甚至替换底层 RestClient。

理解这一调用流程，不仅能帮助你更好地调试和优化 AI 应用，也为后续集成其他模型（如通义千问、Moonshot）打下坚实基础。

建议：在实际项目中，可结合 ObservationRegistry 和 Micrometer 实现对 LLM 调用的耗时、Token 消耗、错误率等指标的监控。

---

参考：

• Spring AI 官方文档：https://docs.spring.io/spring-ai/reference/
• DeepSeek API 文档：https://platform.deepseek.com/api-docs/