大家好，我是晓凡。
嘿，各位 Java 开发的小伙伴们，是不是还在为如何高效集成 DeepSeek 模型到项目中而头疼？好消息来啦！DeepSeek4J 1.4 版本正式发布，这可是一个专门为 Java 生态量身打造的神器，让你轻松搞定 DeepSeek 的接入，简直不要太方便哦！
为什么 DeepSeek4J 如此重要？
先来说说背景吧。DeepSeek R1 凭借其强大的思维链能力，在开发者圈子里可是相当受欢迎的。
但你知道的，像 Spring AI 这些主流框架，对 DeepSeek 的支持实在是有些不尽如人意。
比如，思维链的内容很容易丢失，响应模式也不太兼容，关键参数设置还经常失效，流式处理更是差强人意。这些问题，简直让人心塞！
但别担心，DeepSeek4J 来拯救你啦！开源项目 Pig 的作者，基于 OpenAI4J 的优秀架构，打造了这个专门面向 DeepSeek 的开箱即用方案。
它不仅增强了对 DeepSeek 独有的思维链和账单特性的支持，还增加了 Project Reactor 的全面响应式支持，甚至还提供了集成 Spring Boot Starter，支持自动配置。这简直就是为 Java 开发者量身定制的福音啊！
核心特性大揭秘
DeepSeek4J 的核心特性简直亮瞎眼，让我来给你好好唠唠：
• 完整保留思维链能力和账单：再也不用担心推理过程丢失了，所有关键信息都能完整保留。
• 响应式流式处理：用户体验直接拉满，流式输出流畅得不行。
• 简单优雅的 API 设计：一行代码就能搞定集成，这效率，杠杠的！
• 开箱即用的 Spring Boot 集成：支持 2.x 和 3.x，无缝衔接，毫无压力。
• 内置调试页面：双击sse.html，实时对话监控轻松搞定，还能完整呈现思维链演进过程。
• 详细的请求响应日志：出了问题再也不用抓瞎，日志清晰明了，轻松定位。
• 灵活的代理配置：网络环境复杂？没关系，灵活配置代理，轻松应对。
• 响应式编程支持：现代编程需求全搞定，响应式编程不再是难题。
快速上手，轻松搞定
说了这么多，是不是迫不及待想试试了？别急，我这就带你快速上手。
1、 添加依赖
首先，在你的 Maven 项目中添加如下依赖：
<dependency>
<groupId>io.github.pig-mesh.ai</groupId>
<artifactId>deepseek-spring-boot-starter</artifactId>
<version>1.4.0</version>
</dependency>
2、 配置参数
接着，在application.yml文件中添加以下配置：
deepseek:
api-key: your-api-key-here
base-url: https://api.deepseek.com/v1
3、基础使用
搞定配置后，就可以开始使用啦。看下面的代码，是不是简单到飞起？
@Autowired
private DeepSeekClient deepSeekClient;
@GetMapping(value = "/chat", produces = MediaType.TEXT_EVENT_STREAM_VALUE)
public Flux<ChatCompletionResponse> chat(String prompt) {
return deepSeekClient.chatFluxCompletion(prompt);
}
4、进阶配置
当然，如果你有更复杂的需求，DeepSeek4J 也完全能满足你。比如，你可以这样配置：
public Flux<ChatCompletionResponse> chat(String prompt) {
ChatCompletionRequest request = ChatCompletionRequest.builder()
.model(ChatCompletionModel.DEEPSEEK_CHAT)
.addUserMessage(prompt)
.addAssistantMessage("上轮结果")
.addSystemMessage("你是一个专业的助手")
.maxTokens(1000)
.responseFormat()
.tools()
.build();
return deepSeekClient.chatFluxCompletion(request);
}
开发私有大模型知识库，轻松又高效
DeepSeek4J 不仅能帮助你快速集成 DeepSeek，还能帮你开发私有大模型知识库。
虽然 DeepSeek 官方没有提供向量模型，但 DeepSeek4J 通过兼容 OpenAI 协议标准，完美解决了这个问题。
这种方式不仅零额外依赖，还完美兼容现有架构，学习成本也低得不行。
1、环境准备
在开始之前，你需要准备以下环境：
Ollama 模型准备
安装 Ollama，然后下载必要的模型：
ollama run deepseek-r1:14b
ollama run bge-m3:latest
2、向量数据库准备
你可以选择使用 Milvus 作为向量数据库。如果不想折腾，可以直接使用 Zilliz Cloud 中文版，获取连接信息即可。如果想自己搭建，用 Docker 安装也很方便：
curl -sfL https://raw.githubusercontent.com/milvus-io/milvus/master/scripts/standalone_embed.sh -o standalone_embed.sh
bash standalone_embed.sh start
3、 初始化私有知识
接下来，就是把你的知识内容转换为向量形式，存储到向量数据库中。DeepSeek4J 提供了完整的解决方案，无论是纯文本还是其他格式的文件，都能轻松处理。
4、 创建 RAG 接口
最后，创建一个 RAG 接口，结合向量检索和模型推理，就能生成精准的回答啦。代码示例在这里：
@GetMapping(value = "/chat", produces = MediaType.TEXT_EVENT_STREAM_VALUE)
public Flux<ChatCompletionResponse> chat(String prompt) {
MilvusClientV2 milvusClientV2 = new MilvusClientV2(connectConfig);
List<Float> floatList = embeddingClientOptional.get().embed(prompt);
SearchReq searchReq = SearchReq.builder()
.collectionName("deepseek4j_test")
.data(Collections.singletonList(new FloatVec(floatList)))
.outputFields(Collections.singletonList("text"))
.topK(3)
.build();
SearchResp searchResp = milvusClientV2.search(searchReq);
List<String> resultList = new ArrayList<>();
List<List<SearchResp.SearchResult>> searchResults = searchResp.getSearchResults();
for (List<SearchResp.SearchResult> results : searchResults) {
for (SearchResp.SearchResult result : results) {
resultList.add(result.getEntity().get("text").toString());
}
}
ChatCompletionRequest request = ChatCompletionRequest.builder()
.model("deepseek-r1:14b")
.addUserMessage(String.format("你要根据用户输入的问题：%s \n \n 参考如下内容：%s \n\n 整理处理最终结果", prompt, resultList)).build();
return deepSeekClient.chatFluxCompletion(request);
}
总结
通过 DeepSeek4J 1.4，我们轻松完成了私有知识库的构建和 RAG 系统的搭建。虽然目前的系统已经能跑起来，但要达到生产可用，还需要进一步优化。比如，优化检索策略、重排序、提示词工程、知识库管理和性能调优等等。不过，有了 DeepSeek4J 这个强大的工具，这些优化工作也会轻松不少。
小伙伴们，还在等什么？赶紧去试试 DeepSeek4J 吧！更多高级特性和最佳实践，
可以参考官方文档：
官方文档。
GitHub：github地址。
本期内容就到这儿，希望对您有所帮助！
我们下期再见～