【保姆级教程】SpringBoot携手DeepSeek，ollama本地部署大模型实战！-优快云博客

一、接入Deepseek

一获取开发参数

登录deepseek官网获取application.properties文件中所需要的开发参数

点击api开放平台

最少需要充一元

·server.port=8080  .open-ai.chat-model.base-url=http://langchain4j.dev/demo/openai/v1langchain4j.open-ai.chat-model.api-key=demolangchain4j.open-ai.chat-model.model-name=gpt-4o-minilangchain4j.open-ai.chat-model.log-requests=truelangchain4j.open-ai.chat-model.log-responses=truelogging.level.root=debug

获取到的apikey值，可以写入到application.properties文件当中，但是敏感信息直接写入到源代码的配置文件当中不安全，选择配置在本地的环境变量当中

二本地配置开发参数

为了apikay的安全，选择将其配置在本地的环境变量中。变量名自定义即可，例如 DEEP_SEEK_API_KEY

此电脑->右键->属性->高级系统设置，添加系统变量之后重启idea,让idea继承环境变量。环境变量中的变量名是任意填写的，但是约定俗成是各部分内容加下划线分割。在配置文件中以=${DEEP_SEEK_API_KEY}的形式去访问刚才在环境变量中配置的变量

#DeepSeeklangchain4j.open-ai.chat-model.base-url=https://api.deepseek.comlangchain4j.open-ai.chat-model.api-key=${DEEP_SEEK_API_KEY}#DeepSeek-V3langchain4j.open-ai.chat-model.model-name=deepseek-chat#DeepSeek-R1 推理模型#langchain4j.open-ai.chat-model.model-name=deepseek-reasoner

参数写入将变量替换到apikey位置处

获取base-url进行配置（出于与 OpenAI 兼容考虑，您也可将base_url设置为https://api.deepseek.com/v1来使用，但注意，此处v1与模型版本无关）

获取model-name进行配置。deepseek-chat模型指向DeepSeek-V3-0324，通过指定model='deepseek-chat'调用。deepseek-reasoner模型指向DeepSeek-R1-0528，通过指定model='deepseek-reasoner'调用。

配置完之后使用测试用例进行测试，deepseek也是基于openai,所以测试用例代码不变，只是底层的配置参数需要进行变更

这份完整版的大模型 AI 学习和面试资料已经上传优快云，朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【保证100%免费】

三如果apikey值没有成功获取

1 尝试重启idea

点击菜单栏的File,选择Invalidate Caches,然后点击Just Restart，检查 IDEA是否单独配置了Environment Variables

2 对值进行添加

(1)打开运行配置点击顶部菜单栏：Run > Edit Configurations

(2)找到你的测试类配置在左侧列表中，展开JUnit或Spring Boot分类找到名为LLMTest的配置项（如果没有就创建一个）

(3)查看环境变量设置点击LLMTest配置项，在右侧配置面板中，找到Environment variables字段，点击右侧的...按钮（小齿轮图标）

(4)检查变量，弹出的窗口中会显示当前配置的变量，是否有设置DEEP_SEEK_API_KEY

(5)清理或添加，如果这里有值但不正确，点击"-"删除它，如果这里为空，但你想强制指定，点击"+"添加

(6)应用并关闭，点击OK保存配置点击Apply或OK关闭窗口

按照上述方式排除问题后进行测试

对底层输出的日志情况进行分析

底层客户端给deepseek远程服务器发送请求https://api.deepseek.com/chat/completions实际上底层的请求地址被api封装起来了

大模型给的回复状态是200 代表回复成功，回复的内容为body,在响应体当中将调用大语言模型转换为推理模型

ollama本地部署

Ollama 是一个本地部署大模型的工具。使用 Ollama 进行本地部署有以下多方面的原因：

数据隐私与安全：对于金融、医疗、法律等涉及大量敏感数据的行业，数据安全至关重要。离线可用性：在网络不稳定或无法联网的环境中，本地部署的 Ollama 模型仍可正常运行。降低成本：云服务通常按使用量收费，长期使用下来费用较高。而 Ollama 本地部署，只需一次性投入硬件成本，对于需要频繁使用大语言模型且对成本敏感的用户或企业来说，能有效节约成本。部署流程简单：只需通过简单的命令 “ollama run < 模型名>”，就可以自动下载并运行所需的模型。灵活扩展与定制：可对模型微调，以适配垂直领域需求。

二、部署流程

一下载并安装ollama

官网： https://ollama.com/

查看模型列表，选择要部署的模型，模型列表： https://ollama.com/search

windows+r->cmd

显示安装成功

搜索对应的大语言模型

在ollama上部署大模型成功，除了deepseek-r1之外也可以选择部署其它的大模型，之后可以使用命令在本地调用大模型ollama run deepseek-r1:1.5b

二引入spring-boot应用程序

参考文档：https://docs.langchain4j.dev/integrations/language-models/ollama#get-started

引入依赖

dev.langchain4jlangchain4j-ollama-spring-boot-starter

maven面板中检查langchain4j-ollama依赖是否成功导入

langchain4j.ollama.chat-model.base-url=http://localhost:11434langchain4j.ollama.chat-model.model-name=deepseek-r1:1.5b#替换为自己本地引入的模型名langchain4j.ollama.chat-model.temperature=0.8langchain4j.ollama.chat-model.timeout=PT60S

application.properties

使用测试用例进行测试

/*** ollama接入*/@Autowiredprivate OllamaChatModel ollamaChatModel;@Testpublic void testOllama() {//向模型提问String answer = ollamaChatModel.chat("你好");//输出结果System.out.println(answer);}

三、AI大模型学习和面试资源

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

这份完整版的大模型 AI 学习和面试资料已经上传优快云，朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【保证100%免费】