本文介绍了一个专门面向 DeepSeek R1 的 Java 集成方案 deepseek4j。它完整保留了模型的思维链能力，提供响应式流式处理，并通过 Spring Boot Starter 实现开箱即用。相比直接调用 API 或使用其他框架，deepseek4j 提供了更优雅的开发体验和更完整的功能支持。
一、为什么需要 deepseek4j？
1.1 现有框架的局限性
- 思维链内容丢失：R1 最核心的推理过程完全被忽略
- 响应模式不兼容：无法处理”思考在前、结论在后”的输出模式
- 参数限制：temperature、top_p 等关键参数设置失效
- 流式处理不完善：用户体验欠佳
虽然笔者上篇博客介绍了如何使用 WebFlux 直接调用 DeepSeek API，但这种方式存在一些问题：
开发成本高：直接调用 API 或改造现有框架需要处理大量细节，包括请求构建、响应解析、错误处理等。一不做二不休，为了彻底解决这些问题，笔者基于 OpenAI4J 项目的优秀架构，打造了一个专门面向 DeepSeek 的开箱即用方案 DeepSeek4J，主要特点包括：
- 完整支持 DeepSeek 独有的思维链和高级特性
- 支持 DeepSeek 联网搜索
- 提供 Project Reactor 的全面响应式支持
- 提供集成 Spring Boot Starter，提供自动配置
二、核心特性
- ✨ 完整保留思维链能力
- 🚀 响应式流式处理
- 🛠 简单优雅的 API 设计
- 📦 开箱即用的 Spring Boot 集成
- 💡 内置调试页面
- 🔍 详细的请求响应日志
- 🔧 灵活的代理配置
- ⚡️ 响应式编程支持
三、快速开始
3.1 添加依赖
<dependency>
<groupId>io.github.pig-mesh.ai</groupId>
<artifactId>deepseek-spring-boot-starter</artifactId>
<version>last-version</version>
</dependency>
3.2 配置参数
deepseek:
api-key: your-api-key-here
base-url: https://api.deepseek.com # 可选，默认为官方 API 地址
3.3 基础使用
@Autowired
private DeepSeekClient deepSeekClient;
// sse 流式返回
@GetMapping(value = "/chat", produces = MediaType.TEXT_EVENT_STREAM_VALUE)
public Flux<ChatCompletionResponse> chat(String prompt) {
return deepSeekClient.chatFluxCompletion(prompt);
}
3.4 进阶配置
public Flux<ChatCompletionResponse> chat(String prompt) {
ChatCompletionRequest request = ChatCompletionRequest.builder()
// 模型选择，支持 DEEPSEEK_CHAT、DEEPSEEK_REASONER 等
.model(ChatCompletionModel.DEEPSEEK_CHAT)
// 添加用户消息
.addUserMessage(prompt)
// 添加助手消息，用于多轮对话
.addAssistantMessage("上轮结果")
// 添加系统消息，用于设置角色和行为
.addSystemMessage("你是一个专业的助手")
// 设置最大生成 token 数，默认 2048
.maxTokens(1000)
// 设置响应格式，支持 JSON 结构化输出
.responseFormat()
.tools() // function calling
.build();
return deepSeekClient.chatFluxCompletion(request);
}
3.5 前端调试
双击运行根目录的 sse.html 文件，即可打开调试页面。在页面中输入后端 SSE 接口地址，点击发送后可实时查看推理过程和最终结果。页面提供了完整的前端实现代码，可作为集成参考。
欢迎关注公众号【JAVA架构日记】，获取更多 AI 开发实践干货！
