SpringBoot 封装 AI 模块，快速实现智能化！|ai模块|builder|json|key|示例|调用

钓友宝（微信小程序）：一款专门为钓友开发的免费的分享钓点地图与实时天气的软件，地图中标记了所有野钓、钓场、公共水域等的精确位置，支持导航、预测钓鱼位置的鱼情等功能。

一、国内支持SDK调用的优秀开源AI平台

智谱AI（ZhipuAI）：智谱AI是一家专注于大模型技术的公司，由清华大学计算机系知识工程实验室技术成果转化而来。智谱AI提供了包括对话模型、视觉模型、代码生成模型等多种AI模型，并提供了开放平台供开发者使用和集成。智谱AI的SDK可以用于快速集成其AI能力，如对话、图像识别等功能。
百度飞桨（PaddlePaddle）：百度飞桨是中国首个开源深度学习平台，提供丰富的API和SDK，支持多种深度学习模型的开发和部署。
腾讯AI Lab：腾讯AI Lab提供了多种AI技术和服务，包括计算机视觉、语音识别、自然语言处理等领域的SDK和API。
阿里云机器学习平台PAI：阿里云提供的机器学习平台PAI支持多种机器学习算法和模型，提供了SDK供开发者调用。
华为ModelArts：华为云ModelArts是一个全流程模型生产服务，提供丰富的API和SDK，支持模型的训练、部署和管理。

注释：本文以智谱AI为例，其他开源AI平台同理

二、导入依赖


     

 cn.bigmodel.openapi groupId>     

 oapi-java-sdk artifactId>     

 release-V4-2.3.0 version> dependency>

三、获取API key（注意保密）

官网的个人中心，找到项目管理下的API keys。

四、测试Demo

测试是否调用AI成功，注意API key要换成自己的。

@SpringBootTest
public class ZhiPuAiTest {
 
    @Test
    public void test() {
        String apiKey = "自己的apikey";
         // 创建客户端 
        ClientV4 client = new ClientV4.Builder(apiKey).build();
         // 构造请求 
        List
     
     
  messages =  new ArrayList<>();         ChatMessage chatMessage =  new ChatMessage(ChatMessageRole.USER.value(),  "作为一名营销专家，请为智谱开放平台创作一个吸引人的slogan");         messages.add(chatMessage);         String requestId = String.valueOf(System.currentTimeMillis());         ChatCompletionRequest chatCompletionRequest = ChatCompletionRequest.builder()                 .model(Constants.ModelChatGLM4)                 .stream(Boolean.FALSE)                 .invokeMethod(Constants.invokeMethod)                 .messages(messages)                 .requestId(requestId)                 .build();          // 调用         ModelApiResponse invokeModelApiResp = client.invokeModelApi(chatCompletionRequest);         System.out.println( "model output:" + invokeModelApiResp.getMsg());     } }

五、封装通用AI模块

application.yml配置API key

#  ai 配置 
ai:
  api-key: 自己的key

定义AI配置类

@Configuration
@ConfigurationProperties(prefix = "ai")
@Data
public class AiConfig {
 
    /**      * apiKey      */
 
    private String apiKey;
 
    @Bean
    public ClientV4 getClientV4() {
        return new ClientV4.Builder(apiKey).build();
    }
}

封装通用的AI请求模块

AiManager类提供了多种方法来执行同步和流式请求，包括稳定和不稳定答案的同步请求，以及可以根据随机数温度参数自定义的同步请求。这些方法允许以简化的方式传递系统和用户消息，或者直接传递一个消息列表。

/**  * 通用 AI 调用能力  */
@Component
public class AiManager {
 
    @Resource
    private ClientV4 clientV4;
 
     // 稳定的随机数 
    private static final float STABLE_TEMPERATURE = 0.05f;
 
     // 不稳定的随机数 
    private static final float UNSTABLE_TEMPERATURE = 0.99f;
 
    /**      * 同步请求（答案不稳定）      *      * @param systemMessage      * @param userMessage      * @return      */
    public String doSyncUnstableRequest(String systemMessage, String userMessage) {
        return doRequest(systemMessage, userMessage, Boolean.FALSE, UNSTABLE_TEMPERATURE);
    }
 
    /**      * 同步请求（答案较稳定）      *      * @param systemMessage      * @param userMessage      * @return      */
    public String doSyncStableRequest(String systemMessage, String userMessage) {
        return doRequest(systemMessage, userMessage, Boolean.FALSE, STABLE_TEMPERATURE);
    }
 
    /**      * 同步请求      *      * @param systemMessage      * @param userMessage      * @param temperature      * @return      */
    public String doSyncRequest(String systemMessage, String userMessage, Float temperature) {
        return doRequest(systemMessage, userMessage, Boolean.FALSE, temperature);
    }
 
    /**      * 通用请求（简化消息传递）      *      * @param systemMessage      * @param userMessage      * @param stream      * @param temperature      * @return      */
    public String doRequest(String systemMessage, String userMessage, Boolean stream, Float temperature) {
        List
     
     
  chatMessageList =  new ArrayList<>();         ChatMessage systemChatMessage =  new ChatMessage(ChatMessageRole.SYSTEM.value(), systemMessage);         chatMessageList.add(systemChatMessage);         ChatMessage userChatMessage =  new ChatMessage(ChatMessageRole.USER.value(), userMessage);         chatMessageList.add(userChatMessage);          return doRequest(chatMessageList, stream, temperature);     }        /**      * 通用请求      *      * @param messages      * @param stream      * @param temperature      * @return      */      public String doRequest(List  messages, Boolean stream, Float temperature)  {          // 构建请求         ChatCompletionRequest chatCompletionRequest = ChatCompletionRequest.builder()                 .model(Constants.ModelChatGLM4)                 .stream(stream)                 .temperature(temperature)                 .invokeMethod(Constants.invokeMethod)                 .messages(messages)                 .build();          try {             ModelApiResponse invokeModelApiResp = clientV4.invokeModelApi(chatCompletionRequest);              return invokeModelApiResp.getData().getChoices().get( 0).toString();         }  catch (Exception e) {             e.printStackTrace();              throw  new BusinessException(ErrorCode.SYSTEM_ERROR, e.getMessage());         }     }        /**      * 通用流式请求（简化消息传递）      *      * @param systemMessage      * @param userMessage      * @param temperature      * @return      */      public Flowable   doStreamRequest (String systemMessage, String userMessage, Float temperature)  {         List  chatMessageList =  new ArrayList<>();         ChatMessage systemChatMessage =  new ChatMessage(ChatMessageRole.SYSTEM.value(), systemMessage);         chatMessageList.add(systemChatMessage);         ChatMessage userChatMessage =  new ChatMessage(ChatMessageRole.USER.value(), userMessage);         chatMessageList.add(userChatMessage);          return doStreamRequest(chatMessageList, temperature);     }          /**      * 通用流式请求      *      * @param messages      * @param temperature      * @return      */      public Flowable   doStreamRequest (List  messages, Float temperature)   {          // 构建请求         ChatCompletionRequest chatCompletionRequest = ChatCompletionRequest.builder()                 .model(Constants.ModelChatGLM4)                 .stream(Boolean.TRUE)                 .temperature(temperature)                 .invokeMethod(Constants.invokeMethod)                 .messages(messages)                 .build();          try {             ModelApiResponse invokeModelApiResp = clientV4.invokeModelApi(chatCompletionRequest);              return invokeModelApiResp.getFlowable();         }  catch (Exception e) {             e.printStackTrace();              throw  new BusinessException(ErrorCode.SYSTEM_ERROR, e.getMessage());         }     } }

六、使用AI赋能项目

1. 设计Prompt的常用技巧

Prompt是一种向语言模型提供输入的方法，它通过特定的提示或指令引导模型生成预期的输出。在自然语言处理中，简而言之，Prompt是一种高效利用语言模型能力的技术手段。

技巧一：定义 System Prompt

用于设定AI助手行为模式的工具，包括角色设定、语言风格、任务模式和针对特定问题的具体行为指导。

示例：

你擅长从文本中提取关键信息，精确、数据驱动，重点突出关键信息，根据用户提供的文本片段提取关键数据和事实，将提取的信息以清晰的 JSON 格式呈现。

技巧二：让AI进行角色扮演

让 AI 扮演角色、可以更准确地模仿该角色的行为和对话方式。

示例：

作为一个量子物理学家，解释量子物理学的基本原理，并简要介绍其在现代科技中的应用。

技巧三：提供具体的细节要求

在 Prompt 中添加要求模型输出内容的细节和背景信息。

示例：

我对太阳系的行星非常感兴趣，特别是土星。请提供关于土星的基本信息，包括其大小、组成、环系统和任何独特的天文现象。

技巧四：使用分隔符标示不同的输入部分

示例：

请基于以下内容： """ 要总结的文章内容""" 提炼核心观点和纲要

技巧五：思维链提示

要求模型分步骤解答问题，还要求其展示其推理过程的每个步骤。通过这种方式，可以减少不准确结果的可能性，并使用户更容易评估模型的响应。

示例：

作为一个 AI 助手，你的任务是帮助用户解决复杂的数学问题。对于每个问题，你需要首先独立解决它，然后比较和评估用户的答案，并最终提供反馈。在这个过程中，请展示你的每一步推理过程。我有一个数学问题需要帮助:"""问题是：一个农场有鸡和牛共 35 头，脚总共有 94 只。鸡和牛各有多少头？我的答案是鸡有 23 头，牛有 12 头"""。

技巧六：少样本学习

可以作为进行少样本学习的示例。这些样本可以用来引导模型模仿特定的行为和语言风格。

模仿这种风格 ''' 1、三杯鸡在锅中欢跃，是岁月的篝火，是浪漫的乐章。 2、炖排骨的滋味，是冬日的棉被，是乡土的回响。 3、红烧勤鱼的鲜香，是海洋的密语，是大海的情书。''' 生成新的句子。

2. 项目中调用AI（实战）

定义Prompt常量

参考上文设计Prompt的常用技巧，根据自己的业务需求设计Prompt，示例代码是需要AI生成问卷题目，仅供参考。

// AI Prompt 
private static final String GENERATE_QUESTION_SYSTEM_MESSAGE = "你是一位严谨的出题专家，我会给你如下信息：\n" +
        "```\n" +
        "应用名称，\n" +
        "【【【应用描述】】】，\n" +
        "应用类别，\n" +
        "要生成的题目数，\n" +
        "每个题目的选项数\n" +
        "```\n" +
        "\n" +
        "请你根据上述信息，按照以下步骤来出题：\n" +
        "1. 要求：题目和选项尽可能地短，题目不要包含序号，每题的选项数以我提供的为主，题目不能重复\n" +
        "2. 严格按照下面的 json 格式输出题目和选项\n" +
        "```\n" +
        "[{\"options\":[{\"value\":\"选项内容\",\"key\":\"A\"},{\"value\":\"\",\"key\":\"B\"}],\"title\":\"题目标题\"}]\n" +
        "```\n" +
        "title 是题目，options 是选项，每个选项的 key 按照英文字母序（比如 A、B、C、D）以此类推，value 是选项内容\n" +
        "3. 检查题目是否包含序号，若包含序号则去除序号\n" +
        "4. 返回的题目列表格式必须为 JSON 数组";

业务逻辑中调用AI

调用AI，使用定义好的Prompt生成题目

// AI 生成 
String result = aiManager.doSyncRequest(GENERATE_QUESTION_SYSTEM_MESSAGE, userMessage, null);

完整代码

/**
* 生成题目的用户消息
*
* @param app
* @param questionNumber
* @param optionNumber
* @return
*/
private String getGenerateQuestionUserMessage(App app, int questionNumber, int optionNumber) {
StringBuilder userMessage = new StringBuilder();
userMessage.append(app.getAppName()).append( "\n");
userMessage.append(app.getAppDesc()).append( "\n");
userMessage.append(AppTypeEnum.getEnumByValue(app.getAppType()).getText() + "类").append( "\n");
userMessage.append(questionNumber).append( "\n");
userMessage.append(optionNumber);
return userMessage.toString();
}

@PostMapping( "/ai_generate")
public BaseResponse > aiGenerateQuestion(
@RequestBody AiGenerateQuestionRequest aiGenerateQuestionRequest) {
ThrowUtils.throwIf(aiGenerateQuestionRequest == null, ErrorCode.PARAMS_ERROR);

// 获取参数

Long appId = aiGenerateQuestionRequest.getAppId();
int questionNumber = aiGenerateQuestionRequest.getQuestionNumber();
int optionNumber = aiGenerateQuestionRequest.getOptionNumber();

// 获取应用信息

App app = appService.getById(appId);
ThrowUtils.throwIf(app == null, ErrorCode.NOT_FOUND_ERROR);

// 封装 Prompt

String userMessage = getGenerateQuestionUserMessage(app, questionNumber, optionNumber);

// AI 生成

String result = aiManager.doSyncRequest(GENERATE_QUESTION_SYSTEM_MESSAGE, userMessage, null);

// 截取需要的 JSON 信息

int start = result.indexOf( "[");
int end = result.lastIndexOf( "]");
String json = result.substring(start, end + 1);
List questionContentDTOList = JSONUtil.toList(json, QuestionContentDTO .class);
return ResultUtils.success(questionContentDTOList);