“AI太难了，那是Python的事？”  —— 错！作为Java老炮，你只需要一个下午，就能用熟悉的Spring Boot给项目接入“大脑”。

现在的Java后端开发，如果只会写Controller和Mapper，确实容易焦虑。看着满屏的AI资讯，是不是觉得大模型（LLM）离我们很远？其实不然。

作为一个刚在电商项目里落地了智能客服的Java开发者，我想告诉你：AI集成并没有想象中那么神秘。  只要你会发HTTP请求，你就离AI只差一个依赖的距离。

这篇文章不讲复杂的Transformer原理，也不推销Python。我们将基于Spring Boot生态，利用阿里云通义千问，手把手教你写一个能对话、能查商品、甚至能记住你喜好的客服机器人。

目标：  打开IDEA，敲下不到30行核心代码，10分钟内跑通一个具备真实业务能力的AI接口。

---

一、 为什么Java也能玩转AI？（选对工具是关键）

在开始之前，你可能有顾虑：

1. 网络问题：  OpenAI在国内访问不稳定。
2. 语言壁垒：  大家都在推Python，Java怎么办？
3. 开发成本：  难道要自己拼JSON、做流式处理？

解决方案：Spring AI Alibaba

这是阿里云推出的一套Spring Boot Starter，专门为Java开发者量身定制：

• 中文原生友好：  底层对接通义千问（Qwen），中文理解能力极强，无需担心“翻译腔”。
• 零学习成本：  它遵循Spring的编程模型，不用学Python，不用懂Agent复杂概念，依赖注入（DI）和自动配置那一套完全不变。
• 免费额度：  阿里云百炼平台提供100万Token免费额度，足够你开发测试半年，零成本验证AI能力。

---

二、 准备工作：三步搞定“入场券”

为了让你少走弯路，我把环境准备压缩到了最简。

1. 环境清单

• JDK:  17+（推荐JDK 21，Spring Boot 3.x对低版本支持不好）
• IDE:  IntelliJ IDEA
• 构建工具:  Maven 或 Gradle

2. 获取API Key（最关键的一步）

这是连接阿里云大模型的“钥匙”，请按顺序操作：

1. 去阿里云官网搜索  “DashScope” （灵积模型服务）。

2. 进入控制台，找到左侧菜单  “API-KEY管理” 。

3. 点击“创建API Key”，复制生成的字符串（格式为 sk-xxxx）。

   • 注意：  这个Key只显示一次，务必保存好！不要硬编码在代码里，建议配置在IDEA的运行环境变量中：

   DASHSCOPE_API_KEY=sk-你的密钥
   

3. Maven依赖（直接CV）

在 pom.xml 中加入核心依赖（版本号可能会更新，请参考官方文档）：

<dependencies>
    <!-- Web基础包 -->
    <dependency>
        <groupId>org.springframework.boot</groupId>
        <artifactId>spring-boot-starter-web</artifactId>
    </dependency>
    <!-- Spring AI Alibaba 核心包 -->
    <dependency>
        <groupId>com.alibaba.cloud.ai</groupId>
        <artifactId>spring-ai-alibaba-starter</artifactId>
        <version>1.1.2.0</version>
    </dependency>
</dependencies>

---

三、 核心实战：30行代码，让JVM“开口说话”

我们将构建一个简单的电商客服，它能回答通用问题，还能根据商品库推荐产品。

1. 配置文件（application.yml）

告诉Spring你的API Key在哪里（如果环境变量配置了，这里可以省略）：

spring:
  ai:
    dashscope:
      api-key: ${DASHSCOPE_API_KEY} # 读取环境变量

2. 编写AI服务层（Service）

这是最核心的部分。我们利用 ChatClient 来构建对话逻辑。

import org.springframework.ai.chat.client.ChatClient;
import org.springframework.stereotype.Service;

@Service
public class AiAssistantService {

    private final ChatClient chatClient;

    // 构造器注入ChatClient.Builder
    public AiAssistantService(ChatClient.Builder builder) {
        this.chatClient = builder
                // 1. 定义系统角色：设定AI的人设
                .defaultSystem("""
                    你是一个专业的电商客服助手，名字叫小服。
                    回答要简洁、专业、态度友好。
                    """)
                .build();
    }

    // 2. 定义对话方法
    public String chat(String userInput) {
        return chatClient.prompt()
                .user(userInput) // 用户输入
                .call()
                .content();   // 获取模型回复
    }
}

3. 编写控制层（Controller）

暴露一个HTTP接口给前端调用：

@RestController
@RequestMapping("/api/ai")
public class AiController {

    private final AiAssistantService assistantService;

    public AiController(AiAssistantService assistantService) {
        this.assistantService = assistantService;
    }

    @PostMapping("/chat")
    public String chat(@RequestBody String message) {
        return assistantService.chat(message);
    }
}

---

四、 进阶实战：从“闲聊”到“带货”

光会说“你好”肯定不行，真实的业务场景需要AI结合数据。

需求：  用户问“我想买个拍照好的手机”，AI需要从数据库（这里用代码模拟）里推荐商品。

改造Service：  只需要修改提示词（Prompt），把商品信息“喂”给AI。

@Service
public class AiProductService {

    private final ChatClient chatClient;

    public AiProductService(ChatClient.Builder builder) {
        this.chatClient = builder
                .defaultSystem("""
                    你是一个资深的数码导购。
                    请根据以下商品库信息回答用户问题，不要胡编乱造：
                    
                    【商品库】
                    1. 华为Mate60 Pro: 6999元，12GB+512GB，麒麟9000S，卫星通话
                    2. 小米14 Pro: 4999元，16GB+512GB，徕卡光学镜头，光影猎人900
                    3. iPhone 15 Pro: 7999元，A17芯片，钛金属边框
                    
                    规则：如果用户预算不足，要委婉告知并推荐替代品。
                    """)
                .build();
    }

    public String recommend(String userNeed) {
        return chatClient.prompt().user(userNeed).call().content();
    }
}

测试一下：
输入：“我想买个拍照好，带长焦镜头的手机，预算5000左右。”
AI回复：  “推荐您考虑小米14 Pro。它搭载了徕卡光学镜头，拍照效果出色，且价格（4999元）符合您的预算。”

原理：  这就是所谓的RAG（检索增强生成） ，你不需要训练模型，只需要把上下文信息通过Prompt告诉模型，它就能基于这些信息进行推理。

---

五、 避坑指南：生产环境怎么选？

在实际项目中，你可能会纠结用哪个模型。阿里云DashScope提供了几个版本，建议按以下策略选择：

模型版本	特点	推荐场景	配置参数
Qwen-Turbo	速度最快，成本最低	高并发的简单问答、闲聊	qwen-turbo
Qwen-Plus	性价比之王，能力均衡	大部分业务场景（推荐新手）	qwen-plus
Qwen-Max	能力最强，推理最严谨	复杂的售后协商、数据分析	qwen-max

切换方法：  只需要在 application.yml 中加一行配置，无需改动Java代码！

spring:
  ai:
    dashscope:
      chat:
        options:
          model: qwen-plus # 默认是turbo，改为plus

---

六、 写在最后

当你跑通这个Demo，你会发现：AI并不是什么玄学，它本质上就是一种更高级的API调用。

作为Java开发者，我们的优势在于强大的工程化能力和对业务逻辑的深刻理解。未来一年， “Java + AI”  将是后端开发的标配。

这篇文章只是一个引子，帮你跨过那道心理门槛。接下来，你可以尝试：

1. 接入真正的数据库，让AI读取实时库存。
2. 加入流式输出（SSE），让回复像打字机一样逐字出现。
3. 结合Spring Security，做一个带权限的智能后台。

别再只看视频了，动手敲下那行 curl 命令，让代码替你“思考”吧！