集成：DeepSeek，豆包，混元，通义千问。
一、简介
2025年7月份，开始转型独立开发者。
第一款尝试的产品自然是AI方向，此前不具备专业的产品经验，所以只能更多的依赖大模型的能力。
年初DeepSeek成功证明模型即产品的理念，所以第一款产品尽量降低传统的产品设计思维，会把场景和流程交给大模型去处理，通过反复测试来调整干预的权重，找到一个相对平衡的比例。
有时候在反思，自己的脑回路会不会限制AI的发挥。
在产品的初期，先选择接入四款大模型，深度求索的DeepSeek，字节跳动的豆包，腾讯的混元，阿里的通义千问。
模型即产品，那产品是什么？
当然每家的大模型，都有自己的能力特点，这里只是从产品的整体功能考量，这几款模型可能更适合，后续可能也会在实践中做动态调整。
二、大模型自评
如何快速熟悉大模型的能力？多提问题，多和它来回拉扯。
首先给这几款大模型，抛出一个灵魂拷问：
作为一款很强的大模型，请你客观的分析DeepSeek，豆包，千问，混元，这四款大模型的差异，并从综合能力的角度给个排序。
看热闹不嫌事大，先让大模型自我分析一把，验证一下自己对它们的预期。
DeepSeek回答：
豆包回答：
通义千问回答：
混元回答：
各个大模型对于能力的排序，权当个热闹看一看。
不过有个结论可以得出来的：不同平台的业务和数据有很大差异，所以训练出来的模型能力也有差异。
此前文章中写过DeepSeek的代码测评，确实很惊艳；豆包的产品化能力，方便解决很多生活问题；混元经常用来分析行业热门事件；通义千问常用来提供业务设计的参考。
所以产品的不同功能，交给不同的大模型来处理，是比较合理的策略。
三、SpringBoot集成
从产品的业务需求出发，来设计后端框架的模型对接，既然需要集成多款大模型，自然是通用的组件更方便管理，通过测试对比个人倾向使用spring-ai-openai依赖包。
这几款模型的使用文档，都适配了OpenAI的接口规范，只是豆包有轻微的细节差异。
3.1 版本依赖
这里说一下简单的思路，是先敲定spring-ai-openai组件的版本，在这个组件中依赖spring-boot的3.3.6版本，以此定了后端的框架和版本。
<spring-boot.version>3.3.6</spring-boot.version><spring-ai-openai.version>1.0.0-M5</spring-ai-openai.version><dependencies> <dependency> <groupId>org.springframework.ai</groupId> <artifactId>spring-ai-openai-spring-boot-starter</artifactId> <version>${spring-ai-openai.version}</version> </dependency></dependencies><!-- SpringBoot依赖 --><dependency> <groupId>org.springframework.boot</groupId> <artifactId>spring-boot-dependencies</artifactId> <version>${spring-boot.version}</version> <type>pom</type> <scope>import</scope></dependency>3.2 配置和测试
首先看基础的Yaml配置文件，比较常见的就是请求的地址和方法，然后指定大模型使用的版本名称，这里要注意豆包配置的差异，千问和混元也是一样的方式。
spring: # 大模型配置 ai: openai: base-url: https://api.deepseek.com api-key: sk-deep-seek chat: # 默认配置 # 豆包大模型使用：/api/v3/chat/completions completions-path: /v1/chat/completions options: model: deepseek-chat简单做个测试的用例，构建ChatClient类，传入自定义的提示词，请求DeepSeek大模型，没有使用流式输出，所以请求响应的时间比较长。
@RestControllerpublic class TestModelWeb { private final ChatClient chatClient ; public TestModelWeb(ChatClient.Builder chatClientBuilder) { this.chatClient = chatClientBuilder.build(); } @GetMapping(value = "/client") public String chatClient() { String message = "讲个笑话，最好能把我听哭的那一种。"; return chatClient.prompt(new Prompt(message)).call().content(); }}3.3 多模型封装
通过配置文件管理模型的集成虽然简单高效，但是产品的场景中有模型动态选择的功能，所以做个简单的封装，在容器中存ChatClient类，选中哪款调用哪款。
/** * 大模型工厂 * @author 七号楼 * @since 2025-07-02 13:48 */@Componentpublic class ModelFactory { private static volatile Map<String, ChatClient> modelMap = new HashMap<>(); /** * 获取模型 * @since 2025-07-03 10:53 */ public static ChatClient getModel (String modelName){ return modelMap.get(modelName); } /** * 移除模型 * @since 2025-07-03 10:53 */ public static void removeModel (String modelName){ if (CollUtil.contains(modelMap.keySet(),modelName)){ modelMap.remove(modelName); } } /** * 添加模型 * @since 2025-07-03 10:53 */ public static void putModel (OpenAiChatProperties properties,OpenAiChatOptions options){ ChatClient buildClient = buildChatClient(properties,options); modelMap.put(options.getModel(),buildClient); } /** * 构建ChatClient对话客户端 * @param properties 基础配置 * @param options 选项配置 * @return ChatClient */ private static ChatClient buildChatClient(OpenAiChatProperties properties,OpenAiChatOptions options) { properties.setOptions(options); OpenAiApi openAiApi = new OpenAiApi( properties.getBaseUrl(), properties.getApiKey(), properties.getCompletionsPath(), "/v1/embeddings", RestClient.builder(), WebClient.builder(), RetryUtils.DEFAULT_RESPONSE_ERROR_HANDLER); OpenAiChatModel chatModel = new OpenAiChatModel(openAiApi,options); return ChatClient.builder(chatModel).build(); }}多款大模型的配置信息，统一维护在表中即可，在服务启动时加载一次，初始化ModelFactory中的Map容器。
@Servicepublic class ModelConfigServiceImpl extends ServiceImpl<ModelConfigMapper, ModelConfig> implements ModelConfigService { @PostConstruct public void init (){ List<ModelConfig> modelList = this.list(); if (CollUtil.isNotEmpty(modelList)){ for (ModelConfig modelConfig:modelList) { // 基础配置 OpenAiChatProperties properties = new OpenAiChatProperties(); properties.setBaseUrl(modelConfig.getBaseUrl()); properties.setCompletionsPath(modelConfig.getCompletionsPath()); properties.setApiKey(modelConfig.getApiKey()); // 选项配置 OpenAiChatOptions options = OpenAiChatOptions.builder() .model(modelConfig.getModelVersion()) .temperature(modelConfig.getTemperature()) .build(); // 模型工厂 ModelFactory.putModel(properties,options); } } }}简单的测试一下模型动态选择的封装。
@RestControllerpublic class TestModelWeb { @GetMapping(value = "/completion") public String completion() { String message = "你是哪个公司开发的？当前使用的是哪个版本的模型？"; return ModelFactory.getModel("qwen").prompt(new Prompt(message)).call().content() +"<br/><br/>"+ ModelFactory.getModel("hunyuan").prompt(new Prompt(message)).call().content(); }}四、最后总结
产品在完成大模型集成后，测试具体的业务场景时，可以先不考虑自定义的干预策略，就看一看大模型能发挥到什么程度。
如果效果不符合预期，再逐步的加入自定义的策略，直到产品和大模型这个"产品"形成默契的配合，建议测试过程放在模型官网的对话框进行。
毕竟独立开发者的收入，已经独立了。
文档仓库：https://gitee.com/cicadasmile/butte-java-note源码仓库：https://gitee.com/cicadasmile/butte-mound