获课：jzit.top/14159/

3 天速通 DeepSeek + SpringAI，实战开发 AI 家庭医生应用从开发到部署

AI 应用开发正在从"算法工程师的专属领域"走向"普通 Java 开发者的日常技能"。DeepSeek 凭借出色的中文理解能力和极具竞争力的调用成本，成为国内开发者构建 AI 应用的首选大模型之一；而 Spring AI 作为 Spring 生态的 AI 扩展组件，为 Java 开发者提供了统一的大模型调用抽象层，让 AI 能力的集成像引入一个 Starter 依赖一样简单。慕课网推出的《DeepSeek + SpringAI 实战 AI 家庭医生应用》课程，正是围绕这一技术组合，以"3 天速通"的节奏，带领学习者从零搭建一款具备智能问诊能力的 AI 家庭医生应用，并完成从开发到部署的全流程。

一、项目定位与技术架构

这门课程的项目目标是构建一款 AI 家庭医生应用，用户通过自然语言描述症状，系统调用 DeepSeek 大模型进行智能分析，给出可能的健康建议和就医指导。整个应用采用前后端分离架构，后端基于 Spring Boot 3 构建，通过 Spring AI 集成 Ollama 本地部署的 DeepSeek 模型，数据库使用 MySQL 持久化对话记录，前端采用 Vue 3 构建用户交互界面。

课程的技术选型充分考虑了实战场景的多样性：后端使用 JDK 21 和 Spring Boot 3.4.x，Spring AI 版本为 1.0.0-M6，Ollama 版本为 0.6.3，大模型选用 deepseek-r1:14b。这套技术栈既保证了开发效率，也为后续的扩展和优化预留了充足空间。

二、第一天：环境搭建与模型部署

课程的第一天聚焦于基础环境的搭建。学习者将完成 Ollama 的安装与配置，在本地部署 DeepSeek 模型，并通过 ChatBox、PageAssist、CherryStudio 等多种客户端工具验证模型的可用性。课程同时详细对比了离线部署与在线 API 两种方案的差异——离线部署在数据隐私和模型可控性方面具有天然优势，适合医疗等敏感数据场景；在线 API 则在维护成本和响应速度上更具竞争力，适合快速验证和中小规模应用。

在此基础上，课程引导学习者搭建 Spring Boot 3 项目基础架构，配置 MySQL 数据库，完成开发环境的全面就绪。

三、第二天：核心功能开发

第二天的内容围绕 Spring AI 与 DeepSeek 的深度集成展开。课程从最基础的 Restful 接口调用 Ollama API 开始，逐步过渡到 Spring AI 的同步调用和流式 Stream 调用，帮助学习者理解不同调用方式的适用场景。流式输出是 AI 对话应用的核心体验要素，课程通过 SSE（Server-Sent Events）服务端推送技术，实现了大模型回答的逐字流式输出，让用户获得接近 ChatGPT 的交互体验。

此外，课程还深入讲解了如何通过提示词引擎定制 DeepSeek 的医生角色，使其回答更加专业和贴合医疗场景。通过 AOP 切面化统计大模型调用执行时间、使用 Service 层对控制器与业务功能进行解耦等工程化实践，帮助学习者建立起规范的代码组织习惯。

四、第三天：前端对接与线上部署

第三天的重点是从后端走向前端，完成整个应用的闭环。课程结合通义灵码辅助开发 H5 客户端，实现与 SSE 服务的对接，处理跨域问题，完成单条消息发送、批量消息流式推送、自动重连机制以及同时在线人数统计等功能。

在部署环节，课程讲解了内网互通原则和私有专有网络的配置方法，帮助学习者将应用从本地开发环境迁移到云服务器，完成从开发到上线的最后一公里。

五、课程价值与适用人群

这门课程的核心价值在于"速通"二字——它不追求大而全的理论铺陈，而是以项目驱动的方式，让学习者在最短时间内跑通从模型部署、后端集成、前端对接到线上部署的完整链路。课程适合有一定 Java 基础、希望快速掌握 AI 应用开发能力的开发者，尤其适合想要在企业项目中引入大模型能力的后端工程师。

在 AI 技术加速渗透各行各业的当下，掌握"Spring Boot + Spring AI + DeepSeek"这一技术组合，意味着 Java 开发者无需转向 Python 生态，也能在自己的技术栈内高效构建 AI 应用。这种能力的获取，对于个人技术成长和企业数字化转型都具有切实的意义。