背景

        在当今这个日新月异的时代，人工智能（AI）正以雷霆万钧之势席卷全球，从学术研究到商业应用，从日常生活到社会管理，无一不在经历着AI革命的洗礼。AI技术的飞速发展，不仅改变了我们的生活方式，更深刻地影响了各行各业的发展趋势。

        即便对于业内变革不那么敏感的雷袭，也在工作生活中的方方面面捕捉到了AI的影子，比如在百度页面提问，答案沙发悄然换上了AI，又比如咸鱼上用AI一键生成商品信息，法院利用AI技术辅助审判，事业单位用AI生成报告，合同，声明等等。

        AI大行其道，对其他行业带来的多是便利，但对于程序员来说却是沉重的挑战。今天，你的领导有没有让你用AI生成代码？有没有让你在系统中集成AI功能？程序员是一个不断学习，拥抱变化的职业，面对AI，我们只能去拥抱它，学习它，驾驭它。关于AI工具的使用，我在之前的博客（程序员免费AI工具分享）中有说明，今天咱们就来实践一下SpringBoot中对于AI服务的轻量级实现。

     代码实践

        在服务中集成和运行AI功能，听起来很高大上，实际上很简单。国内有很多平台都发布了AI大模型，如阿里云，KIMI，如果没有自研大模型的意向，完全可以调用他们的API，借用成熟平台的大模型来实现相关的AI服务，本次实践就是使用阿里云的DashScope灵积模型服务， 在撸代码之前，大家可以通过链接来对它进行了解。

        1、注册/登陆阿里云，开通DashScope服务，创建API Key。大家登入阿里云帐号后，通过阿里云Dashscope进入灵积模型工作台，创建api-key，将api-key复制下来备用

        2、在项目中引入以下依赖（建议用较新一点的版本）

<code> <dependency>

<groupId>com.alibaba</groupId>

<artifactId>dashscope-sdk-java</artifactId>

<version>2.12.0</version>

</dependency>

        3、在代码中编写调用大模型的方法和测试接口，如下：

package com.leixi.aidemo.controller;

import org.springframework.web.bind.annotation.GetMapping;

import org.springframework.web.bind.annotation.RequestParam;

import org.springframework.web.bind.annotation.RestController;

import com.alibaba.dashscope.aigc.generation.Generation;

import com.alibaba.dashscope.aigc.generation.GenerationParam;

import com.alibaba.dashscope.aigc.generation.GenerationResult;

import com.alibaba.dashscope.common.Message;

import com.alibaba.dashscope.common.Role;

import com.alibaba.dashscope.exception.ApiException;

import com.alibaba.dashscope.exception.InputRequiredException;

import com.alibaba.dashscope.exception.NoApiKeyException;

import java.util.ArrayList;

import java.util.List;

/**

*

* @author leixiyueqi

* @since 2024/8/22 19:39

*/

@RestController

public class DemoController {

private String apiKey = "你的API-KEY";

@GetMapping("/demo")

public Object demo(@RequestParam(value = "question", required = false) String question) throws Exception {

return callWithMessage(question);

}

public String callWithMessage(String question)

throws NoApiKeyException, ApiException, InputRequiredException {

Generation gen = new Generation();

List<Message> messages = new ArrayList<>();

Message userMsg = Message.builder().role(Role.USER.getValue()).content(question).build();

messages.add(userMsg);

GenerationParam param =

GenerationParam.builder().model(Generation.Models.QWEN_TURBO).messages(messages)

.resultFormat(GenerationParam.ResultFormat.MESSAGE)

.apiKey(apiKey)

.build();

GenerationResult result = gen.call(param);

return result.getOutput().getChoices().get(0).getMessage().getContent();

}

}

        4、启动项目，通过Postman进行测试，从下图大家可以看到，本文的背景内容其实就是AI生成的，也算是很好的呼应了上文了吧（嘿嘿嘿，偷懒使人快乐！）。

      后记

        本次的实践仅是AI上的很简单的一种使用，大家可以结合工作生活中的真实情况，想象下这样的服务的适用场景，比如说从文本内容中提取想要的信息，自动生成报告，合同，请假条，邮件，乃致于检讨书，哄女神开心的小段子等等，不一而足。

        说下我自己的感想吧！从上文的实践可以看出来，要想让AI回答出贴合你期望的答案，怎么对问题进行描述，假设很重要。我看过DashScope的用例（见下图），测试用例中，特意添加了一行Message: you are a helpful assistent，这其实是一个默认的设定：假设你是一个很有帮助的助手，你会怎么回答用户的问题？那么，我们完全可以设置自己的设定，如比说我现在想取悦我的女神，我可以把设定改为：“假设你是一个经验丰富，情商很高的西格玛男人，你该怎么回答女神的问题，才能得到女神的欣赏？”

        按我目前得到了猜想：长期使用同类型的设定，并对AI的答案进行一定的反馈，就可以定向的训练大模型，让大模型在某个领域变得更加专业。所以很多平台上才会有“模型定制”的功能，根据用户的需求训练特殊方向的大模型。如今通用的大模型虽然有很多，但是这个蛋糕那么大，没人能一口吃得下的。咱们完全可以选择某个特定的领域，先行一步，完成专业领域的AI大模型训练，如医疗，教育，财务，情感，娱乐等等，然后就可以用大模型反馈的精准的数据为行业带来便利了。希望未来大家能有这个契机，在某一领域深耕AI，驾驭AI。

        最最后再强调一下，DashScope是收费的！开通前一个月免费，后面就要收费了，为了进行这个实践，我已经破费了好几毛钱了嘤嘤嘤，所以看了博客的大佬们，应该不会吝啬你们的免费的点赞吧，应该不会吧，应该吧！