DeepSeek+Spring AI 实战：从零打造离线AI家庭医生应用

为什么要做离线AI医疗应用

大模型本地部署已经成为开发者圈子里的热门话题，但目前大多数人的实践还停留在测试和把玩阶段，真正挖掘其商业价值的并不多。这门来自B站UP主「芬杰影院」的实战课程，把目光投向了一个相对务实的方向——用 DeepSeek^广告 搭配 Spring AI 开发一款离线运行的 AI 家庭医生应用。

离线部署的价值不只在于「不联网也能跑」。它直接解决了数据安全与隐私问题——医疗场景下的对话数据无需上传云端，全部保存在本地；同时也为网络受限的地区和行业提供了新的落地可能。对医疗这种对数据合规性要求极高的领域来说，本地化部署恰好契合了行业痛点。

课程强调的一个核心理念是：不要局限于单一功能的开发，而要从业务架构和技术架构的双重角度去思考问题。换句话说，学的不只是「怎么调用模型」，而是如何把一个 AI 能力完整地落地成一个可运行、可维护的应用。

技术栈与核心工具

整个项目围绕几个关键技术环节展开，形成了一条相对完整的本地化 AI 应用技术链：

• Ollama：本地部署工具，用于拉取和运行 DeepSeek 模型
• DeepSeek 推理模型：作为应用的核心大脑，承担推理任务
• Spring Boot 3 + Spring AI：把本地模型与 Java 代码打通，构建应用的整体架构
• MySQL：持久化存储对话数据

除了主干技术，课程还覆盖了一批实用的辅助工具，比如浏览器 UI 插件 Page Assist、桌面客户端 Chatbox AI 以及 Cherry Studio。这些工具可以让你在编码之前先快速验证模型效果，是本地部署阶段的常用配套。

值得一提的是技术版本的选择——项目基于 OpenJDK 21 和 Maven 构建，紧跟当前 Java 生态的主流趋势。对于想在简历上写「实战过本地大模型应用」的开发者来说，这套技术组合既有新鲜度，又有企业级落地的可信度。

Spring AI 是 Spring 官方推出的 AI 集成框架，定位类似于 LangChain 在 Python 生态中的角色，但面向 Java/Spring 开发者。它通过统一的抽象接口屏蔽了不同 AI 提供商（OpenAI、Anthropic、Ollama 等）的 API 差异，开发者只需面向同一套接口编写代码，切换底层模型时改动极小。对于本项目来说，Spring AI 的核心价值在于它原生支持 Ollama 作为本地模型后端——这意味着原本设计给云端大模型的开发范式，可以几乎零修改地平移到本地部署场景。Spring AI 还内置了对话记忆（ChatMemory）、提示词模板（Prompt Template）等常用组件，省去了大量重复的胶水代码。

Ollama 则是目前最主流的本地大模型运行时之一，类似于「本地模型界的 Docker」——它把模型打包成标准格式，提供统一的 REST API，开发者无需关心 CUDA 驱动、量化格式等底层细节，一条命令即可拉取并运行 DeepSeek、Llama、Qwen 等主流开源模型。

核心功能拆解

课程把家庭医生应用拆成了几个递进式的功能模块：

本地模型部署与角色定制

第一步是通过 Ollama 把 DeepSeek 模型跑起来，然后利用 Ollama 的脚本和 API 做角色定制——也就是把一个通用大模型「调教」成一个专注于医疗问答的家庭医生角色。这一步决定了应用的「人设」和回答风格。

在大模型领域，「角色定制」本质上是通过**系统提示词（System Prompt）**来约束模型的行为边界和回答风格。Ollama 提供了 Modelfile 机制，允许开发者在模型层面预置系统提示词、设定温度（temperature）等推理参数，将这些配置固化为一个新的派生模型。这与每次请求时临时传入系统提示词相比，有两个优势：一是减少了应用层的重复配置；二是可以在 Ollama 管理界面直接预览和测试角色效果，验证成本更低。在医疗场景中，系统提示词通常需要明确限定模型「仅回答健康相关问题」「不替代专业医疗诊断」等边界，这既是功能需求，也是规避法律风险的必要措施。

Spring Boot + Spring AI 搭建应用骨架

通过 Spring AI 这个抽象层，把本地运行的模型接入到标准的 Spring Boot 应用中。这是整个项目最关键的工程化环节，模型能力正式转化为可被业务调用的服务。

对话数据持久化

用户与 AI 的所有聊天记录都会写入 MySQL 数据库。对医疗助手来说，历史问诊记录的留存既是功能需求，也是后续优化模型表现的数据基础。

整个项目采用纯后端开发模式，不涉及前端开发。这个取舍其实很聪明——它让没有前端经验的 Java 开发者也能完整走通流程，把注意力集中在模型集成和后端架构上。

适合谁学，需要什么基础

这门课定位偏基础，但并非零门槛。按作者的说法，学习前最好具备以下几项准备：

• 一定的 Java 基础，对 Spring、MyBatis、Spring Boot 有基本了解
• 熟悉 MySQL 等数据库相关知识
• 懂得基础的命令行脚本操作（部署阶段会用到控制台）

即便某些点不熟悉，课程承诺以手把手的方式带你一步步编写后端代码、安装中间件、完成服务器部署。整体节奏是循序渐进的——讲完一个模块就实践一个模块，功能逐步迭代。配套还提供完整项目源码，方便快速理解架构设计细节。

一点理性看待

从内容定位看，这是一门典型的「技术培训课程」宣传，强调职业竞争力、职业晋升、大厂敲门砖等卖点。这类表述需要理性看待——掌握一个本地大模型应用的开发流程确实有价值，但把它直接等同于「进大厂」或「成为架构师」显然带有营销色彩。

抛开宣传话术，这门课的技术选型本身是靠谱的：DeepSeek + Ollama + Spring AI 的组合代表了当下 Java 开发者接入本地大模型的主流路径，家庭医生这个场景也足够具体，适合作为一个端到端的练手项目。对于想从「调用 API」进阶到「完整落地一个 AI 应用」的开发者来说，这类实战项目确实是一条值得走的路。