FEL 响应式大模型编程范式：从零接入 DeepSeek 的完整实战指南-平芜编程栈

人工智能
大模型
AI 应用
后端
AI Agent
RAG
流程编排
微服务

【免费下载链接】fit-framework

FIT: 企业级AI开发框架，提供多语言函数引擎（FIT）、流式编排引擎（WaterFlow）及Java生态的LangChain替代方案（FEL）。原生/Spring双模运行，支持插件热插拔与智能聚散部署，无缝统一大模型与业务系统。

项目地址：https://gitcode.com/ModelEngine/fit-framework

导读：本文以 FIT 开源框架中为大模型量身定制的 Java 响应式编程范式 FEL 为主线，从环境准备、依赖引入、application.yml配置到普通调用与流式调用的完整代码实现，带你一步步接入 DeepSeek（以及任何兼容 OpenAI API 的大模型）。读完本文，你将掌握 FEL 聊天模型（ChatModel）的核心用法、ChatOption全部参数语义、底层 OpenAI 适配器的实现原理，并了解基于AiFlows的智能应用编排方式，为后续构建 RAG、Agent 等复杂应用打下基础。

什么是 FEL：为 Java 量身定制的响应式大模型编程范式

FEL（Full-stack Easy-coded LLM framework）是 FIT 框架中面向 Java 生态的大模型应用开发套件。如果你熟悉 LangChain，可以把 FEL 看作是 Java 版本的 LangChain：它围绕大模型应用开发中反复出现的共性需求——模型接入、提示词模板、RAG 检索、记忆、输出解析、Agent——沉淀出一套响应式、可编排的编程范式。

与大多数"回调式"或"阻塞式"的大模型 SDK 不同，FEL 的每一次模型调用都返回一个响应式流对象Choir<T>（位于 Choir.java，表示拥有 0 到 N 个数据的发布者），调用方既可以阻塞式地取出最终结果，也可以让数据像流水一样持续流转，天然支撑流式输出、多轮会话与复杂流程编排。

本篇文章将从一个最小可运行的示例入手：接入当下热门的 DeepSeek 模型，完成普通调用与流式调用两种体验。

快速上手：在 FIT 工程中接入 DeepSeek

1. 准备环境与获取示例

获取 FIT-Framework 项目代码，参照项目中的入门指南部署 FIT 环境（FIT 的启动器、IoC 容器与 Web 服务能力是 FEL 示例的运行底座）。
本文配套的完整可运行示例位于 examples/fel-example/01-model，示例工程通过DemoApplication.main调用FitStarter.start启动（见 DemoApplication.java）。
FEL 模块不仅支持 DeepSeek，还支持任何符合 OpenAI API 标准的模型服务，并在此基础上提供丰富的工具与大模型操作原语。

2. 在 pom.xml 中加入 FEL 依赖

在示例工程的 pom.xml 中，需要引入以下五类依赖：FIT 启动器、Web 插件启动器、HTTP 客户端、FEL 核心包以及 OpenAI 模型插件：

<dependencies> <dependency> <groupId>org.fitframework</groupId> <artifactId>fit-starter</artifactId> <version>${fit.version}</version> </dependency> <dependency> <groupId>org.fitframework</groupId> <artifactId>fit-plugins-starter-web</artifactId> <version>${fit.version}</version> </dependency> <dependency> <groupId>org.fitframework.plugin</groupId> <artifactId>fit-http-client-okhttp</artifactId> <version>${fit.version}</version> </dependency> <dependency> <groupId>org.fitframework.fel</groupId> <artifactId>fel-core</artifactId> <version>${fel.version}</version> </dependency> <dependency> <groupId>org.fitframework.fel</groupId> <artifactId>fel-model-openai-plugin</artifactId> <version>${fel.version}</version> </dependency> </dependencies>

其中fel-model-openai-plugin是 OpenAI 协议模型服务的适配实现（对应 fel-community 模块下的 model-openai），正是它让 FEL 能够对接 DeepSeek 以及硅基流动等兼容 OpenAI API 的平台。

3. 在 application.yml 中配置 DeepSeek 接入信息

在示例工程的resources/application.yml中配置 API 密钥、API 地址与模型名称：

fel: openai: api-base: 'https://api.siliconflow.cn/v1' api-key: 'your-api-key' example: model: 'deepseek-ai/DeepSeek-R1'

配置项说明：

fel.openai.api-base：大模型服务地址。示例使用的是硅基流动（SiliconFlow）平台地址，该平台提供一定免费额度，注册账号后创建API 密钥即可使用；如果你直接使用 OpenAI 官方服务，可替换为https://api.openai.com/v1/。
fel.openai.api-key：你的 API 密钥，将占位值your-api-key替换为真实密钥即可。
example.model：要调用的模型名称，示例中为硅基流动平台上的deepseek-ai/DeepSeek-R1。

从源码角度看，这些配置由 OpenAiConfig.java 通过@AcceptConfigValues("fel.openai")注解接收，其默认值为https://api.openai.com/v1/；同时支持自定义连接超时（connectTimeout，默认 30000ms）与读取超时（readTimeout，默认 30000ms），可用于调优请求慢场景下的超时表现。

4. 编写接入代码：普通调用与流式调用

示例控制器 ChatModelExampleController.java 展示了 FEL 最基础的两种大模型调用方式。

普通调用（一次性返回完整结果）：

@Component @RequestMapping("/ai/example") public class ChatModelExampleController { private final ChatModel chatModel; @Value("${example.model}") private String modelName; public ChatModelExampleController(ChatModel chatModel) { this.chatModel = chatModel; } @GetMapping("/chat") public ChatMessage chat(@RequestParam("query") String query) { ChatOption option = ChatOption.custom().model(this.modelName).stream(false).build(); return this.chatModel.generate(ChatMessages.from(new HumanMessage(query)), option).first().block().get(); } }

流式调用（以 SSE 流形式逐步返回结果）：

@GetMapping("/chat-stream") public Choir<ChatMessage> chatStream(@RequestParam("query") String query) { ChatOption option = ChatOption.custom().model(this.modelName).stream(true).build(); return this.chatModel.generate(ChatMessages.from(new HumanMessage(query)), option); }

理解这段代码的三个关键点：

ChatOption指定调用参数：通过ChatOption.custom()...build()构建，其中.model(...)指定模型名称，.stream(true)表示以流式方式获取结果（见 ChatOption.java 的构建器入口）。
generate发起一次模型调用：返回结果是一个响应式流对象Choir<ChatMessage>。普通调用时通过.first().block().get()阻塞取回第一条消息；流式调用时直接将Choir返回，FIT 框架会自动以 SSE 格式输出。
ChatMessages.from(...)构造提示词：ChatMessages是Prompt接口的默认实现（见 ChatMessages.java），HumanMessage则封装用户输入的文本消息（支持携带多媒体Media列表，见 HumanMessage.java）。

ChatModel接口本身非常简洁——接收提示词与参数，返回聊天消息流，根据stream参数决定返回一条还是多条消息（见 ChatModel.java）：

public interface ChatModel { Choir<ChatMessage> generate(Prompt prompt, ChatOption chatOption); }

5. 启动程序并验证

配置完成后，通过 IDEA 直接启动DemoApplication。
当控制台出现如下日志时，表示启动成功：

Start netty http server successfully.

体验普通调用

在浏览器输入示例请求地址：

http://localhost:8080/ai/example/chat?query=你好，DeepSeek

可以看到类似如下的 JSON 响应（toolCalls为空表示本次未触发工具调用）：

{ "content": "<think>\n\n</think>\n\n你好！我是DeepSeek-R1，一个由深度求索公司开发的智能助手，我会尽我所能为你提供帮助。请问有什么可以为你服务的？", "toolCalls": [] }

注意响应中的<think>与</think>标签：DeepSeek-R1 这类推理模型会先输出"思考过程"再输出正式回答。FEL 的 OpenAI 适配器在 OpenAiModel.java 中专门对reasoning_content做了适配：非流式场景下将推理内容与最终回答拼装为<think>{0}</think>{1}格式返回。

体验流式调用

在浏览器输入示例请求地址：

http://localhost:8080/ai/example/chat-stream?query=你好，DeepSeek

浏览器会收到类似如下的 SSE 流式数据，内容逐段到达：

data:{"content":"<think>","toolCalls":[]} data:{"content":"\n\n","toolCalls":[]} data:{"content":"</think>","toolCalls":[]} data:{"content":"\n\n","toolCalls":[]} data:{"content":"你好","toolCalls":[]} data:{"content":"！","toolCalls":[]} data:{"content":"我是","toolCalls":[]} data:{"content":"Deep","toolCalls":[]} data:{"content":"Se","toolCalls":[]} data:{"content":"ek","toolCalls":[]} ...

流式模式下，FEL 的 OpenAI 适配器会读取服务端返回的每个 chunk，过滤掉结束标记[DONE]，逐条反序列化为聊天消息后以响应式流逐段推送（见 OpenAiModel.java）；对于推理模型，还会在第一个reasoning_contentchunk 前插入<think>标签、在第一个正式内容 chunk 前插入</think>标签（见 OpenAiModel.java），保证思考过程与回答的边界清晰可读。

深入解析 ChatOption：完整的模型调用参数

ChatOption是 FEL 中定义模型调用参数的统一入口（见 ChatOption.java）。除示例中已使用的model与stream外，它还提供了以下常用参数：

参数	类型	说明
`model`	String	要调用的模型名称
`stream`	Boolean	是否使用流式接口；`true`为流式，`false`为普通接口
`baseUrl`	String	大模型服务端地址，可覆盖配置文件中的`fel.openai.api-base`
`apiKey`	String	模型接口密钥，可覆盖配置文件中的`fel.openai.api-key`
`maxTokens`	Integer	生成文本的最大长度
`frequencyPenalty`	Double	频率惩罚系数，取值范围`-2.0 ~ 2.0`；正值惩罚已频繁出现的词以降低重复，抑制重复的合理取值约为`0.1 ~ 1`，最大可到`2`（可能影响输出质量），负值则会增加重复可能性
`presencePenalty`	Double	出现惩罚系数，取值范围`-2.0 ~ 2.0`；正值鼓励模型谈论新主题，默认`0`。与`frequencyPenalty`的区别在于：前者惩罚随 token 出现次数增加而不断加强，后者只区分"是否出现过"
`stop`	List<String>	停止字符串列表，模型输出中出现其中任一字符串即停止生成
`temperature`	Double	采样温度，取值范围`0.0 ~ 2.0`；值越高输出越随机多样，值越低输出越确定可预测
`topP`	Double	采样率，取值范围`0.0 ~ 1.0`；例如`0.1`表示只考虑概率质量前 10% 的 token，与`temperature`不建议同时设置
`tools`	List<ToolInfo>	模型可以使用的工具列表，用于支持 Function Calling / 工具调用
`secureConfig`	SecureConfig	调用大模型服务的 HTTPS 安全配置
`extensions`	Map<String, Object>	扩展信息，用于透传额外参数

以baseUrl与apiKey为例，在 OpenAiModel.java 的generate实现中：若ChatOption显式指定了baseUrl/apiKey，则优先使用选项中的值，否则回退到配置文件中OpenAiConfig提供的默认值（StringUtils.blankIf(chatOption.apiKey(), this.defaultApiKey)），最终通过Authorization: Bearer <key>请求头发送密钥（见HttpUtils.setBearerAuth）。

底层原理：FEL 如何与 OpenAI 兼容服务交互

FEL 的模型接入遵循"接口定义 + 插件适配"的架构：核心层只定义抽象接口，具体模型服务由插件实现。

接口层：ChatModel、ChatOption、Prompt、ChatMessage、MessageType等全部位于 fel-core 模块。其中ChatMessage定义了消息的type()、text()、medias()、toolCalls()等能力（见 ChatMessage.java），MessageType枚举覆盖SYSTEM、HUMAN、AI、TOOL四种角色（见 MessageType.java）。
适配层：OpenAiModel.java 是一个@Component，同时实现了EmbedModel、ChatModel、ImageModel、RerankModel四个接口。聊天请求通过 FIT 的HttpClassicClient发送到{baseUrl}/chat/completions端点（见 OpenAiApi.java），请求体为OpenAiChatCompletionRequest，响应体反序列化为OpenAiChatCompletionResponse。
流式处理：stream=true时通过request.exchangeStream(String.class)逐行读取 SSE 数据，过滤[DONE]标记后逐条反序列化并映射为Choir<ChatMessage>输出。

因此，只要目标平台（DeepSeek、Qwen、硅基流动等）提供兼容 OpenAI Chat Completions 协议的接口，都可以通过fel-model-openai-plugin无缝接入，这也是"一个适配器，处处可接入"的设计价值。

进阶视野：用 AiFlows 编排完整的智能应用

普通调用只是 FEL 的起点。FEL 真正的核心能力在于直观的编排方式——通过AiFlows以链式 API 组装"检索 → 生成 → 格式化"的完整 AI 流程。例如，一个包含知识库检索与大模型的智能助手编排代码如下：

AiProcessFlow<String, String> smartAssistantFlow = AiFlows.<String>create() .map(query -> Tip.from("query", query)) // 将用户输入转换为内部格式 .retrieve(new DefaultVectorRetriever(vectorStore)) // 检索相关信息 .generate(new ChatFlowModel(chatModel, chatOption)) // 调用大模型生成回答 .format(new JsonOutputParser(serializer, Response.class)) // 格式化输出 .close();

从源码看，AiFlows.create()会创建一个水流（WaterFlow）流程的头结点并包装为AiProcessFlow（见 AiFlows.java）；AiProcessFlow在底层AiFlow之上增加了流程间数据流转能力，并对外提供对话语义（见 AiProcessFlow.java）。

其中每一步操作都是一个"原语"（operator）：

retrieve：RAG 检索。DefaultVectorRetriever封装了VectorStore.search(query, searchOption)（见 DefaultVectorRetriever.java），从向量库中提取相关信息。
generate：大模型接入。ChatFlowModel把ChatModel与ChatOption包装为流程内可调用的模型节点（见 ChatFlowModel.java），调用时仍返回Choir<ChatMessage>响应式流。
format：输出解析。OutputParser<O>接口同时承担"给出格式化指令"（FormatProvider.instruction()）与"把字符串解析为对象"（Parser<String, O>）两个职责（见 OutputParser.java），JsonOutputParser即其 JSON 实现。

FEL 提供的大模型操作原语

FEL 框架内置了丰富的大模型操作原语，覆盖智能应用的常见场景：

RAG 检索（retrieve）：从海量数据中快速提取相关信息；
提示词模板（prompt）：通过预定义模板快速生成结构化输入；
大模型接入（generate）：无缝接入 DeepSeek 等大模型，实现智能对话与生成；
记忆（memory）：支持多轮对话记忆，提升对话体验；
Agent（delegate）：通过智能体实现复杂任务的分解与执行。

这些原语之上还有通用的流操作原语，配合 FIT 框架"基于接口设计"的核心思想（多种原语操作均基于接口抽象），如果你有自定义功能，可以轻松集成自定义原语，打造专属智能应用。相关使用细节可继续阅读 FEL 指导手册中的聊天模型使用等章节。

小结

本文从 FEL 的定位讲起，完整演示了在 FIT 工程中接入 DeepSeek 的五个步骤：准备环境、引入依赖、配置application.yml、编写普通/流式调用代码、启动验证；随后深入ChatOption全部参数语义与OpenAiModel底层实现，最后展望了基于AiFlows的智能应用编排范式。从一次最简单的模型调用出发，你已经掌握了 FEL 响应式编程范式的核心脉络——后续文章将围绕 RAG、Agent、记忆等原语，继续展开这一"为大模型量身定制的响应式编程范式"的更多能力。