【AI应用开发捷径之路】第四课：如何选择模型服务商：个人探索用 DeepSeek，企业落地选百炼，数据安全上 Ollama
原创 小数先生
如何选择模型服务商
选择AI模型服务商，核心看需求、预算和技术栈：
追求高性价比和强大代码能力，选 DeepSeek —— 完全免费、长上下文、开发者友好，适合快速原型和个人项目。
需要企业级合规、中文场景深度支持，选 阿里百炼 —— 集成阿里云生态、中文理解强、服务稳定，适合中大型企业。
要求数据绝对安全、完全自主可控，选 Ollama —— 本地部署、开源灵活、隐私无忧，适合敏感数据和定制化需求。
灵活策略：开发阶段用 DeepSeek 快速迭代，生产环境按需选择云端或本地部署，关键业务可混合使用，平衡效率与安全。
三大厂商核心特点
1. DeepSeek
优势：
完全免费，无使用限制
支持128K长上下文
代码能力突出，特别适合开发场景
API稳定，文档完善
支持文件上传（图像、txt、pdf、ppt、word、excel）
适用场景：
个人开发者/初创公司预算有限
需要强大代码生成/分析能力
长文本处理需求
快速原型开发
2. 阿里云百炼（通义千问）
优势：
国内合规性好，企业级服务
集成阿里云生态完善
中文理解能力强
支持模型微调、RAG等企业功能
适用场景：
企业级应用，需要合规保障
已在阿里云生态内
需要本地化部署支持
对中文场景有特殊要求
3. Ollama
优势：
完全本地运行，数据安全
支持多种开源模型（Llama、Qwen等）
可离线使用
定制化程度最高
适用场景：
对数据隐私要求极高
需要完全控制模型
有本地部署条件
技术团队能力强
如果你是：
个人开发者/学生：从 DeepSeek 开始，完全免费且能力强大
初创公司：DeepSeek + Ollama 组合，前者快速开发，后者关键业务本地化
中大型企业：阿里百炼 为主，合规性和企业支持更重要
数据敏感项目：Ollama 本地部署是必须的
一句话总结：个人探索用 DeepSeek，企业落地选百炼，数据安全上 Ollama，混合使用更明智。
之前课程中介绍过SpringAI接入deepseek、阿里百炼：
【AI应用开发捷径之路】第三课：文生图、文生视频、文生声音、多模态，如何选择合适的大模型？如何在SpringAI中应用这四种技术
【AI应用开发捷径之路】第二课：SpringAi接入Deepseek
下面介绍一下接入ollama的的一些注意点和步骤：
1. 引入BOM进行版本管理
首先，在你的pom.xml的 <dependencyManagement> 部分：
引入Spring AI的BOM。
推荐使用当时最新的稳定版本
<dependencyManagement>
<dependencies>
<dependency>
<groupId>org.springframework.ai</groupId>
<artifactId>spring-ai-bom</artifactId>
<version>1.0.3</version> <!-- 建议使用最新稳定版 –>
<type>pom</type>
<scope>import</scope>
</dependency>
</dependencies>
</dependencyManagement>
引入BOM后，在添加其他Spring AI组件依赖时就可以省略<version>标签了，所有版本都由BOM统一管理。
2. 添加模型Starter依赖
接下来，在<dependencies>部分添加你所需模型的Starter。
例如，集成OpenAI和Ollama可以这样配置：
<!–ollama –>
<dependency>
<groupId>org.springframework.ai</groupId>
<artifactId>spring-ai-starter-model-ollama</artifactId>
</dependency>
3.配置文件
依赖添加完成后，你需要在 ：
application.yml 或 application.properties 中进行配置。
spring:
ai:
ollama:
base-url: http://127.0.0.1:11434
chat:
options:
model: deepseek-r1:7b #
temperature: 0.7
具体的模型可以通过命令行窗口查看，window下如图：
4.测试
该测试类包含：阻断性输出、流式输出、关闭思考链、多模态
package com.example.base;
import cn.myeasyai.FaceApplication;
import org.junit.jupiter.api.Test;
import org.springframework.ai.chat.messages.UserMessage;
import org.springframework.ai.chat.model.ChatResponse;
import org.springframework.ai.chat.prompt.Prompt;
import org.springframework.ai.content.Media;
import org.springframework.ai.ollama.OllamaChatModel;
import org.springframework.ai.ollama.api.OllamaOptions;
import org.springframework.beans.factory.annotation.Autowired;
import org.springframework.boot.test.context.SpringBootTest;
import org.springframework.core.io.ClassPathResource;
import org.springframework.util.MimeTypeUtils;
import reactor.core.publisher.Flux;
@SpringBootTest(classes = FaceApplication.class)
public class TestOllama {
@Test
public void testOllama(@Autowired OllamaChatModel ollamaChatModel) {
String call = ollamaChatModel.call("你好，你是谁?");
System.out.println(call);
}
/
* 关闭思考链
* @param ollamaChatModel
*/
@Test
public void testOllama2(@Autowired OllamaChatModel ollamaChatModel) {
String call = ollamaChatModel.call("今天几号?/set no_think");
System.out.println(call);
}
/
* 流式输出
* @param ollamaChatModel
/
@Test
public void testOllamaStream(@Autowired OllamaChatModel ollamaChatModel) {
Flux<String> stream = ollamaChatModel.stream("今天几号?/no_think");
stream.toIterable().forEach(System.out::println);
}
/**
多模态
*/
@Test
public void testOllamaMultimodality(@Autowired OllamaChatModel ollamaChatModel) {
var imageResource = new ClassPathResource("/images/hhl.png");
OllamaOptions gemma3 = OllamaOptions.builder().model("gemma3:4b").build();
Media media = new Media(MimeTypeUtils.IMAGE_PNG, imageResource);
ChatResponse call = ollamaChatModel.call(new Prompt(UserMessage.builder().media(media)
.text("识别图片的内容").build(), gemma3
)
);
System.out.println(call.getResult().getOutput().getText());
}
}
