开始使用

本教程将带你完成第一次 Feat AI 调用：引入依赖、创建对话模型、发送一条消息并看到回复。完成后你将掌握 Feat AI 的基本用法。

学习目标

• 在 Maven 项目中引入 feat-ai 依赖
• 使用 FeatAI.chatModel(...) 创建对话模型
• 调用 chat() 或 chatStream() 与模型交互
• 区分云端 API（如 Gitee AI）与本地模型（如 Ollama）的配置方式

前置条件

• JDK 1.8 或更高版本
• Maven 3.0 或更高版本
• 任选其一：
  • Gitee AI：需配置 API Key（环境变量 FEAT_AI_API_KEY）
  • Ollama：本地已安装并运行 Ollama，默认 http://localhost:11434

Caution

使用 Gitee AI 时，必须在环境变量中设置 FEAT_AI_API_KEY，否则会抛出 IllegalArgumentException。

实践步骤

第一步：引入依赖

在项目的 pom.xml 中加入 feat-ai 依赖（Feat 父 POM 或版本属性中需包含 feat.version）：

pom.xml

<dependency>
    <groupId>tech.smartboot.feat</groupId>
    <artifactId>feat-ai</artifactId>
    <version>${feat.version}</version>
</dependency>

feat-ai 已传递依赖 feat-core，无需单独引入。

第二步：创建对话模型

以 本地 Ollama 为例，指定 baseUrl 和模型名即可：

import tech.smartboot.feat.ai.FeatAI;
import tech.smartboot.feat.ai.chat.ChatModel;

public class HelloFeatAI {
    public static void main(String[] args) {
        ChatModel model = FeatAI.chatModel(opts -> opts
                .baseUrl("http://localhost:11434/v1")
                .model("qwen2.5:7b")
        );
        // 下一步将用 model 发送消息
    }
}

若使用 Gitee AI，可选用内置的 ChatModelVendor，并确保已设置 FEAT_AI_API_KEY：

import tech.smartboot.feat.ai.FeatAI;
import tech.smartboot.feat.ai.chat.ChatModel;
import tech.smartboot.feat.ai.chat.ChatModelVendor;

ChatModel model = FeatAI.chatModel(opts -> opts
        .model(ChatModelVendor.GiteeAI.Qwen2_5_72B_Instruct)
);

第三步：发送消息并处理回复

同步对话：chat() 在回调中拿到完整回复与用量信息。

model.chat("解释什么是 RAG", response -> {
    System.out.println("回复: " + response.getContent());
    System.out.println("用量: " + response.getUsage());
});

流式对话：chatStream() 逐段输出，适合长回答或实时展示。

model.chatStream("解释什么是 RAG", content -> {
    System.out.print(content);
});

第四步：完整可运行示例

下面是一段基于 Ollama 的完整示例（JDK 8 可运行）：

HelloFeatAI.java

import tech.smartboot.feat.ai.FeatAI;
import tech.smartboot.feat.ai.chat.ChatModel;

public class HelloFeatAI {
    public static void main(String[] args) {
        ChatModel model = FeatAI.chatModel(opts -> opts
                .baseUrl("http://localhost:11434/v1")
                .model("qwen2.5:7b")
        );

        model.chatStream("用一句话解释什么是 RAG", content -> {
            System.out.print(content);
        });
    }
}

验证结果

• Ollama：先在本机执行 ollama run qwen2.5:7b（或你配置的模型），再运行上述程序，控制台应逐字输出模型回复。
• Gitee AI：设置好 FEAT_AI_API_KEY 后运行，应得到云端模型的回复；若未设置，会报错提示设置环境变量。

Tip

项目内更多可运行示例见 feat-ai 模块下的 demo 包，如 LocalAI、ChatDemo、OllamaDemo。

总结回顾

• 引入 feat-ai 依赖后，通过 FeatAI.chatModel(opts -> ...) 创建对话模型。
• Ollama：baseUrl("http://localhost:11434/v1") + model("模型名")。
• Gitee AI：model(ChatModelVendor.GiteeAI.xxx)，并配置 FEAT_AI_API_KEY。
• 同步用 chat()，流式用 chatStream()；后续可在此基础上增加系统提示、函数调用等，见 对话与流式。