Skip to main content

DashScope

在本章节中，我们将学习如何使用 Spring AI Alibaba 接入阿里云 DashScope 系列模型。在开始学习之前，请确保您已经了解相关概念。

DashScope 平台​

灵积通过灵活、易用的模型 API 服务，让各种模态模型的能力，都能方便的为 AI 开发者所用。通过灵积 API，开发者不仅可以直接集成大模型的强大能力，也可以对模型进行训练微调，实现模型定制化。

Prerequisites​

您需要使用阿里云 DashScope 创建 API Key 才能访问 DashScope 模型。

在 阿里云 DashScope 控制台 创建账户，并在 API Keys 页面 生成 API Key。

Spring AI Alibaba 项目定义了一个名为 spring.ai.dashscope.api-key 的配置属性，您应将其设置为从 DashScope 控制台获得的 API Key 值。

您可以在 application.properties 文件中设置此配置属性：

spring.ai.dashscope.api-key=<your-dashscope-api-key>

为了在处理敏感信息（如 API keys）时增强安全性，您可以使用 Spring Expression Language (SpEL) 来引用自定义环境变量：

# In application.yml
spring:
  ai:
    dashscope:
      api-key: ${AI_DASHSCOPE_API_KEY}
# In your environment or .env file
export AI_DASHSCOPE_API_KEY=<your-dashscope-api-key>

您也可以在应用程序代码中以编程方式设置此配置：

// Retrieve API key from a secure source or environment variable
String apiKey = System.getenv("AI_DASHSCOPE_API_KEY");

Add Repositories and BOM​

Spring AI Alibaba artifacts 发布在 Maven Central 仓库中。 请参阅 Artifact Repositories 部分，将这些仓库添加到您的构建系统中。

为了帮助进行依赖管理，Spring AI Alibaba 提供了 BOM (bill of materials)，以确保在整个项目中使用一致版本的 Spring AI Alibaba。请参阅 Dependency Management 部分，将 Spring AI Alibaba BOM 添加到您的构建系统中。

Auto-configuration​

Spring AI Alibaba 为 DashScope Chat Client 提供 Spring Boot auto-configuration。 要启用它，请将以下依赖项添加到项目的 Maven pom.xml 或 Gradle build.gradle 构建文件中：

<dependency>
    <groupId>com.alibaba.cloud.ai</groupId>
    <artifactId>spring-ai-alibaba-starter-dashscope</artifactId>
</dependency>

提示： 请参阅 Dependency Management 部分，将 Spring AI Alibaba BOM 添加到您的构建文件中。

Chat Properties​

Retry Properties​

前缀 spring.ai.retry 是用于配置 DashScope chat model 的 retry 机制的属性前缀。

PropertyDescriptionDefault
spring.ai.retry.max-attempts最大重试次数。10
spring.ai.retry.backoff.initial-interval指数退避策略的初始睡眠持续时间。2 sec.
spring.ai.retry.backoff.multiplier退避间隔乘数。5
spring.ai.retry.backoff.max-interval最大退避持续时间。3 min.
spring.ai.retry.on-client-errors如果为 false，抛出 NonTransientAiException，并且不对 4xx 客户端错误代码尝试重试false
spring.ai.retry.exclude-on-http-codes不应触发重试的 HTTP 状态代码列表（例如，抛出 NonTransientAiException）。empty
spring.ai.retry.on-http-codes应触发重试的 HTTP 状态代码列表（例如，抛出 TransientAiException）。empty

Connection Properties​

前缀 spring.ai.dashscope 是用于连接到 DashScope 的属性前缀。

PropertyDescriptionDefault
spring.ai.dashscope.base-url要连接到的 URLhttps://dashscope.aliyuncs.com
spring.ai.dashscope.api-keyAPI Key-
spring.ai.dashscope.work-space-id可选地，您可以指定用于 API 请求的工作空间 ID。-

提示： 对于属于多个工作空间的用户，您可以可选地指定用于 API 请求的工作空间 ID。 这些 API 请求的使用量将计入指定工作空间的使用量。

Configuration Properties​

注意： 现在通过前缀为 spring.ai.model.chat 的顶级属性来配置 chat auto-configurations 的启用和禁用。

要启用，spring.ai.model.chat=dashscope（默认启用）

要禁用，spring.ai.model.chat=none（或任何与 dashscope 不匹配的值）

此更改是为了允许配置多个模型。

前缀 spring.ai.dashscope.chat 是用于配置 DashScope 的 chat model 实现的属性前缀。

PropertyDescriptionDefault
spring.ai.model.chat启用 DashScope chat model。dashscope
spring.ai.dashscope.chat.base-url可选覆盖 spring.ai.dashscope.base-url 属性以提供 chat 特定的 URL。-
spring.ai.dashscope.chat.completions-path要附加到 base URL 的路径。/api/v1/services/aigc/text-generation/generation
spring.ai.dashscope.chat.api-key可选覆盖 spring.ai.dashscope.api-key 以提供 chat 特定的 API Key。-
spring.ai.dashscope.chat.work-space-id可选地，您可以指定用于 API 请求的工作空间 ID。-
spring.ai.dashscope.chat.options.model要使用的 DashScope chat model 名称。您可以在以下模型之间选择：qwen-plus、qwen-turbo、qwen-max、qwen-max-longcontext、qwen-vl-plus、qwen-vl-max 等。有关更多信息，请参阅 DashScope 模型列表。qwen-plus
spring.ai.dashscope.chat.options.temperature用于控制生成 completions 的明显创造力的采样 temperature。较高的值将使输出更加随机，而较低的值将使结果更加聚焦和确定性。范围：[0, 2)，系统默认：0.85。不建议为同一个 completions 请求修改 temperature 和 top_p，因为这两个设置的交互很难预测。0.85
spring.ai.dashscope.chat.options.topP除了 temperature 采样之外，还有一种称为 nucleus sampling 的替代方法，其中模型考虑具有 top_p 概率质量的 tokens 结果。因此，0.1 意味着只考虑包含 top 10% 概率质量的 tokens。范围：(0, 1.0)，默认：0.8。我们通常建议修改此值或 temperature，但不要同时修改两者。0.8
spring.ai.dashscope.chat.options.topK采样候选池的大小（top-k）。例如，top_k = 50 意味着只考虑 50 个得分最高的 tokens 进行随机采样。较大的值增加随机性；较小的值增加确定性。注意：如果 top_k 为 null 或 > 100，则禁用 top-k，仅应用 top-p。默认值为 null（即禁用）。-
spring.ai.dashscope.chat.options.seed用于生成的随机种子，由用户控制以影响可重现性。Seed 支持无符号 64 位整数。当提供 seed 时，模型将尝试生成相同或相似的结果，但不保证完全可重现性。-
spring.ai.dashscope.chat.options.stop最多 4 个序列，API 将停止生成更多 tokens。支持传入字符串数组或 token_ids 数组。-
spring.ai.dashscope.chat.options.maxTokens在 chat completion 中生成的最大 tokens 数。输入 tokens 和生成 tokens 的总长度受模型上下文长度的限制。-
spring.ai.dashscope.chat.options.maxInputTokens输入的最大 tokens 数。-
spring.ai.dashscope.chat.options.repetitionPenalty用于控制模型生成过程中的重复程度。增加 repetition_penalty 可以减少模型生成的重复程度。值为 1.0 表示无惩罚。默认值为 1.1。1.1
spring.ai.dashscope.chat.options.enableSearch模型内置了互联网搜索服务。此参数控制模型在生成文本时是否参考和使用互联网搜索结果。true：启用互联网搜索。false（默认）：禁用互联网搜索。false
spring.ai.dashscope.chat.options.searchOptions联网搜索的策略。仅在 enable_search 为 true 时生效。-
spring.ai.dashscope.chat.options.responseFormat模型可以指定返回内容的格式。有效值：{"type": "text"} 或 {"type": "json_object"}。-
spring.ai.dashscope.chat.options.incrementalOutput控制是否在流式输出模式下启用增量输出，即后续输出内容是否包含之前输出的内容。当设置为 true 时，将启用增量输出模式，后续输出不会包含之前输出的内容。您需要自己拼接整体输出。当设置为 false 时，后续输出将包含之前输出的内容。true
spring.ai.dashscope.chat.options.tools模型可以调用的工具列表。目前，仅支持 functions 作为工具。使用此选项提供模型可能为其生成 JSON 输入的 functions 列表。-
spring.ai.dashscope.chat.options.toolChoice控制模型调用哪个（如果有）function。none 意味着模型不会调用 function，而是生成消息。auto 意味着模型可以在生成消息或调用 function 之间进行选择。通过 {"type": "function", "function": {"name": "my_function"}} 指定特定 function 会强制模型调用该 function。当没有 functions 时，none 是默认值。如果存在 functions，auto 是默认值。-
spring.ai.dashscope.chat.options.parallelToolCalls是否在工具使用期间启用并行 function calling。-
spring.ai.dashscope.chat.options.enableThinking是否启用模型的思考过程。适用于 Qwen3 全系统模型。false
spring.ai.dashscope.chat.options.thinkingBudget思考过程的最大长度，在 enable_thinking 为 true 时生效，适用于 Qwen3 全系统模型。-
spring.ai.dashscope.chat.options.vlHighResolutionImages将 token 限制更改为 16384 用于 vl 模型，仅支持 vl 模型，包括 qwen-vl-max、qwen-vl-max-0809、qwen-vl-plus-0809。-
spring.ai.dashscope.chat.options.vlEnableImageHwOutput是否启用视觉语言模型的图像硬件输出。false
spring.ai.dashscope.chat.options.multiModel指示请求是否涉及多个模型。false
spring.ai.dashscope.chat.options.modalities您希望模型为此请求生成的输出类型。大多数模型能够生成文本，这是默认值。某些模型也可以用于生成音频。-
spring.ai.dashscope.chat.options.audio音频生成的音频参数。当通过 modalities: audio 请求音频输出时必需。-
spring.ai.dashscope.chat.options.asrOptions自动语音识别（ASR）选项。-
spring.ai.dashscope.chat.options.ocrOptionsOCR（光学字符识别）选项。-
spring.ai.dashscope.chat.options.logprobs是否返回每个输出 token 的对数概率。-
spring.ai.dashscope.chat.options.topLogProbs返回每个输出 token 的 top logprobs 数量。-
spring.ai.dashscope.chat.options.translationOptions翻译选项。-
spring.ai.dashscope.chat.options.outputFormat输出格式。-
spring.ai.dashscope.chat.options.streamOptions流式选项。-
spring.ai.dashscope.chat.options.httpHeaders要添加到 chat completion 请求的可选 HTTP headers。-
spring.ai.dashscope.chat.options.toolNames按名称标识的工具列表，用于在单个 prompt 请求中启用 function calling。具有这些名称的工具必须存在于 ToolCallback 注册表中。-
spring.ai.dashscope.chat.options.toolCallbacks要注册到 ChatModel 的 Tool Callbacks。-
spring.ai.dashscope.chat.options.internalToolExecutionEnabled如果为 false，Spring AI 不会在内部处理 tool calls，而是将它们代理到客户端。然后客户端负责处理 tool calls，将它们分派到适当的 function，并返回结果。如果为 true（默认值），Spring AI 将在内部处理 function calls。仅适用于支持 function calling 的 chat modelstrue

注意： 您可以为 ChatModel 和 EmbeddingModel 实现覆盖通用的 spring.ai.dashscope.base-url 和 spring.ai.dashscope.api-key。 如果设置了 spring.ai.dashscope.chat.base-url 和 spring.ai.dashscope.chat.api-key 属性，则优先于通用属性。 如果您想对不同的模型和不同的模型端点使用不同的 DashScope 账户，这很有用。

提示： 所有前缀为 spring.ai.dashscope.chat.options 的属性都可以通过在 Prompt 调用中添加请求特定的 chat-options 在运行时覆盖。

Runtime Options [[chat-options]]​

DashScopeChatOptions.java 类提供模型配置，例如要使用的模型、temperature、top_p、top_k 等。

在启动时，可以使用 DashScopeChatModel(api, options) 构造函数或 spring.ai.dashscope.chat.options.* 属性来配置默认选项。

在运行时，您可以通过向 Prompt 调用添加新的、请求特定的选项来覆盖默认选项。 例如，要覆盖特定请求的默认模型和 temperature：

ChatResponse response = chatModel.call(
    new Prompt(
        "Generate the names of 5 famous pirates.",
        DashScopeChatOptions.builder()
            .model("qwen-max")
            .temperature(0.4)
            .topP(0.7)
            .topK(50)
            .build()
    ));

提示： 除了模型特定的 DashScopeChatOptions 之外，您还可以使用可移植的 ChatOptions 实例，该实例使用 ChatOptions#builder() 创建。

Function Calling​

您可以将自定义 Java functions 注册到 DashScopeChatModel，并让 DashScope 模型智能地选择输出包含参数以调用一个或多个已注册 functions 的 JSON 对象。 这是一种将 LLM 功能与外部工具和 APIs 连接的强大技术。 了解更多关于 Tool Calling。

Multimodal​

Multimodality 是指模型同时理解和处理来自各种来源的信息的能力，包括文本、图像、音频和其他数据格式。 DashScope 支持文本、视觉、音频和视频输入模态。

Vision​

提供 vision multimodal 支持的 DashScope 模型包括 qwen-vl-plus、qwen-vl-max 等。 请参阅 DashScope 视觉模型文档 了解更多信息。

DashScope User Message API 可以在消息中包含 base64 编码的图像或图像 URL 列表。 Spring AI 的 Message 接口通过引入 Media 类型来促进 multimodal AI 模型。 此类型包含消息中媒体附件的数据和详细信息，使用 Spring 的 org.springframework.util.MimeType 和 org.springframework.core.io.Resource 来存储原始媒体数据。

以下代码示例说明了使用 qwen-vl-plus 模型将用户文本与图像融合：

var imageResource = new ClassPathResource("/multimodal.test.png");

var userMessage = new UserMessage("Explain what do you see on this picture?",
        new Media(MimeTypeUtils.IMAGE_PNG, imageResource));

ChatResponse response = chatModel.call(new Prompt(userMessage,
        DashScopeChatOptions.builder().model("qwen-vl-plus").build()));

或使用图像 URL 等效方式：

var userMessage = new UserMessage("Explain what do you see on this picture?",
        new Media(MimeTypeUtils.IMAGE_PNG,
                URI.create("https://docs.spring.io/spring-ai/reference/_images/multimodal.test.png")));

ChatResponse response = chatModel.call(new Prompt(userMessage,
        DashScopeChatOptions.builder().model("qwen-vl-plus").build()));

提示： 您也可以传递多个图像。

Video​

提供视频输入 multimodal 支持的 DashScope 模型包括支持视频理解的模型。 请参阅 DashScope 模型文档 了解更多信息。

DashScope User Message API 可以在消息中包含 base64 编码的视频文件列表。 Spring AI 的 Message 接口通过引入 Media 类型来促进 multimodal AI 模型。 此类型包含消息中媒体附件的数据和详细信息，使用 Spring 的 org.springframework.util.MimeType 和 org.springframework.core.io.Resource 来存储原始媒体数据。

以下代码示例说明了使用 DashScope 模型将用户文本与视频文件融合：

import com.alibaba.cloud.ai.dashscope.chat.MessageFormat;
import com.alibaba.cloud.ai.dashscope.common.DashScopeApiConstants;

var videoResource = new ClassPathResource("sample-video.mp4");

var userMessage = new UserMessage("What is happening in this video?",
        List.of(new Media(MimeTypeUtils.parseMimeType("video/mp4"), videoResource)));

// 设置消息格式为 VIDEO
userMessage.getMetadata().put(DashScopeApiConstants.MESSAGE_FORMAT, MessageFormat.VIDEO);

ChatResponse response = chatModel.call(new Prompt(List.of(userMessage),
        DashScopeChatOptions.builder().model("qwen-vl-max").build()));

提示： 您也可以传递多个视频文件。使用视频时，需要在消息的 metadata 中设置 MESSAGE_FORMAT 为 MessageFormat.VIDEO。

Audio​

提供音频输入 multimodal 支持的 DashScope 模型包括支持音频理解的模型。 请参阅 DashScope 模型文档 了解更多信息。

DashScope User Message API 可以在消息中包含 base64 编码的音频文件列表。 Spring AI 的 Message 接口通过引入 Media 类型来促进 multimodal AI 模型。 此类型包含消息中媒体附件的数据和详细信息，使用 Spring 的 org.springframework.util.MimeType 和 org.springframework.core.io.Resource 来存储原始媒体数据。

以下代码示例说明了使用 DashScope 模型将用户文本与音频文件融合：

import com.alibaba.cloud.ai.dashscope.chat.MessageFormat;
import com.alibaba.cloud.ai.dashscope.common.DashScopeApiConstants;

var audioResource = new ClassPathResource("speech1.mp3");

var userMessage = new UserMessage("What is this recording about?",
        List.of(new Media(MimeTypeUtils.parseMimeType("audio/mp3"), audioResource)));

// 设置消息格式为 AUDIO
userMessage.getMetadata().put(DashScopeApiConstants.MESSAGE_FORMAT, MessageFormat.AUDIO);

ChatResponse response = chatModel.call(new Prompt(List.of(userMessage),
        DashScopeChatOptions.builder().model("qwen-audio-turbo").build()));

提示： 您也可以传递多个音频文件。使用音频时，需要在消息的 metadata 中设置 MESSAGE_FORMAT 为 MessageFormat.AUDIO。

Sample Controller​

Create 一个新的 Spring Boot 项目，并将 spring-ai-alibaba-starter-dashscope 添加到您的 pom（或 gradle）依赖项中。

在 src/main/resources 目录下添加一个 application.properties 文件，以启用和配置 DashScope chat model：

spring.ai.dashscope.api-key=YOUR_API_KEY
spring.ai.dashscope.chat.options.model=qwen-plus
spring.ai.dashscope.chat.options.temperature=0.7

提示： 将 api-key 替换为您的 DashScope 凭据。

这将创建一个 DashScopeChatModel 实现，您可以将其注入到您的类中。 以下是一个简单的 @RestController 类的示例，它使用 chat model 进行文本生成。

@RestController
public class ChatController {

    private final ChatModel chatModel;

    @Autowired
    public ChatController(ChatModel chatModel) {
        this.chatModel = chatModel;
    }

    @GetMapping("/ai/generate")
    public Map<String,String> generate(@RequestParam(value = "message", defaultValue = "Tell me a joke") String message) {
        return Map.of("generation", this.chatModel.call(message));
    }

    @GetMapping("/ai/generateStream")
    public Flux<ChatResponse> generateStream(@RequestParam(value = "message", defaultValue = "Tell me a joke") String message) {
        Prompt prompt = new Prompt(new UserMessage(message));
        return this.chatModel.stream(prompt);
    }
}

Manual Configuration​

DashScopeChatModel 实现了 ChatModel 和 StreamingChatModel，并使用 low-level-api 连接到 DashScope 服务。

将 spring-ai-alibaba-dashscope 依赖项添加到项目的 Maven pom.xml 文件中：

<dependency>
    <groupId>com.alibaba.cloud.ai</groupId>
    <artifactId>spring-ai-alibaba-dashscope</artifactId>
</dependency>

或添加到您的 Gradle build.gradle 构建文件中。

dependencies {
    implementation 'com.alibaba.cloud.ai:spring-ai-alibaba-dashscope'
}

提示： 请参阅 Dependency Management 部分，将 Spring AI Alibaba BOM 添加到您的构建文件中。

接下来，创建一个 DashScopeChatModel 并将其用于文本生成：

var dashScopeApi = DashScopeApi.builder()
            .apiKey(System.getenv("AI_DASHSCOPE_API_KEY"))
            .build();
var dashScopeChatOptions = DashScopeChatOptions.builder()
            .model("qwen-plus")
            .temperature(0.4)
            .maxTokens(200)
            .build();
var chatModel = new DashScopeChatModel(dashScopeApi, dashScopeChatOptions, 
            toolCallingManager, retryTemplate, observationRegistry);

ChatResponse response = this.chatModel.call(
    new Prompt("Generate the names of 5 famous pirates."));

// Or with streaming responses
Flux<ChatResponse> response = this.chatModel.stream(
    new Prompt("Generate the names of 5 famous pirates."));

DashScopeChatOptions 提供 chat 请求的配置信息。 DashScopeApi.Builder 和 DashScopeChatOptions.Builder 分别是 API 客户端和 chat 配置的流畅选项构建器。

Low-level DashScopeApi Client [[low-level-api]]​

DashScopeApi 为 DashScope Chat API 提供轻量级 Java 客户端。

以下是如何以编程方式使用 API 的简单示例：

DashScopeApi dashScopeApi = DashScopeApi.builder()
            .apiKey(System.getenv("AI_DASHSCOPE_API_KEY"))
            .build();

ChatCompletionMessage chatCompletionMessage =
    new ChatCompletionMessage("Hello world", ChatCompletionMessage.Role.USER);

// Sync request
ResponseEntity<ChatCompletion> response = this.dashScopeApi.chatCompletionEntity(
    new ChatCompletionRequest("qwen-plus", 
        new ChatCompletionRequestInput(List.of(chatCompletionMessage)), 
        new ChatCompletionRequestParameter(), false, false));

// Streaming request
Flux<ChatCompletionChunk> streamResponse = this.dashScopeApi.chatCompletionStream(
        new ChatCompletionRequest("qwen-plus",
            new ChatCompletionRequestInput(List.of(chatCompletionMessage)),
            new ChatCompletionRequestParameter(), true, false));

请参阅 DashScopeApi.java 的 JavaDoc 了解更多信息。

API Key Management​

Spring AI Alibaba 通过 ApiKey 接口及其实现提供灵活的 API key 管理。默认实现 SimpleApiKey 适用于大多数用例，但您也可以为更复杂的场景创建自定义实现。

Default Configuration​

默认情况下，Spring Boot auto-configuration 将使用 spring.ai.dashscope.api-key 属性创建 API key bean：

spring.ai.dashscope.api-key=your-api-key-here

Custom API Key Configuration​

您可以使用构建器模式创建具有自己的 ApiKey 实现的 DashScopeApi 自定义实例：

ApiKey customApiKey = new ApiKey() {
    @Override
    public String getValue() {
        // Custom logic to retrieve API key
        return "your-api-key-here";
    }
};

DashScopeApi dashScopeApi = DashScopeApi.builder()
    .apiKey(customApiKey)
    .build();

// Create a chat model with the custom DashScopeApi instance
DashScopeChatModel chatModel = DashScopeChatModel.builder()
    .dashScopeApi(dashScopeApi)
    .build();

这在您需要以下情况时很有用：

  • 从安全密钥存储中检索 API key
  • 动态轮换 API keys
  • 实现自定义 API key 选择逻辑

Reasoning Content from Reasoning Models​

一些支持推理模型的 DashScope 模型（如 Qwen3 系列）通过启用 enable_thinking 参数可以公开模型的内部 chain of thought。 此字段包含模型用于得出最终答案的逐步推理过程。

Spring AI Alibaba 将此字段从 JSON 响应映射到 AssistantMessage metadata 中的 reasoningContent key。

Accessing Reasoning Content​

使用支持推理的模型时，您可以从响应 metadata 访问推理内容。

直接使用 ChatModel：

// Configure to use Qwen3 with thinking enabled
DashScopeChatOptions options = DashScopeChatOptions.builder()
    .model("qwen3")
    .enableThinking(true)
    .thinkingBudget(1000)
    .build();

ChatResponse response = chatModel.call(
    new Prompt("Which number is larger: 9.11 or 9.8?", options));

// Get the assistant message
AssistantMessage message = response.getResult().getOutput();

// Access the reasoning content from metadata
String reasoning = message.getMetadata().get("reasoningContent");
if (reasoning != null && !reasoning.isEmpty()) {
    System.out.println("Model's reasoning process:");
    System.out.println(reasoning);
}

// The final answer is in the regular content
System.out.println("\nFinal answer:");
System.out.println(message.getContent());

使用 ChatClient：

ChatClient chatClient = ChatClient.create(chatModel);

String result = chatClient.prompt()
    .user("Which number is larger: 9.11 or 9.8?")
    .call()
    .chatResponse()
    .getResult()
    .getOutput()
    .getContent();

// To access reasoning content with ChatClient, retrieve the full response
ChatResponse response = chatClient.prompt()
    .user("Which number is larger: 9.11 or 9.8?")
    .call()
    .chatResponse();

AssistantMessage message = response.getResult().getOutput();
String reasoning = message.getMetadata().get("reasoningContent");

Streaming Reasoning Content​

使用 streaming 响应时，推理内容像常规消息内容一样跨块累积：

DashScopeChatOptions options = DashScopeChatOptions.builder()
    .model("qwen3")
    .enableThinking(true)
    .thinkingBudget(1000)
    .build();

Flux<ChatResponse> responseFlux = chatModel.stream(
    new Prompt("Solve this logic puzzle...", options));

StringBuilder reasoning = new StringBuilder();
StringBuilder answer = new StringBuilder();

responseFlux.subscribe(chunk -> {
    AssistantMessage message = chunk.getResult().getOutput();

    // Accumulate reasoning if present
    String reasoningChunk = message.getMetadata().get("reasoningContent");
    if (reasoningChunk != null) {
        reasoning.append(reasoningChunk);
    }

    // Accumulate the final answer
    if (message.getContent() != null) {
        answer.append(message.getContent());
    }
});

注意： reasoningContent 的可用性完全取决于您使用的模型和是否启用了 enable_thinking 参数。 请始终参考 DashScope 模型文档以了解哪些模型支持推理功能。

Spring AI Alibaba 开源项目基于 Spring AI 构建，是阿里云通义系列模型及服务在 Java AI 应用开发领域的最佳实践，提供高层次的 AI API 抽象与云原生基础设施集成方案，帮助开发者快速构建 AI 应用。