JBoltAI_SpringBoot与DeepSeek R1内容解析指南（基于Ollama）

一、技术背景与核心挑战

在JBoltAI_SpringBoot集成DeepSeek R1大语言模型（LLM）的场景中，开发者常面临一个关键问题：如何区分模型生成的深度思考过程（如推理步骤、中间结论）与最终回答（如用户可见的结论性输出）？这种区分对日志审计、调试优化、多轮对话管理至关重要。例如，在医疗诊断系统中，需记录模型推导过程以备合规审查；在智能客服中，需将思考过程与最终建议分离以提升用户体验。

基于Ollama的本地化部署方案虽提供了模型运行的灵活性，但默认输出未明确标注内容类型，导致开发者需手动解析。本文将从技术架构、输出格式解析、SpringBoot集成策略三个层面，提供系统性解决方案。

二、DeepSeek R1输出结构解析

1. 输出格式特征

DeepSeek R1通过Ollama运行时，其输出通常包含两类信息：

• 思考过程（Thought Process）：模型内部推理的中间步骤，可能包含假设验证、数据检索、逻辑推导等。
• 最终回答（Final Answer）：面向用户的结论性内容，结构清晰且可直接使用。

典型输出示例（JSON格式）：

{
  "response": {
    "thoughts": [
      "Step 1: 理解问题，用户询问JBoltAI与SpringBoot的集成方式。",
      "Step 2: 检索知识库，确认JBoltAI基于SpringBoot的模块化设计。",
      "Step 3: 验证Ollama的API调用规范，确保模型参数正确传递。"
    ],
    "answer": "JBoltAI_SpringBoot通过封装Ollama的REST API，实现DeepSeek R1的本地化部署。开发者需在application.properties中配置ollama.host和model.name参数。"
  },
  "metadata": {
    "model": "deepseek-r1",
    "tokens": 128,
    "timestamp": "2024-03-15T10:30:00Z"
  }
}

2. 关键区分字段

• thoughts数组：明确标注思考步骤，每条记录包含序号、内容描述。
• answer字段：独立于思考过程的最终输出，通常为完整句子或段落。
• metadata：提供模型版本、token消耗等辅助信息，辅助验证输出完整性。

三、JBoltAI_SpringBoot集成方案

1. 配置Ollama客户端

在application.properties中配置Ollama服务地址：

ollama.host=http://localhost:11434
ollama.model=deepseek-r1
jbolt.ai.prompt-template=classpath:prompt_templates/deepseek_r1.txt

2. 自定义响应解析器

通过实现ResponseBodyAdvice接口，拦截并解析Ollama返回的JSON数据：

@ControllerAdvice
public class OllamaResponseAdvice implements ResponseBodyAdvice<Object> {
    @Override
    public boolean supports(MethodParameter returnType, Class<HttpMessageConverter<?>> converterType) {
        return returnType.getMethod().getDeclaringClass().isAnnotationPresent(RestController.class);
    }
    @Override
    public Object beforeBodyWrite(Object body, MethodParameter returnType, 
                                 MediaType selectedContentType, 
                                 Class<HttpMessageConverter<?>> selectedConverterType,
                                 ServerHttpRequest request, ServerHttpResponse response) {
        if (body instanceof Map && ((Map) body).containsKey("response")) {
            Map<String, Object> responseMap = (Map<String, Object>) body;
            Map<String, Object> responseData = (Map<String, Object>) responseMap.get("response");
            // 提取思考过程与最终回答
            List<String> thoughts = (List<String>) responseData.get("thoughts");
            String finalAnswer = (String) responseData.get("answer");
            // 封装为结构化对象
            return new OllamaParsedResponse(thoughts, finalAnswer, responseMap.get("metadata"));
        }
        return body;
    }
}
// 封装类
public class OllamaParsedResponse {
    private List<String> thoughts;
    private String finalAnswer;
    private Object metadata;
    // 构造方法、getter/setter省略
}

3. 多轮对话管理

在对话系统中，需维护思考过程的历史记录以支持上下文关联：

@Service
public class DialogManager {
    private final Map<String, List<String>> sessionThoughts = new ConcurrentHashMap<>();
    public void addThought(String sessionId, String thought) {
        sessionThoughts.computeIfAbsent(sessionId, k -> new ArrayList<>()).add(thought);
    }
    public List<String> getSessionThoughts(String sessionId) {
        return sessionThoughts.getOrDefault(sessionId, Collections.emptyList());
    }
    public void clearSession(String sessionId) {
        sessionThoughts.remove(sessionId);
    }
}

四、高级应用场景

1. 调试与日志记录

将思考过程与最终回答分离记录，便于问题定位：

@Aspect
@Component
public class OllamaLoggingAspect {
    private static final Logger logger = LoggerFactory.getLogger(OllamaLoggingAspect.class);
    @AfterReturning(pointcut = "execution(* com.example.ai.OllamaService.*(..))", 
                   returning = "result")
    public void logOllamaResponse(Object result) {
        if (result instanceof OllamaParsedResponse) {
            OllamaParsedResponse parsed = (OllamaParsedResponse) result;
            logger.debug("DeepSeek R1 Thoughts: {}", parsed.getThoughts());
            logger.info("DeepSeek R1 Final Answer: {}", parsed.getFinalAnswer());
        }
    }
}

2. 动态提示词调整

根据思考过程的复杂度，动态调整后续提示词：

public String generateDynamicPrompt(List<String> previousThoughts) {
    if (previousThoughts.size() > 3 && previousThoughts.stream()
        .anyMatch(t -> t.contains("不确定") || t.contains("矛盾"))) {
        return "请重新审视之前的推理步骤，优先解决矛盾点。";
    }
    return "继续推导，无需修改已有结论。";
}

五、最佳实践建议

1. 输出格式标准化：在Ollama的prompt模板中明确要求模型按{"thoughts": [...], "answer": "..."}格式输出。
2. 异步处理优化：对长思考过程采用WebSocket推送，避免HTTP超时。
3. 安全过滤：在返回最终回答前，通过Spring的@Valid注解或自定义过滤器检查敏感内容。
4. 性能监控：记录每次调用的token消耗与思考步骤数，优化模型参数（如temperature、top_p）。

六、总结

通过解析DeepSeek R1的输出结构、定制SpringBoot的响应处理逻辑，开发者可高效区分思考过程与最终回答。这一能力不仅提升了系统的可调试性，还为多轮对话、动态提示词生成等高级功能奠定了基础。实际项目中，建议结合Ollama的版本更新（如支持结构化输出的新特性）持续优化解析策略。