一行Java代码打通所有大模型，免费Gemini实战智能酒店预订系统

banq
本文详解Java库simple openai，通过统一API对接OpenAI、Gemini等多模型，演示从单轮对话到多语言工具调用的完整开发流程，实现可落地的智能应用。

Java开发者速看！用 simple openai 一行代码对接所有大模型，谷歌Gemini也能免费跑！

在为每个大模型写一套独立的HTTP调用代码而焦头烂额？给你安利一个超级神器——simple openai！这不是OpenAI官方SDK，而是由社区驱动、Java开发者福音的统一客户端，不仅能对接OpenAI，还能无缝兼容谷歌Gemini、Vertex AI、Mistral、DeepSeek、Azure OpenAI、Anyscale等主流大模型平台！

更绝的是，它用一套API就能搞定所有厂商，真正做到“一次编码，多端通用”！而且——谷歌Gemini现在提供免费API额度，每天20次调用完全够你做原型验证、教学演示甚至轻量级生产！

带你从零上手，一步步打造支持多轮对话、工具调用、多语言响应的智能酒店预订助手，全是干货，建议收藏！

  

  
项目初始化：三行Maven依赖，开启多模型之旅

要开始这段神奇旅程，第一步超简单！打开你的pom.xml，加上这个依赖就行：

<dependencies>
    <dependency>
        <groupId>io.github.sashirestela</groupId>
        <artifactId>simple-openai</artifactId>
        <version>3.22.2</version>
    </dependency>
</dependencies>

注意！版本号3.22.2是截至2025年12月19日的最新稳定版，但AI世界日新月异，强烈建议你每次新建项目前都去Maven中央仓库查一下是否有更新。这个库的维护者非常活跃，经常紧跟各大模型厂商的API变更，保证你用的不是“过期接口”。加完依赖后，别急着写逻辑，先搞个API密钥！我们这次用谷歌Gemini，因为它免费！打开Google AI Studio，注册一个账号，几秒钟就能拿到GEMINI_API_KEY。拿到后，把它存到环境变量里，名字就叫GEMINI_API_KEY。怎么验证是否生效？在Java里加一行日志：

Logger logger = System.getLogger("simpleopenai");
logger.log(Level.INFO,
    "GEMINI_API_KEY configured: {0}",
    System.getenv("GEMINI_API_KEY") != null);

如果控制台打出“true”，恭喜你，第一道门槛过了！接下来建议你用curl手动测试一下Gemini的端点是否通，避免后面调试时怀疑人生——网络问题、区域限制、配额耗尽，都是常见坑点。

  
客户端封装：一行切换模型，告别厂商锁死

最聪明的做法，是把客户端初始化逻辑抽出来，做成一个通用工具类。这样，以后你想从Gemini换成OpenAI，或者Azure OpenAI，只需要改这一个地方！看下面这个Client类：

public final class Client {
    public static final Logger LOGGER = System.getLogger("simpleopenai");
    public static final String CHAT_MODEL = "gemini-2.5-flash";
    private Client() {
    }
    public static SimpleOpenAIGeminiGoogle getClient() {
        String apiKey = System.getenv("GEMINI_API_KEY");
        if (apiKey == null || apiKey.isBlank()) {
            throw new IllegalStateException("GEMINI_API_KEY is not set");
        }
        return SimpleOpenAIGeminiGoogle.builder()
            .apiKey(apiKey)
            .build();
    }
}

重点来了！在你的主代码里，永远用var声明客户端：

var client = Client.getClient();

为什么？因为SimpleOpenAIGeminiGoogle、SimpleOpenAI（对应OpenAI官方）、SimpleOpenAIMistral等，它们的公共方法签名几乎一模一样！比如都有chatCompletions().create()。这意味着，只要你的业务逻辑不依赖某家厂商的私有功能，整个应用就能在不同模型间无缝迁移。这种设计哲学，正是simple openai最强大的地方——它不是“又一个SDK”，而是“模型抽象层”。

  
第一个AI对话：三行代码让Gemini开口说话

现在，让我们测试最基本的单轮对话。你想问什么？比如：“推荐一个60字以内的日本周末旅行地”。代码长这样：

ChatRequest chatRequest = ChatRequest.builder()
    .model(Client.CHAT_MODEL)
    .message(UserMessage.of(
        "Suggest a weekend trip in Japan, no more than 60 words."
    ))
    .build();
CompletableFuture<Chat> chatFuture =
    client.chatCompletions().create(chatRequest);
Chat chat = chatFuture.join();
Client.LOGGER.log(Level.INFO, "Model reply: {0}", chat.firstContent());

运行后，你可能会看到类似这样的输出：“逃离东京，去箱根享受温泉周末！搭乘浪漫特快列车，入住传统日式旅馆，欣赏芦之湖美景，还能远眺富士山……”注意，模型返回的是Markdown格式，所以会有粗体、列表等标记，直接打印到控制台完全没问题。这一步虽然简单，但意义重大——它证明了你的环境、密钥、网络、依赖全部配通了！恭喜，你已经踏入AI应用开发的大门！

  
升级成聊天机器人：记住上下文，像真人一样对话

单轮对话太弱了，我们要做能记住聊天历史的AI！怎么做？很简单：用一个List存下所有对话记录。每次用户输入，就把新消息append进去，然后整段发给模型。看核心结构：

List<ChatMessage> history = new ArrayList<>();
history.add(SystemMessage.of(
    "You are a helpful travel assistant. Answer briefly."
    ));
try (Scanner scanner = new Scanner(System.in)) {
    while (true) {
        System.out.print("You: ");
        String input = scanner.nextLine();
        if ("exit".equalsIgnoreCase(input.trim())) break;
        history.add(UserMessage.of(input));
        ChatRequest.ChatRequestBuilder chatRequestBuilder = 
            ChatRequest.builder().model(Client.CHAT_MODEL);
        for (ChatMessage message : history) {
            chatRequestBuilder.message(message);
        }
        ChatRequest chatRequest = chatRequestBuilder.build();
        // 调用模型获取回复
        history.add(AssistantMessage.of(reply));
    }
}

关键技巧在于开头加一个SystemMessage（系统消息），它就像给AI“定人设”：“你是一个乐于助人的旅行助手，回答要简洁”。有了这个人设，模型就不会胡说八道，而是始终围绕旅行主题。你试试问“怎么从纽约去东京？”，它可能回“坐飞机”；再问“住哪？”，它回“酒店、青旅、民宿都行”。虽然简短，但逻辑连贯！这就是上下文记忆的力量。

  
流式输出：让AI“打字”像真人一样逐字出现

如果答案很长，比如让你写一篇150字的京都攻略，等模型全部生成完再一次性输出，用户体验会很差。这时候就要用“流式响应”！simple openai提供了createStream()方法，返回一个Stream，你可以逐块接收内容并实时打印：

CompletableFuture<Stream<Chat>> chatStreamFuture =
    client.chatCompletions().createStream(chatRequest);
Stream<Chat> chatStream = chatStreamFuture.join();
StringBuilder replyBuilder = new StringBuilder();
chatStream.forEach(chunk -> {
    String content = chunk.firstContent();
    replyBuilder.append(content);
    System.out.print(content);
});
String reply = replyBuilder.toString();

别忘了把SystemMessage改成“回答至少150字”，否则流式效果不明显。运行后，你会看到控制台一个字一个字地“打出来”，就像ChatGPT网页版那样！这种渐进式输出不仅提升体验，还能让用户在长回答中途打断（虽然本例没实现），非常实用。想象一下，你的Java后台服务正在实时向前端推送AI生成内容，是不是瞬间高大上了？

  
终极实战：让AI调用Java方法，打造多语言酒店预订系统

前面都是“嘴炮”，真正的AI应用必须能和内部系统交互！比如酒店预订——用户说“我要订东京酒店”，AI不能只给建议，而要查库存、算价格、生成订单。这就是“工具调用”（Tool Calling）的用武之地。simple openai用FunctionExecutor机制，把Java方法暴露给AI，让它像调用函数一样使用！

首先，我们搞个假库存：

this.inventory = new ArrayList<>(List.of(
    new Hotel("HTL-001", "樱花中央酒店", "东京", 170, 2),
    new Hotel("HTL-002", "浅草河畔旅馆", "东京", 130, 3),
    new Hotel("HTL-003", "新宿商务住宿", "东京", 110, 2),
    new Hotel("HTL-004", "祇园花园酒店", "京都", 160, 2),
    new Hotel("HTL-005", "京都车站广场", "京都", 120, 3),
    new Hotel("HTL-006", "道顿堀灯酒店", "大阪", 140, 2)
));

然后，把两个Java方法注册为AI可用的“工具”：

executor.enrollFunction(FunctionDef.builder()
    .name("search_hotels")
    .description("根据城市、入住日期、天数和人数搜索可用酒店")
    .functionalClass(SearchHotels.class)
    .strict(Boolean.TRUE)
    .build());
executor.enrollFunction(FunctionDef.builder()
    .name("create_booking")
    .description("根据酒店ID、入住日期等信息创建预订")
    .functionalClass(CreateBooking.class)
    .strict(Boolean.TRUE)
    .build());

注意：functionalClass指向的类必须实现Functional接口，其字段会自动转为JSON Schema，AI就知道怎么传参了。比如search_hotels需要{"city":"东京","checkIn":"2026-01-10","nights":7,"guests":2}。

主循环里，每次收到模型回复，都要检查是否有toolCalls：

for (ToolCall toolCall : toolCalls) {
    Object result = functionExecutor.execute(toolCall.getFunction());
    history.add(ToolMessage.of(toJson(result), toolCall.getId()));
}

把执行结果以ToolMessage形式塞回对话历史，再发给模型，它就能基于真实数据继续对话！比如用户说“订樱花中央酒店”，AI会调create_booking，拿到Booking ID后回复“您的预订已确认，编号BK-1DE60AFC”——这才是真正的智能应用！

  
多语言支持？小菜一碟！用户用中文提问，AI用中文回答

最惊艳的是，整个系统天然支持多语言！你只需在SystemMessage末尾加一句：“用用户相同的语言回复”。然后，无论用户用中文、日语还是西班牙语提问，AI都会用对应语言回答，而背后的工具调用逻辑完全不变！我们测试过：

用户：“请找2026年1月10日东京的酒店，住7晚，2人。”
→ AI调用search_hotels，返回酒店列表
→ 用户：“我要订樱花中央酒店。”
→ AI追问：“您的全名是？”
→ 用户：“张三”
→ AI调用create_booking，返回确认信息

全程中文交互，但工具参数仍是英文JSON，内部系统无需改动！这种“前端语言自由，后端结构统一”的架构，正是企业级AI应用的核心要求。simple openai通过标准OpenAI协议实现这一点，再次证明其设计之精妙。

  
为什么simple openai是Java AI集成的未来？

总结一下，simple openai解决了三大痛点：
一是厂商锁定，一套代码适配多家模型；
二是功能全面，聊天、工具调用、视觉、嵌入、结构化输出全支持；
三是工程友好，强类型、CompletableFuture异步、流式处理，完全符合Java开发者习惯。

尤其在当前AI生态碎片化的背景下，这种“抽象层”思维至关重要。未来，随着更多模型支持OpenAI兼容API，simple openai的价值只会越来越大。