Langchain4j的使用!Java实现对AI模型的使用!

目录

一、 引言

二、介绍

三、LangChain4j的学习使用

(一) LangChain4j的初步了解

功能能力

(二) LangChain4j语言大模型使用

1. 支持openAI,DeepSeek,Qwen等,也支持本地模型的调用

2. 图片大模型

(三) SpringBoot项目中使用LangChain4j

1. 普通的使用

2. Stream流的使用

3. Chat Memory

4. function-call

5. 更高层次的抽象

6. RAG

7. 检索增强阶段

四、结尾

---

一、 引言

---

• 所以 LangChain4j 就是一个通过抽象统一API、提供便捷可用的工具箱来简化 Java 应用程序集成LLMs的框架
• LangChain4j 与 Spring AI 的宗旨基本一致，为简化 Java 应用快速接入 LLMs 而生，只是其各自侧重点、框架的能力有所不同而已。

二、介绍

记录本人对LangChain4j的学习使用,以及对AI模型的使用!

本文没有实现过程,只记录实现结果,和学习过程中的总结

LangChain4j官网 :LangChain4j | LangChain4j

三、LangChain4j的学习使用

(一) LangChain4j的初步了解

集成能力

• 集成 15+个 语言大模型 : Comparison Table of all supported Language Models | LangChain4j
• 集成 15+个 向量数据库 : Comparison table of all supported Embedding Stores | LangChain4j
• 集成 10+个 嵌入模型 : Embedding Models | LangChain4j
• 集成 5+ 个 图片大模型 : https://docs.langchain4j.dev/category/image-models/
• 集成 5+个 评分重排名模型 : Scoring (Reranking) Models | LangChain4j
• 集成 2个 代码执行引擎，支持动态函数调用(Function Calling) : Code Execution Engines | LangChain4j

功能能力

• 同步、流式聊天模式，支持多种格式化输出方法 : Response Streaming | LangChain4j
• 提示词模板、聊天记忆 : Chat Memory | LangChain4j
• 支持工具（函数调用 Function Calling）: Tools (Function Calling) | LangChain4j
• 更高层次的抽象 : AI Services | LangChain4j
• 支持检索增强生成技术 : https://docs.langchain4j.dev/tutorials/rag/

(二) LangChain4j语言大模型使用

1. 支持openAI,DeepSeek,Qwen等,也支持本地模型的调用

本地模型

2. 图片大模型

https://dashscope-result-sh.oss-cn-shanghai.aliyuncs.com/1d/20/20250318/eca8532e/d5dc6f27-faeb-4a5f-8642-36b7fc36da66-1.png?Expires=1742375527&OSSAccessKeyId=LTAI5tQZd8AEcZX6KZV4G8qL&Signature=BmQFVVLlN1AqGIznRLJAlmSFa2c%3D

(三) SpringBoot项目中使用LangChain4j

1. 普通的使用

2. Stream流的使用

在页面上的直观感受是AI在进行思考般对话

3. Chat Memory

普通对话不会保存上段对话的记忆

会话记忆保存

4. function-call

设置一个预设的场景"某个地区有多少个名字",当 对话中有触发的场景,走到方法中

5. 更高层次的抽象

1. 可以预设语言模型的信息,充当助手的功能

1. 当配合上function-call 可以实现一定的业务逻辑处理

6. RAG

检索增强生成(Retrieval-augmented Generation)对于基础大模型来说，他只具备通用信息，他的参数都是拿公网进行训练，并且有一定的时间延迟，无法得知一些具体业务数据和实时数据，这些数据往往在各种文件中（比如txt、word、html、数据库）

虽然function-call、SystemMessage可以用来解决一部分问题但是它只能少量，如果你要提供大量的业务领域信息，就需要给他外接一个知识库：

向量：向量通常用来做相似性搜索，比如语义的一维向量，可以表示词语或短语的语义相似性。例如，“你好”、"hello”和“见到你很高兴”可以通过一维向量来表示它们的语义接近程度。然而，对于更复杂的对象，比如小狗，无法仅通过一个维度来进行相似性搜索。这时，我们需要提取多个特征，如颜色、大小、品种等，将每个特征表示为向量的一个维度，从而形成一个多维向量。例如，一只棕色的小型泰迪犬可以表示为一个多维向量[棕色，小型，泰迪犬。如果需要检索见过更加精准，我们肯定还需要更多维度的向量，组成更多维度的空间，在多维向量空间中，相似性检索变得更加复杂。我们需要使用一些算法，如余弦相似度或欧几里得距离，来计算向量之间的相似性。向量数据库会帮我实现。

文本向量化

1. 文本向量化分为两个阶段

1. 1. 数据嵌入阶段:将 文本信息 -->调用向量模型(Embedding) --> 转换为向量数据-->将向量数据存放在向量数据库中
   2. 数据检索阶段: 数据准备好之后 -->在用户提出问题后(退单操作)--> 由向量模型将问题向量化后-->在从向量数据库中查询相似性的信息-->将相似性的信息结合用户提问信息一起发送给LLM(大语言模型)-->LLM结合对话信息和相似向量数据,返回给用户数据!

1. 

2. 

知识库RAG演练

1. 两个阶段: 数据嵌入阶段,数据使用阶段

2. 

解析器

TextDocumentParser来自 langchain4j模块的TextDocumentParser，它可以解析纯文本格式（e.g.TXT、HTML、MD等）的文件。

ApachePdfBoxDocumentParser 来自 langchain4j-document-parser-apache-pdfbox，它可以解析PDF文件

ApachePoiDocumentParser 来自 langchain4j-document-parser-apache-poi，可以解析 MS Office文件格式(e.g.DOC、DOCX、PPT、PPTX、XLS、XLSX等)

ApacheTikaDocumentParser来自 langchain4j-document-parser-apache-tika模块中，可以自动检测和解析几乎所有现有的文件格式

FileSystemDocumentLoader 来自dev.langchain4j.data.document.loader.FileSystemDocumentLoader,可以自动检测和解析几乎所有现有的文件格式

文本分割,对获取到的文本进行一定的分词处理

7. 检索增强阶段

当 RAG(本地知识库)中设置了某些信息的时候,在对话的时候出现一些词汇,会从本地知识库中进行检索

四、结尾

通过 LangChain4j的学习使用语言模型,加深了对于AI模型的了解,学习完成!