JAVA AI 框架LangChain4j 入门教程

以下是一篇关于 LangChain4j 的入门使用教程，包含框架介绍和开发入门指南：

---

LangChain4j 入门教程

1. LangChain4j 简介

LangChain4j 是一个基于 Java 的轻量级框架，旨在简化大型语言模型（LLM）在 Java 应用中的集成。它借鉴了 Python 版 LangChain 的设计理念，提供了以下核心功能：

• 模型集成：支持 OpenAI、HuggingFace、本地模型（如 Ollama）等。
• 提示工程：通过模板化提示（Prompt Templates）优化与模型的交互。
• 链式调用：将多个步骤（模型调用、工具执行）组合成可复用的流程。
• 记忆管理：支持短期/长期记忆（如对话历史记录）。
• 数据增强：通过检索增强生成（RAG）扩展模型知识库。
• 工具扩展：允许自定义工具（如搜索、数据库查询）扩展模型能力。

适用场景：聊天机器人、文档问答、自动化数据处理等。

---

2. 环境准备

2.1 添加依赖

在 Maven 或 Gradle 项目中添加依赖：

Maven

<dependency>
    <groupId>dev.langchain4j</groupId>
    <artifactId>langchain4j-open-ai</artifactId>
    <version>0.29.0</version> <!-- 使用最新版本 -->
</dependency>

Gradle

implementation 'dev.langchain4j:langchain4j-open-ai:0.29.0'

2.2 获取 API 密钥

如需使用 OpenAI 等云服务，需注册并获取 API 密钥（示例中使用 OpenAI）。

---

3. 快速开始：Hello World

以下示例演示如何通过 OpenAI 生成文本：

import dev.langchain4j.model.openai.OpenAiChatModel;

public class HelloWorld {
    public static void main(String[] args) {
        // 初始化 OpenAI 模型（需设置环境变量 OPENAI_API_KEY）
        OpenAiChatModel model = OpenAiChatModel.builder()
                .modelName("gpt-3.5-turbo")
                .temperature(0.3)
                .build();

        // 发送提示并获取响应
        String response = model.generate("用一句话解释量子计算");
        System.out.println(response); // 输出：量子计算利用量子比特的叠加和纠缠特性，实现远超经典计算机的并行计算能力。
    }
}

---

4. 核心功能详解

4.1 提示模板（Prompt Templates）

通过模板动态生成提示，提高复用性：

import dev.langchain4j.model.openai.OpenAiChatModel;
import dev.langchain4j.model.output.Response;

public class PromptTemplateDemo {
    public static void main(String[] args) {
        OpenAiChatModel model = OpenAiChatModel.create();

        String template = "将以下文本翻译成{{language}}: {{text}}";
        String prompt = template
                .replace("{{language}}", "法语")
                .replace("{{text}}", "你好，世界！");

        Response<String> response = model.generate(prompt);
        System.out.println(response.content()); // 输出：Bonjour le monde !
    }
}

4.2 链（Chains）

将多个操作组合成链：

import dev.langchain4j.chain.ConversationalChain;
import dev.langchain4j.memory.ChatMemory;
import dev.langchain4j.memory.chat.TokenWindowChatMemory;

public class ChainDemo {
    public static void main(String[] args) {
        ChatMemory memory = TokenWindowChatMemory.withMaxTokens(500);
        ConversationalChain chain = ConversationalChain.builder()
                .chatLanguageModel(OpenAiChatModel.create())
                .chatMemory(memory)
                .build();

        String answer = chain.execute("爱因斯坦最著名的成就是什么？");
        System.out.println(answer); // 输出：相对论...
    }
}

4.3 记忆（Memory）

实现多轮对话记忆：

import dev.langchain4j.model.openai.OpenAiChatModel;
import dev.langchain4j.service.AiServices;
import dev.langchain4j.service.MemoryId;
import dev.langchain4j.service.UserMessage;

interface Assistant {
    String chat(@MemoryId String sessionId, @UserMessage String message);
}

public class MemoryDemo {
    public static void main(String[] args) {
        Assistant assistant = AiServices.builder(Assistant.class)
                .chatLanguageModel(OpenAiChatModel.create())
                .chatMemoryProvider(sessionId -> TokenWindowChatMemory.withMaxTokens(1000))
                .build();

        String sessionId = "user123";
        System.out.println(assistant.chat(sessionId, "我最喜欢的颜色是蓝色"));
        System.out.println(assistant.chat(sessionId, "我刚才说喜欢什么颜色？")); // 输出：您喜欢蓝色
    }
}

4.4 数据加载与检索增强（RAG）

从文档加载数据并增强回答：

import dev.langchain4j.data.document.Document;
import dev.langchain4j.data.document.parser.TextDocumentParser;
import dev.langchain4j.store.embedding.EmbeddingStore;
import dev.langchain4j.store.embedding.inmemory.InMemoryEmbeddingStore;

public class RAGDemo {
    public static void main(String[] args) {
        // 1. 加载文档
        Document document = Document.from(new File("knowledge.txt"), new TextDocumentParser());

        // 2. 分割文本块
        DocumentSplitter splitter = new DocumentByParagraphSplitter();
        List<TextSegment> segments = splitter.split(document);

        // 3. 生成嵌入并存储
        EmbeddingModel embeddingModel = new OpenAIEmbeddingModel();
        EmbeddingStore<TextSegment> store = new InMemoryEmbeddingStore<>();
        store.addAll(embeddingModel.embed(segments), segments);

        // 4. 构建问答链
        ConversationalRetrievalChain chain = ConversationalRetrievalChain.builder()
                .chatLanguageModel(OpenAiChatModel.create())
                .retriever(EmbeddingStoreRetriever.from(store, embeddingModel))
                .build();

        String answer = chain.execute("文档中提到的关键技术是什么？");
        System.out.println(answer);
    }
}

4.5 工具调用（Tools）

扩展模型能力（如调用天气 API）：

import dev.langchain4j.agent.tool.Tool;

class WeatherTools {
    @Tool("获取指定城市的当前温度")
    double getCurrentTemperature(String city) {
        // 调用真实 API（此处模拟）
        return 25.3;
    }
}

public class ToolDemo {
    public static void main(String[] args) {
        OpenAiChatModel model = OpenAiChatModel.builder()
                .tools(new WeatherTools())
                .build();

        String response = model.generate("上海现在的温度是多少？");
        System.out.println(response); // 输出：上海当前温度为25.3摄氏度
    }
}

---

5. 进阶指引

1. 本地模型 ：使用 langchain4j-ollama 集成本地模型（如 Llama3）
2. 评估与监控：集成 Prometheus 监控模型调用指标
3. 复杂链设计 ：通过 ConditionalChain 实现分支逻辑
4. 自定义输出解析 ：实现 OutputParser 处理非结构化响应

---

6. 注意事项

• API 密钥安全：通过环境变量或密钥管理工具存储
• 本地模型：需要部署本地推理服务（如 Ollama）
• 性能优化：合理设置超时时间与重试策略
• 错误处理 ：捕获 LangChain4jException 处理模型异常

---

通过本教程，您已掌握 LangChain4j 的核心概念和基础用法。接下来可以尝试：

1. 构建客户服务自动回复系统
2. 实现基于私有数据的文档问答机器人
3. 开发自动化数据分析工具

完整示例代码可参考 LangChain4j 官方 GitHub。