SpringBoot3 + LangChain4j + Redis 实现大模型多轮对话及工具调用

引言

在人工智能快速发展的当下，大语言模型（LLM）已成为构建智能应用的核心技术之一。LangChain4j 作为 Java 生态中领先的 LLM 应用开发框架，为开发者提供了强大的工具，助力构建基于大语言模型的各类应用。在 Java 领域，目前整合大语言模型的主流工具主要有 Spring AI 和 LangChain4j。许多 Java 开发者可能对 Spring AI 更为熟悉，但 LangChain4j 延续了 LangChain 框架的诸多优点，在 Java 中同样易于使用。

不过，当前网络上关于 LangChain4j 的整合教程较少，官方文档的粒度也不够细致，导致将其集成到现有项目中并非易事。为此，我计划编写一个系列教程，帮助大家快速地将大语言模型集成到自己的项目中。目前已实现了多轮对话和工具调用功能，接下来的短期目标是支持多模态能力和知识库系统。

项目概述

本项目实现了一个基于SpringBoot3的智能对话系统，具有以下核心特性：

• 流式响应：支持实时流式输出，提供更好的用户体验
• 多轮对话：基于Redis实现对话历史持久化
• 工具集成：支持自定义工具函数扩展AI能力
• 内存管理：智能的对话历史管理，避免上下文过长

技术栈

• SpringBoot 3.5.3：现代化的Java Web框架
• Java 21：使用最新的LTS版本
• LangChain4j 1.1.0-beta7：Java版LangChain框架
• Redis：用于对话历史持久化存储
• Lombok：简化Java代码编写

项目结构

src/main/java/com/fengzeng/langchain4j/
├── chat/
│   └── ChatController.java          # 聊天控制器
├── config/
│   ├── AssistantConfiguration.java  # AI助手配置
│   ├── PersistentChatMemoryStore.java # Redis持久化存储
│   └── RedisTemplateConfig.java    # Redis配置
├── service/
│   ├── Assistant.java              # 普通助手接口
│   └── StreamingAssistant.java     # 流式助手接口
├── tool/
│   └── AssistantTools.java         # 自定义工具
└── listener/
    └── MyChatModelListener.java    # 聊天模型监听器

核心实现

1. 依赖配置

首先在pom.xml中添加必要的依赖：

<dependencies>
    <!-- SpringBoot Web -->
    <dependency>
        <groupId>org.springframework.boot</groupId>
        <artifactId>spring-boot-starter-web</artifactId>
    </dependency>
    
    <!-- Redis支持 -->
    <dependency>
        <groupId>org.springframework.boot</groupId>
        <artifactId>spring-boot-starter-data-redis</artifactId>
    </dependency>
    
    <!-- LangChain4j核心 -->
    <dependency>
        <groupId>dev.langchain4j</groupId>
        <artifactId>langchain4j-spring-boot-starter</artifactId>
        <version>1.1.0-beta7</version>
    </dependency>
    
    <!-- OpenAI集成 -->
    <dependency>
        <groupId>dev.langchain4j</groupId>
        <artifactId>langchain4j-open-ai-spring-boot-starter</artifactId>
        <version>1.1.0-beta7</version>
    </dependency>
    
    <!-- 响应式支持 -->
    <dependency>
        <groupId>dev.langchain4j</groupId>
        <artifactId>langchain4j-reactor</artifactId>
        <version>1.1.0-beta7</version>
    </dependency>
</dependencies>

2. 应用配置

在application.yaml中配置OpenAI和Redis：

langchain4j:
  open-ai:
    streaming-chat-model:
      base-url: https://yunwu.ai/v1
      api-key: your-api-key
      model-name: gpt-4o-mini
      log-requests: true
      log-responses: true

spring:
  data:
    redis:
      host: 10.0.5.55
      port: 6379
      database: 1
      password: your-password

server:
  port: 8000

3. Redis配置

创建Redis模板配置类：

@Configuration
public class RedisTemplateConfig {
    
    @Bean
    public RedisTemplate<String, Object> redisTemplate(RedisConnectionFactory factory) {
        RedisTemplate<String, Object> template = new RedisTemplate<>();
        template.setConnectionFactory(factory);
        template.setKeySerializer(new StringRedisSerializer());
        template.setHashKeySerializer(new StringRedisSerializer());
        template.setValueSerializer(new StringRedisSerializer());
        template.setHashValueSerializer(new GenericJackson2JsonRedisSerializer());
        template.afterPropertiesSet();
        return template;
    }
}

4. 持久化聊天存储

实现基于Redis的聊天历史持久化：

@Component
@Slf4j
public class PersistentChatMemoryStore implements ChatMemoryStore {
    
    @Resource
    private RedisTemplate<String, Object> redisTemplate;
    
    @Override
    public List<ChatMessage> getMessages(Object memoryId) {
        Object raw = redisTemplate.opsForValue().get(String.valueOf(memoryId));
        if (raw == null) {
            // todo 从数据库中查询最近的历史消息记录
            return List.of(); // 返回空历史，表示是第一次对话
        }
        return messagesFromJson(raw.toString());
    }
    
    @Override
    public void updateMessages(Object memoryId, List<ChatMessage> messages) {
        String json = messagesToJson(messages);
        redisTemplate.opsForValue().set(String.valueOf(memoryId), json);
    }
    
    @Override
    public void deleteMessages(Object memoryId) {
        redisTemplate.delete(String.valueOf(memoryId));
    }
}

5. 流式助手接口

定义支持流式响应的AI助手：

@AiService
public interface StreamingAssistant {
    
    @SystemMessage("You are a helpful assistant")
    Flux<String> chat(@UserMessage String userMessage, @MemoryId int memoryId);
}

6. 自定义工具

扩展AI助手的能力：

@Component
public class AssistantTools {
    
    @Tool
    @Observed
    public String currentTime() {
        return LocalDateTime.now().toString();
    }
}

7. 聊天控制器

其实，核心步骤就在这里。由于引入了 langchain4j-starter 后，框架会根据配置文件中定义的 xxx-chat-model，自动为你注入对应的实例。因此，关键就在于如何正确获取 Assistant。官方文档给出的示例是直接通过注解注入 Assistant，但这种方式无法注入自定义的 memory（记忆）和 tools（工具），限制了更复杂场景的使用。

下面是一个通过显式方式构建 Assistant 的示例，并提供了一个简单的 REST API 接口：

@RestController
@RequestMapping("/api/v1/chat")
public class ChatController {
    
    @Resource
    private OpenAiStreamingChatModel openAiChatModel;
    
    @Resource
    PersistentChatMemoryStore chatMemoryStore;
    
    @Resource
    AssistantTools assistantTools;
    
    @GetMapping(value = "/chat", produces = TEXT_EVENT_STREAM_VALUE)
    public Flux<String> model(@RequestParam(value = "message", defaultValue = "Hello") String message,
                              @RequestParam(value = "memoryId") int memoryId) {
        
        StreamingAssistant assistant = getAssistant(memoryId);
        return assistant.chat(message, memoryId);
    }
    
    private StreamingAssistant getAssistant(int memoryId) {
        ChatMemoryProvider chatMemoryProvider = o -> MessageWindowChatMemory.builder()
                .id(memoryId)
                .maxMessages(10)
                .chatMemoryStore(chatMemoryStore)
                .build();
        
        return AiServices.builder(StreamingAssistant.class)
                .streamingChatModel(openAiChatModel)
                .chatMemoryProvider(chatMemoryProvider)
                .tools(assistantTools)
                .build();
    }
}

核心特性解析

1. 多轮对话支持

通过@MemoryId注解和Redis持久化存储，系统能够：

• 为每个用户会话分配唯一的memoryId
• 自动保存和恢复对话历史
• 支持最多10轮对话的上下文窗口

2. 流式响应

使用Flux<String>和TEXT_EVENT_STREAM_VALUE实现：

• 实时流式输出，提升用户体验
• 减少等待时间，提供即时反馈
• 支持长文本的渐进式显示

3. 工具集成

通过@Tool注解可以轻松扩展AI能力：

• 自定义工具函数
• 自动注入到AI助手中
• 支持复杂的业务逻辑

4. 内存管理

智能的对话历史管理：

• 自动限制上下文长度
• 防止token超限
• 保持对话的连贯性

使用示例

启动应用

mvn spring-boot:run

API调用

curl -N "http://localhost:8000/api/v1/chat/chat?message=你好&memoryId=123"

前端集成

const eventSource = new EventSource('/api/v1/chat/chat?message=你好&memoryId=123');
eventSource.onmessage = function(event) {
    console.log('收到流式响应:', event.data);
};

总结

本项目展示了如何使用SpringBoot3和LangChain4j构建现代化的AI对话系统。通过Redis实现持久化存储，结合流式响应和工具集成，为开发者提供了一个完整的解决方案。

项目特点：

• 简单易用：基于SpringBoot的熟悉开发模式
• 功能完整：支持多轮对话、流式响应、工具集成
• 可扩展性强：模块化设计，易于扩展新功能
• 生产就绪：包含完整的配置和部署方案

相关资源

• 项目地址(github)
• LangChain4j官方文档
• SpringBoot官方文档
• Redis命令手册