观看黑马课程进行总结，方便回忆
黑马程序员LangChain4j从入门到实战项目全套视频课程，涵盖LangChain4j+ollama+RAG，Java传统项目AI智能化升级_哔哩哔哩_bilibili
一、大模型api 传入与响应参数
二、LangChain4j
jdk要求17及以上！！！
必备依赖与格式：
传统方法：
引入工具类，更方便：
三、流式调用stream：
引入依赖
配置流式模型对象
切换接口返回值类型**Flux<String>，**service和control都改
指定streamingChatModel的模型
四、消息注解 @SystemMessage @UserMessage
@SystemMessage系统自我设定
可直接写，字多可放txt文件
@UserMessage用户设定
可和消息混合 只认**{{it}}** ，也可加**@V** 注解 自定义**{{}}**的内容
五、会话记忆
所有的会话，都先存储到后端的存储里，一起发给大模型
定义会话对象ChatMemory：
ChatMemory下分两个实现方案：TokenWindowsChatMemory和 MessageWindowChatMemory
配置会话对象：@AiService里装上ChatMemory
@V与@UserMessage配套使用
六、会话记忆隔离（串味问题）
两个会话主题不一样，发生了串味，混起来回答
解决方法： 每个会话有自己的memoryId ，例如上面ChatMemory的id（） 。设置一个会话容器，当用户发送会话1时，将会话1存入容器。当用户发送下一个会话，先去容器找，有就使用已有的，没有就新建会话
具体实现：
1、定义容器：get来看是否有id
2、配置容器：
3、给service添加memorId ，消息多了要写清楚是user 还是system
4、control接口的chat接口接收memoryId
七、重启后会话消失
store负责管理会话记录
在store中包含三种具体方法：
ChatMemoryStore靠以下两种方法实现：默认SingleSlot
SingleSlotChatMemoryStore内部**：通过List表存储Message**
**解决办法：**由于store重启会消失，因此将会话messages放在其他地方如Redis
会话记忆持久化（Redis）
redis配置就不赘述了，直接上memory操作
1、提供ChatMemoryStore实现类：对以下方法进行重写
新建RedisChatMemoryStore文件
重写：（注意加入@Repository将当前实现类交给容器）
2、将重写好的ChatMemoryStore方法交给MessWindowsChatMemory使用
八、RAG知识库（向量数据库）
原理：
检索增强生成，通过检索外部知识库来增强大模型的能力
在多维里也适用：
将文本进行切割片段，这些片段进入向量模型 生成向量Embeddings，最后一起存入向量数据库
用户的问题 先进向量模型生成向量，存入向量数据库，进行余弦相似度匹配，把相关的向量片段和会话一起发给大模型
操作1 ：构建向量数据库-操作对象
1、引入依赖
2、加载知识数据文档
3、构建向量数据库操作对象
4、把文档切割、向量化并存在向量数据库中
总结在下面：EmbeddingStore记得改名，依赖已内置，不能重名
操作2 ：构建向量数据库-检索对象
1、构建检索对象
检索对象store、结果数3个、最小余弦分数0.6
2、配置检索对象
九、RAG核心API
1、文档加载器
FileSystemDocumentLoader 根据本地磁盘绝对路径加载
ClassPathDocumentLoader 相对于类路径加载
UrlDocumentLoader 根据url路径加载
之前是ClassPathDocumentLoader，现在换成FileSystemDocumentLoader
2、文档解析器
解析加载器加载的内容，将非文本 变成纯文本
new一下替换就行
3、文档分割器
片段之间设置重叠内容，可设置字数。这样上个片段的结尾内容会添加到下个片段开头。
构建文本分割器：
使用文本分割器：
4、向量模型
把文档分割后的内容 、用户查询时输入的内容向量化
内置的向量模型比较拉胯，需要引入大厂的
配置
5、EmbeddingStore
操作向量数据库
给构建部分注入
给检索注入
十、Tools工具
