langchain4j框架学习

1. ChatModel：最核心的对话模型接口，负责接收用户消息，并返回 AI 的回复，是所有对话的基础。

2. 多模态 ：模型能处理的不只是文本，还包括图像等。通过不同类型的 Message（如 UserMessage）来封装这些输入内容。

3. 系统提示词 ：用来设定 AI 的角色、背景或规则。可以通过 Resource 引用外部的文本文件，然后放入 PromptTemplate 或消息工厂中，实现提示词与代码分离。

4. AI Service ：框架的精髓。通过反射和动态代理，你定义一个接口，框架就自动帮你生成实现。它不仅是方法扩展，还能让你的接口方法返回 String、AiMessage，甚至是自定义的 POJO 类（配合结构化输出），让调用 LLM 像调用本地方法一样优雅。

5. 对话记忆 ：实现多轮对话的基础。集成非常简洁，通过 ChatMemory 组件，它能自动获取聊天记录、添加新消息、拼接上下文，并记录 AI 的回复。支持滑动窗口、Token 截断等策略。

6. 结构化输出：把 LLM 生成的自由文本，转换成 Java 对象。有三种实现方式：

7. RAG 知识库：检索增强生成。在向 AI 提问前，先从外部知识库（如向量数据库）中，检索出与问题相关的文档片段，把这些片段和用户原始问题拼在一起，再发给 AI，让 AI 基于提供的知识来回答，有效减少模型"幻觉"。

8. 文档加载与切片：RAG 的上游环节。从 PDF、Word、网页等不同数据源加载文档，并按一定策略（如按段落、按字数）将长文档切分成适合向量化的小块（Chunks），以便后续检索。

9. 工具调用 ：让 AI 能调用外部函数或 API。用 @Tool 注解把 Java 方法暴露给模型，模型会在需要时自主决定调用哪个工具、传入什么参数，是连接 LLM 与外部世界的"手脚"。

10. MCP（模型上下文协议） ：一种标准化协议，目的是统一 AI 应用调用外部工具的方式。你可以通过 MCP Client 连接到一个 MCP Server ，从 Server 上发现并调用它提供的远程工具，解决了直接使用 @Tool 只能调用本地代码的局限。

11. 护轨：类似于拦截器或过滤器。可以在 AI 的输入或输出环节添加自定义逻辑，比如敏感词过滤、内容安全审核、格式校验等，为生产级应用提供安全保障。

12. 可观测性 ：通过监听器（如 ChatModelListener）对模型调用的全过程进行日志记录、性能监控和链路追踪，方便运行时调试和问题定位。

13. 流式输出 ：通过 TokenStream 或响应式流（Reactive Streams），将 AI 的回复一个字一个字地推送给前端，实现"打字机"效果，不用等完整结果生成，大幅提升用户体验。

14. Agent（智能代理） ：一个能够感知环境、自主规划、调用工具来完成复杂目标的实体。LangChain4j 支持构建单 Agent 和多 Agent 系统，最新的 @Agent 注解能大幅简化开发。未来还会推出可视化的工作流编排工具（类似 LangGraph4j）。

15. 链与工作流：将多个组件（如模型、提示词模板、记忆、工具）按照业务逻辑顺序链接起来，形成一个可执行的流水线，比如"检索 -> 增强 -> 生成"就是一个典型的 RAG 链。

16. 嵌入模型与向量存储：RAG 的基石。嵌入模型负责将文本转化成向量（数学表示），向量数据库（如 Milvus, Redis, Chroma）则负责存储和检索这些向量，实现语义搜索。

17. 框架生态集成 ：LangChain4j 可以与 Spring Boot、Quarkus、Micronaut 等主流 Java 框架无缝集成，让你在企业级项目中能像使用普通 Bean 一样使用 AI 组件。