LangChain4j:Java 生态的 AI 应用开发利器

1. 引言

随着大语言模型(LLM)的快速发展,越来越多的开发者希望在自己的应用中集成 AI 能力。然而,直接调用模型 API 往往需要处理提示词拼接、上下文管理、工具调用、输出解析等一系列繁琐细节。LangChain4j 正是为解决这些问题而诞生的 Java 生态 AI 应用开发框架,它借鉴了 LangChain 的设计理念,并针对 Java 和 Android 开发者进行了深度优化。

2. 什么是 LangChain4j

LangChain4j 是一个开源的 Java 框架,旨在简化大语言模型驱动的应用开发。它提供了一套统一的抽象层,让开发者可以用简洁的代码完成模型调用、提示词管理、记忆存储、文档检索、工具调用等常见任务,从而把精力集中在业务逻辑上。

3. 核心特性

LangChain4j 的核心特性可以概括为以下几个方面:

  • 统一模型抽象:支持 OpenAI、Google Gemini、Anthropic Claude、Ollama 本地模型等多种主流 LLM 提供商,切换模型只需修改配置。
  • 提示词模板:内置灵活的提示词模板引擎,支持变量插值和条件逻辑,方便复用和动态生成提示词。
  • 对话记忆管理:提供内存、数据库等多种持久化方案,自动维护多轮对话的上下文。
  • 文档切分与检索:内置文本切分器和向量存储抽象,可快速搭建基于 RAG(检索增强生成)的知识库问答应用。
  • AI 服务接口:通过注解定义接口,框架自动完成模型调用、参数绑定和结果映射,代码极其简洁。
  • 工具调用:支持让模型调用 Java 方法,实现与外部系统、数据库、API 的交互。

4. 快速上手

下面通过一个最简单的示例,演示如何使用 LangChain4j 调用 OpenAI 模型完成文本生成。首先在项目中引入依赖:

xml 复制代码
<dependency>
    <groupId>dev.langchain4j</groupId>
    <artifactId>langchain4j</artifactId>
    <version>0.35.0</version>
</dependency>
<dependency>
    <groupId>dev.langchain4j</groupId>
    <artifactId>langchain4j-open-ai</artifactId>
    <version>0.35.0</version>
</dependency>

然后编写核心调用代码:

java 复制代码
import dev.langchain4j.model.chat.ChatLanguageModel;
import dev.langchain4j.model.openai.OpenAiChatModel;

public class QuickStart {
    public static void main(String[] args) {
        ChatLanguageModel model = OpenAiChatModel.builder()
                .apiKey("your-api-key")
                .modelName("gpt-4o-mini")
                .build();

        String answer = model.generate("用一句话介绍 Java");
        System.out.println(answer);
    }
}

运行上述代码,即可在控制台看到模型生成的回答。可以看到,LangChain4j 将复杂的模型调用封装成了简单的方法调用,开发者无需关心 HTTP 请求、鉴权和流式解析等底层细节。

5. 构建 RAG 问答应用

RAG 是当前 AI 应用中最热门的模式之一,它通过检索外部知识库来增强模型的回答质量。LangChain4j 提供了完整的 RAG 支持,下面演示一个基于内存向量存储的简单问答流程。

java 复制代码
import dev.langchain4j.data.document.Document;
import dev.langchain4j.data.document.splitter.DocumentSplitters;
import dev.langchain4j.data.segment.TextSegment;
import dev.langchain4j.memory.chat.MessageWindowChatMemory;
import dev.langchain4j.model.embedding.AllMiniLmL6V2EmbeddingModel;
import dev.langchain4j.model.openai.OpenAiChatModel;
import dev.langchain4j.rag.content.retriever.EmbeddingStoreContentRetriever;
import dev.langchain4j.service.AiServices;
import dev.langchain4j.store.embedding.EmbeddingStore;
import dev.langchain4j.store.embedding.inmemory.InMemoryEmbeddingStore;

import java.util.List;

public class RagDemo {

    interface Assistant {
        String chat(String userMessage);
    }

    public static void main(String[] args) {
        // 1. 准备文档并切分
        Document document = Document.from("LangChain4j 是一个 Java 生态的 AI 应用开发框架......");
        List<TextSegment> segments = DocumentSplitters.recursive(300, 50).split(document);

        // 2. 构建向量存储并写入
        EmbeddingStore<TextSegment> store = new InMemoryEmbeddingStore<>();
        AllMiniLmL6V2EmbeddingModel embeddingModel = new AllMiniLmL6V2EmbeddingModel();
        for (TextSegment segment : segments) {
            store.add(embeddingModel.embed(segment.text()).content(), segment);
        }

        // 3. 组装 AI 服务
        Assistant assistant = AiServices.builder(Assistant.class)
                .chatLanguageModel(OpenAiChatModel.builder().apiKey("your-api-key").build())
                .chatMemory(MessageWindowChatMemory.withMaxMessages(10))
                .contentRetriever(EmbeddingStoreContentRetriever.builder()
                        .embeddingStore(store)
                        .embeddingModel(embeddingModel)
                        .build())
                .build();

        // 4. 提问
        String answer = assistant.chat("LangChain4j 有哪些核心特性?");
        System.out.println(answer);
    }
}

在这个示例中,我们通过 AiServices 定义了一个简单的接口,框架自动完成了文档检索、上下文注入和模型调用的全流程,代码非常简洁。

6. 总结

LangChain4j 为 Java 开发者打开了一扇通往 AI 应用开发的大门。它既保留了 LangChain 的灵活设计,又充分考虑了 Java 生态的工程实践,让开发者能够以较低的学习成本快速构建出功能完整的 LLM 应用。无论是简单的文本生成,还是复杂的 RAG 问答、Agent 工具调用,LangChain4j 都提供了开箱即用的支持。如果你正在使用 Java 技术栈,并希望拥抱大模型时代,LangChain4j 是一个非常值得关注的选择。

相关推荐
字节跳动视频云技术团队2 分钟前
接大模型别再自己配 Key、搭代理了,火山引擎 IGA Pages 一步搞定
人工智能
阿里云大数据AI技术25 分钟前
EMR Serverless StarRocks 产品介绍:从统一 OLAP 走向多模态分析与检索
人工智能
西西弗Sisyphus26 分钟前
C++ explicit 关键字工程实践
开发语言·c++
Forget the Dream1 小时前
Spring AI 2.0 系列(二):第一个 ChatClient——从注入到一次完整调用
java·人工智能·spring boot·ai·springai
郝学胜-神的一滴2 小时前
Effective Python 条款35:用类封装替代生成器异常注入
开发语言·人工智能·python·金融·pandas·scikit-learn·matplotlib
火山引擎开发者社区2 小时前
豆包工作,3 个月,800 万,20 亿
人工智能
Chuck.li2 小时前
AI 长篇创作工具选型:工作流对照与自测清单
人工智能·大模型·ai写作·网文作者·ai网文·豆包写作
aleimu2 小时前
Windows 11 右键打开 Cmder 2.0:从找不到菜单到默认使用 Cmder
前端·人工智能·后端
feixing_fx2 小时前
原始类型与引用类型:赋值时到底复制了什么
开发语言·前端·javascript·前端框架
wuyk5552 小时前
Python办公自动化-第02讲-Excel文件认知与四大库选型
开发语言·python·excel