langchain4j

Flynn Liang5 天前
java·langchain·多智能体·supervisor·agentic·langchain4j
Agentic 工作流:子代理、Supervisor 与人工介入一句话结论:多 Agent 不是目的,用工作流把不确定性切成可管理的步骤 才是。能用确定性代码解决的,不要交给 Agent。
Flynn Liang5 天前
java·人工智能·大模型·langchain4j·llm 安全·prompt 注入·guardrail
LLM 应用安全:Prompt 注入、越权与输入输出护栏一句话结论:Prompt 注入无法靠“一句防御指令”解决;必须用 输入过滤 + 权限最小化 + 输出校验 + 审计 四层防御,并假设模型一定会被绕过。
Flynn Liang5 天前
java·langchain·可观测性·micrometer·langchain4j·token 成本·llm 监控
可观测性与成本治理:一次对话的 17 个观测点一句话结论:LLM 应用必须按 请求级 Trace + Token 级计量 + 业务级质量 三层观测;成本治理的核心是“可归因”,不是单纯换便宜模型。
Flynn Liang6 天前
langchain·rag·langchain4j·rerank·上下文工程·引用溯源
Rerank 与上下文工程:重排、压缩与引用溯源的收益边界一句话结论:Rerank 解决的是“排序”,不是“召回”。它的收益取决于初召回质量与候选集大小;上下文工程的核心不是“塞更多”,而是“放对位置、去掉噪声、可溯源”。
Flynn Liang7 天前
java·langchain·rag·评估·langchain4j·检索指标
RAG 评估体系:黄金集、检索指标与 LLM-as-Judge 落地一句话结论:RAG 优化必须拆成 检索评估 与 生成评估 两层;LLM-as-Judge 可用,但必须固定 rubric、校准偏差、保留人工抽检。没有评估,所有“优化”都是感觉。
Flynn Liang8 天前
java·人工智能·大模型·架构设计·spring ai·langchain4j·agentscope
同一需求三套写法:用 Spring AI、LangChain4j、AgentScope Java 各实现一个带工具调用的 RAG 助手(实战对比)📚 本文是「Java 大模型框架专题」系列第 5 篇(实战收尾篇)。全系列 5 篇,建议按序阅读:(发布后请把每行标题替换为对应文章的超链接,形成专题矩阵互导闭环)
Flynn Liang9 天前
java·langchain·源码分析·rag·langchain4j·aiservices
AiServices 源码级拆解:一个接口如何变成 RAG Agent一句话结论:AiServices 不是魔法,而是“动态代理 + 上下文装配 + 消息构建 + 输出解析”的运行时。理解装配顺序,才能定位 90% 的“工具不触发、结构化输出失败、记忆不生效”。
Flynn Liang9 天前
java·langchain·大模型·rag·ai agent·langchain4j
LangChain4j 1.23 架构全景:Java 大模型应用的 6 层抽象一句话结论:LangChain4j 1.23 的价值不在“帮你调通模型”,而在用 Model → Prompt → Memory → RAG → Tool → Agent 六层可替换抽象,把 LLM 应用从 Demo 带到可运维的生产系统。选型时先看团队约束,再看框架能力。
Flynn Liang9 天前
java·spring boot·langchain·rag·langchain4j
LangChain4j 生产级工程骨架:12 个模块 + Docker 一键启动一句话结论:单文件 Demo 的问题不是“代码少”,而是所有决策都被隐式写死。把模型、记忆、检索、工具、配置、观测拆成 12 个边界清晰的模块,并用 内存模式 保证零外部依赖启动;Docker 只是生产可选,不是开发前提。
Flynn Liang14 天前
java·大模型·架构设计·ai agent·spring ai·langchain4j·agentscope
AgentScope Java 深度解析:ReActAgent、HarnessAgent 与多智能体编排——JVM 上的自治 Agent 底座📚 本文是「Java 大模型框架专题」系列第 4 篇。全系列 5 篇,建议按序阅读:前两篇讲的 Spring AI 和 LangChain4j,解决的是"让一个 AI 完成一次对话/RAG/工具调用"。但真实的企业场景里,你会越来越频繁地遇到这类需求:研究、写作、评审、检索要由不同角色分工完成,且过程要可持久化、可人工介入、可沙箱隔离。这正是 AgentScope Java 的主场。
Deng桑15 天前
spring ai·langchain4j
LangChain4j写一次工具调用-SpringAI的另一副面孔选型篇的末尾说过,两个框架的差别都在工单循环外面,循环本身一模一样。纸上对比不过瘾,这篇把 LangChain4j 这边跑通,同一个查天气的工单换个框架实现,差别落在哪一眼可见。跑完两个框架的 demo,选型时那三道判断题就不再是背下来的,而是亲手试过的。
七夜zippoe18 天前
java·人工智能·spring·ai·langchain4j
LangChain4j vs Spring AI:Java AI 框架怎么选(对比表)本文是《Java 后端 + AI 落地(Spring AI 主线)》系列第 6 篇。前五篇一路用的都是 Spring AI,但有一个问题一直没有正面回答:如果这个选择本身就是错的,前面五篇的收益都要打折。 这篇不讲"哪个框架更强"——2026 年它们都能做聊天、工具调用、RAG、流式、MCP,拿功能清单对比已经没有意义。这篇讲一件更实际的事:选型真正决定的是"它对你已有的运行时提出什么要求",以及"未来三年你跟不跟得上它的版本节奏"。 文中会把同一件需求(聊天 + 工具 + RAG)在两套框架里各写一遍,
lgcgkCQ19 天前
java·ai·agent·rag·spring ai·mcp·langchain4j
【AI 转型实战 1】SpringAI 入门:搭建基础大模型对话能力中文通常译为大语言模型,日常也常简称为大模型。不过严格来说,“大模型”的范围更宽一些——它还可以包括多模态大模型(如能处理图像、音频的模型),而 LLM 特指以文本(语言)为核心的大规模神经网络模型。
鱼宵1 个月前
数据库·redis·elasticsearch·langchain4j
LangChain4j 生产化改造:记忆落 Redis、向量落 ES,重启再也不丢作者:鱼宵 | LangChain4j 实战精通营 · 第 11 篇上一课我们攒出了企业客服"小星",前端能聊天、能查订单、还能拿知识库回答年假问题。那天我美滋滋地给同事演示,聊到一半手贱把服务重启了一下——结果再问"我刚才说我叫什么",它一脸懵:“您好,请问有什么可以帮您?”
鱼宵1 个月前
functioncalling·langchain4j·大模型工具调用
LangChain4j 工具调用:Function Calling 让模型动手查数据,多工具连调实测作者:鱼宵 | LangChain4j实战精通营 · 第 6 篇上周帮朋友排查一个客服机器人,问它"订单 1001 发货了没",它张口就来:"已发货,物流单号 SF88881234,预计明天送达。“我去后台一查,这订单压根不存在,单号是它现编的。这种"一本正经地胡说八道”,就是做 AI 应用最怕的幻觉。
鱼宵1 个月前
大数据·人工智能·机器学习·langchain4j
LangChain4j RAG 流水线:手写问答全流程,给 AI 开卷考试作者:鱼宵 | LangChain4j实战精通营 · 第 8 篇公司 HR 把一本 20 页的员工手册扔给你:“做个问答机器人吧,新人问年假怎么请,它照着手册答。“你直接接大模型问"年假怎么请”,它张口就来:“年假一般 10 天,提前一周申请。”——手册里明明写的是"满 1 年 5 天、提前 3 个工作日走 OA”。它记岔了,还一脸笃定。
鱼宵1 个月前
java·开发语言·json·langchain4j
LangChain4j 结构化输出:让模型吐出 Java 对象,JSON 不再手写解析作者:鱼宵 | LangChain4j实战精通营 · 第 3 篇前两课你拿到的回答都是 chatModel.chat(...) 返回的一段 String。聊天场景这没问题——用户看一段话就够了。但真实业务不是这么玩的:让你从一段简历自我介绍里抽出姓名、技能、年限,你要的是一个 Resume 对象好塞进数据库、传给下游接口,不是一段小作文。
云和数据.ChenGuang1 个月前
java·人工智能·java-ee·fastapi·springai·langchain4j
JAVAEE AI工程师路线图定位:Java后端 + AI应用落地,不是训练大模型算法岗,而是用Java做RAG、Agent、AI接口封装、AI业务系统、向量库集成,企业需求量最大的方向。 技术主线:JavaEE基础 → 云原生Java → AI应用开发 → RAG/Agent工程化 → 项目实战 → 面试
ZealSinger1 个月前
java·rag·ai智能体·langchain4j
LangChain4j用AiServices拼Tool写 LLM 应用时,最容易膨胀的是「手写消息列表 + 自己拼 tool call + 自己管会话」。LangChain4j 的 AiServices 换了个思路:先声明一个 Java 接口,再用 builder 把 ChatModel、记忆、工具、检索插进去,调用侧只剩一次方法调用。下面按官方 AiServices 教程与入门页落地四件事:接口与 builder、多用户 Memory、@Tool、以及把 RAG 做成按需 Tool。版本以文档示例的 langchain4j / langchain4j-op
my_styles2 个月前
ai·langchain4j
ai开发-langchain4j-进阶-05-提示词工程