- 博客(264)
- 资源 (3)
- 收藏
- 关注
RSS订阅原创 Langchain4j 系列之十六 - MCP其它功能
本章讲述了MCP的其它功能，至此关于MCP的讲解就到此结束。下一章开始讲讲述RAG的用法Langchain4j 系列上一章：《
2026-01-08 09:34:38
792
原创 Langchain4j 系列之十五 - MCP源码解析
本章从底层源代码解析了Langchain4j 中是如何实现调用MCP服务，并分析了Stdio和Streamable HTTP不同协议的实现方式。相信通过这一章就基本上能够明白Langchain4j 调用MCP服务的基本原理。Langchain4j 除了实现标准协议的MCP Tools访问之外，还提供了Websocket协议、Resources、Prompt等其它功能，这些下一章再细讲。Langchain4j 系列上一章：《
2026-01-08 09:34:19
1187
原创 Langchain4j 系列之十四 - MCP入门
先来看看官方文档的定义：翻译过来就是：MCP 是一种开放协议，它规范了应用程序如何为大型语言模型提供上下文。可以把 MCP 想象成 AI 应用程序的 USB-C 接口。就像 USB-C 为您的设备连接各种外设和配件提供了标准化方式一样，MCP 也为 AI 模型连接不同的数据源和工具提供了标准化方式。上下文标准化不同的数据源和工具。1）工具对外提供服务统一化：解决不断增长的各式各样的工具，大模型可以直接接入，无需适配各种工具。
2026-01-07 09:16:00
857
原创 Langchain4j 系列之十三 - 工具调用（高级用法之二）
本章讲述了工具调用的高级用法，包括获得执行结果、动态调用、直接返回、错误处理。花了两章的时间讲了工具的高级用法，这些是因为在真正的生产环境都会用到。
2026-01-07 09:15:40
746
原创 Langchain4j 系列之十二 - 工具调用（高级用法之一）
本章讲述了使用AI Services的方式下工具调用的一些高级用法，包括参数传递、聊天记忆、并发执行，下一章将继续讲解工具调用其它高级用法Langchain4j 系列上一章：《
2026-01-06 09:13:03
1065
原创 Langchain4j 系列之十一 - 工具调用（AI Services）
1）首先看看tools()方法，在AiServices中有几个重载的tools()方法，其最底层都是调用来解析工具2）那继续进入类，看看是如何创建工具的。从下图可以看出，无论传入Map或者Object，都会最终被解析放入变量和，其中就是工具描述（这是给大模型的提示词用的），而则是工具执行器（这是根据大模型返回的结果调用工具）。（这一点在之前ChatModel手搓调用工具的示例中也可以看出一个大概）
2026-01-06 09:12:44
968
原创 Langchain4j 系列之十 - 工具调用（ChatModel）
在Langchain4j 中，工具的定义有两种方式，一种是基于ToolSpecification，一种是基于@Tool注解。以下是关于ToolSpecification的示例代码.name("getWeather") // 工具的名称，必须是唯一.description("Returns the weather forecast for a given city") // 工具的描述，这个辅助大模型知道工具的功能。
2026-01-05 09:06:55
733
原创 Langchain4j 系列之九 - 自定义聊天记忆
上一个系列讲了Spring AI得到反馈效果不错，有人私信我说这个和Langchain4j有什么区别。如果站在使用方面，都是基于Java的大模型应用研发的工具，本质上没太大区别。但是从细节层面来说还是有很多不同之处，所以索性借此机会，给大家分享一下Langchain4j框架。在本系列中会按照Spring AI系列的顺序来写Langchain4j，这样的好处是可以对比两者不同的细节。上一章讲了Langchain4j 的聊天记忆ChatMeory功能，同时分析了其底层原理。这一章通过自定义保留策略和自定义存储的
2026-01-05 09:06:35
653
原创 Langchain4j 系列之八 - 聊天记忆
聊天记忆就是将用户之前与大模型的对话过程，在问下一个问题的时候，也将这部分对话过程的记录扔给大语言模型，这样大语言模型就能知道之前谈论什么，不会导致没有上下文的情况下，大模型答非所问。聊天记录保留策略：由于大模型每次输入的token长度有限，因此用户不可能将之前所有的聊天记录都扔给大模型，因此用户必须有一个保留策略，可以是最近几条、也可以是提炼后的结果等等。Langchain4j 目前提供默认两种，一种是保留最近几条，一种是以token数量限制筛选最近几条。会话隔离。
2026-01-04 08:53:32
987
原创 Langchain4j 系列之七 - 结构化输出
本章讲述了如何让大模型结构化输出，可以看到AiServices提供了很方便的封装，不过由于不同大模型支持程度，目前这个标准化程度可能没有那么高。Langchain4j 系列上一章：《
2026-01-04 08:53:15
1242
原创 Langchain4j 系列之六 - 提示词
本章讲述了提示词以及提示词模版的使用，分别展现ChatModel和AiServices两种使用方式。这里还是看不出ChatModel和AiServices之间的不同。不过越后面就会知道Langchain4j 为用户基于AiServices提供很多内置方便应用功能。下一章继续Langchain4j 系列上一章：《
2025-12-31 13:44:19
852
原创 Langchain4j 系列之五 - 大模型参数和常用配置
本章讲述了如何设置调用大语言模型的参数和Langchain4j 为了开发过程中的常用配置。这些功能在AiServices中也一样有的，这里就不在多演示。下一章开始就进入大语言模型的常见应用功能，包括提示词、聊天记忆、工具、MCP等等。Langchain4j 系列上一章：《
2025-12-31 13:43:57
851
原创 Langchain4j 系列之四 - AI Services（流式模式）
本章讲述了AI Services的流式模式下的使用以及其底层原理。在这里就可以看到AI Services为了用户使用起来更方便，其封装了很多底层内容，让用户使用更少的编码，实现复杂功能。Langchain4j 系列上一章：《
2025-12-30 13:35:34
739
原创 Langchain4j 系列之二 - ChatModel和StreamingChatModel源码解析
本章详细讲述了Langchain4j的在ChatModel和StreamingChatModel下的底层代码原理，这部分其实对后面了解其它底层代码原理都有很好的帮助，希望可以细读，下一章将讲解Langchain4j的高层次API：AiServices。Langchain4j 系列上一章：《
2025-12-29 10:35:09
667
原创 Langchain4j 系列之一 - 开篇
本章讲述了Langchain4j的来源以及功能特性，并使用一个入门示例作为引子，让大家看看编写一个聊天对话是多么简单。接下来将进入Langchain4j的更高级使用。Langchain4j 系列下一章：《
2025-12-29 10:33:49
853
原创 Spring AI 系列之四十 - Spring AI Alibaba-集成百炼智能体
本章演示了如何使用Spring AI Alibaba集成百炼平台的智能体，这样对于实际应用开发来说是非常迅速的，这就是Spring AI Alibaba框架的优势之一。好了，本次对于Spring AI Alibaba的内容已经讲完了，虽然还有些内容没有讲到，但是相信你看文档也能够很快掌握。关于Spring AI的章节也就完整讲完了，本次系列就到此结束。Spring AI系列上一章：《
2025-08-08 15:51:35
1557
原创 Spring AI 系列之三十九 - Spring AI Alibaba-集成百炼知识库
本章演示了如何使用Spring AI Alibaba集成百炼平台的知识库，这样对于实际应用开发来说是非常迅速的，这就是Spring AI Alibaba框架的优势之一。下一章将讲如何集成百炼平台的线上智能体。Spring AI系列上一章：《
2025-08-08 15:49:47
1635
2
原创 Spring AI 系列之三十八 - Spring AI Alibaba-Tool Calling
本章讲解了Spring AI Alibaba的Tool Calling的生态，可以看出在Spring AI的基础上，Spring AI Alibaba扩展了很多插件，这样也是丰富了Spring AI的生态，对于java用户来说是一个很好的福音。Spring AI系列上一章：《
2025-08-07 08:33:36
1316
原创 Spring AI 系列之三十七 - Spring AI Alibaba-DocumentReader
本章讲解了Spring AI Alibaba的DocumentReader生态，可以看出在Spring AI的基础上，Spring AI Alibaba扩展了很多插件，这样也是丰富了Spring AI的生态，对于java用户来说是一个很好的福音。Spring AI系列上一章：《
2025-08-07 08:30:08
1341
原创 Spring AI 系列之三十六 - Spring AI Alibaba-nl2sql
本章通过讲解nl2sql使用方式，可以让用户便捷的搭建一个nl2sql智能体。但是nl2sql只能算是一个实现代码框架，还不能算是一个真正的智能体，
2025-08-05 16:02:55
2225
原创 Spring AI 系列之三十五 - Spring AI Alibaba-Graph框架之MCP
本章演示了Graph中如何访问MCP服务，可见其架构的可扩展性，在Spring AI Alibaba中有一个com.alibaba.cloud.ai.graph.node.McpNode的MCP访问节点实现，但是该节点只是一个固定MCP访问，即需要传入方法和参数，并没有配置大模型。如果你构建的Graph中只是简单调用MCP服务，则可以直接使用com.alibaba.cloud.ai.graph.node.McpNode节点。
2025-08-05 16:00:56
1917
原创 Spring AI 系列之三十四 - Spring AI Alibaba-Graph框架之并行执行
本章通过并行执行示例，演示了Graph的并行执行能力，并通过分析其底层原理，知道其通过ParallelNode实现最终的并行。下一章将继续讲Graph框架的另外一个功能MCP。Spring AI系列上一章：《
2025-08-04 10:18:02
1153
原创 Spring AI 系列之三十三 - Spring AI Alibaba-Graph框架之人类反馈
本章通过一个更为复杂的示例，演示了Spring AI Alibaba-Graph框架的强大之处，最后分析了Graph的底层原理，让用户可以了解Graph的工作方式，其中着重了解了中断机制以及NodeAction 和 EdgeAction 的作用。下一章还将继续探索Graph的其它功能。Spring AI系列上一章：《
2025-08-04 10:14:41
1507
原创 Spring AI 系列之三十二 - Spring AI Alibaba-Graph框架之入门
本章通过讲解Graph框架，初步认识构建一个工作流或者智能体的基本流程。这就是Spring AI Alibaba相对于Spring AI 的重要扩展之一。接下来几章，将展现Graph框架不同的节点和工作流，配合更复杂一点的功能，让你认识一下Spring AI Alibaba的Graph框架强大Spring AI系列上一章：《
2025-08-03 09:57:14
2134
原创 Spring AI 系列之三十一 - Spring AI Alibaba-基于Nacos的MCP
本章通过一个基于Nacos的MCP服务端和MCP客户端，演示了Spring AI Alibaba-基于Nacos的MCP实现方法，当然Spring AI Alibaba-基于Nacos的MCP是一种企业级的应用模式，详情可以参考。
2025-08-03 09:55:21
1953
2
原创 Spring AI 系列之三十 - Spring AI Alibaba-其它模型
通过本章演示不同类型大模型的使用，相信用户现在可以知道Spring AI Alibaba的价值。下一章继续讲解Spring AI Alibaba基于企业级应用实践的一个扩展点：基于Nacos的MCPSpring AI系列上一章：《
2025-08-01 10:05:41
1685
原创 Spring AI 系列之二十九 - Spring AI Alibaba-聊天记忆
本章演示了Spring AI Alibaba扩展的Redis存储，通过引入Spring AI Alibaba可以实现更多的存储类型。下一章将演示Spring AI Alibaba如何使用其它类型的大模型Spring AI系列上一章：《
2025-08-01 10:04:22
1523
原创 Spring AI 系列之二十八 - Spring AI Alibaba-基于Nacos的prompt模版
本章通过演示Spring AI Alibaba-基于Nacos的prompt模版，并简单解析了其实现原理。下一章将讲解Spring AI Alibaba对于聊天记忆的扩展。Spring AI系列上一章：《
2025-07-31 09:59:48
1552
原创 Spring AI 系列之二十七 - Spring AI Alibaba-入门
开源项目基于 Spring AI 构建，是阿里云通义系列模型及服务在 Java AI 应用开发领域的最佳实践，提供高层次的 AI API 抽象与云原生基础设施集成方案，帮助开发者快速构建 AI 应用。如果学了Spring AI，那么Spring AI Alibaba几乎零成本就可以上手，同时还可以使用其应用开发领域的最佳实践方法。其github地址其官方文档：基于 Spring AI Alibaba Graph 开发者可快速构建工作流、多智能体应用，无需关心流程编排、上下文记忆管理等底层实现。
2025-07-31 09:57:38
1919
2
原创 Spring AI 系列之二十六 - 可观测
本章讲解了Spring AI的可观测，其各个部分都有可观测的数据，当然Spring AI还提供可扩展性监测，这个就不做演示。至此，关于Spring AI部分就已经讲完了，但是对于很多中国的开发者来说，Spring AI的设计和偏向对于中国开发者来说不是很友好，因此下面还会讲一个Spring-AI-Alibaba框架，这个对中国的开发人员可能会比较关注。Spring AI系列上一章：《
2025-07-30 09:09:08
1418
原创 Spring AI 系列之二十五 - Evaluation模型评估
本章通过演示Spring AI框架中Evaluation模型评估模块，这在实际业务场景使用是非常有用的。下一章将讲解Spring AI 的最后一部分：可观测性。Spring AI系列上一章：《
2025-07-30 09:05:22
1322
原创 Spring AI 系列之二十四 - ModerationModel
本章讲述了什么是内容审核模型，并对Spring AI 中的ModerationModel相关类和接口进行讲解。最后通过使用Mistral模型演示了效果。看到有内容审核模型，有朋友可能会想到大模型经常出现幻觉，那么应该就有评估是否存在幻觉的测试，Spring AI也提供了Evaluation这样的模块实现模型评估测试，下一章将着重介绍这一部分的使用。Spring AI系列上一章：《
2025-07-24 16:10:50
1198
原创 Spring AI 系列之二十三 - AudioModels
本章讲了Spring AI的AudioModels音频模型，很遗憾由于目前音频的各个模型厂商还没有形成一个统一规范，因此Spring AI也没有做出太多封装，而且目前接入的只有一个Open-AI音频模型。不过相信后面会越来越好。Spring AI系列上一章：《
2025-07-24 16:07:32
1197
原创 Spring AI 系列之二十二 - ImageModel
本章介绍Spring AI的ImageModel，包括其源码、参数和返回值。同时也通过示例演示如何访问智谱的图像模型，可以看出Spring AI对于图像模型也是封装了一个非常简便的ImageModel，让用户无需关心底层的访问逻辑。下一章将继续讲非聊天大模型之音频大模型。Spring AI系列上一章：《
2025-07-23 15:49:59
1691
原创 Spring AI 系列之二十一 - EmbeddingModel
首先在人类社会中使用的文字、图片、音频、视频等数据，如何让大模型识别。计算机只会识别0和1，那么这时候要让计算机识别文字，就需要把所有文字进行编码，以中文为例比如00001代表男，00002代表女，这样每个字都有一个编码。虽然编码可以让计算机识别，但是还是有缺点的。最大的缺点就是文字之间是有一定的关联关系，也就是说每个字独立编码，那么机器是不理解文字之间的关系，为了解决这个问题，分词就出现了。为了解决文字之间的关系。这时候就有人想到使用Tokenizer 分词器。
2025-07-23 15:47:23
1663
原创 Spring AI 系列之二十 - Hugging Face 集成
本章说明了Hugging Face社区，并通过在其云端部署qwen模型。然后通过Spring AI的客户端进行访问。Hugging Face是一个大模型开发者绕不开的社区，所以要做大模型的朋友，可以多关注该网站。下一章开始，将进入Spring AI中集成非聊天大模型的讲解，比如embedding模型、图像模型等等Spring AI系列上一章：《
2025-07-22 15:20:57
1217
原创 Spring AI 系列之十九 - Ollama集成Deepseek
本章演示了如何使用Ollama部署大模型，并通过Spring AI进行访问。Ollama通过统一规范，让不同厂商的大模型统一化，这个对后续应用非常友好，因此现在很多人都喜欢使用该方式部署大模型，因此了解Ollama以及Spring AI 如何使用非常重要。下一章继续讨论如何使用huggingface部署大模型。
2025-07-22 15:16:31
914
原创 Spring AI 系列之十八 - ChatModel
本章通过解析ChatModel源码，并通过几个示例演示了不通过ChatClient的方式使用ChatModel。虽然一样可以实现，但是如果遇到如RAG、MCP等复杂场景，其使用便捷度就没有ChatClient那么高。ChatModel聊天大模型是比较规范和成熟的模型，因此在Spring AI中有很多不同厂商的实现，下两章将针对聊天大模型比较常用的2种部署模式进行讲解。Spring AI系列上一章：《[Spring AI 系列之十七 - ChatClient源码解析。
2025-07-21 15:07:21
1141
原创 Spring AI 系列之十七 - ChatClient源码解析
本章通过解析ChatClient的创建流程和底层源码，可以知道ChatClient其实是封装了一套基础调用聊天大模型的框架，其底层是通过ChatModel进行调用聊天大模型，而ChatModel就是Spring AI对不同厂商聊天大模型的一个抽象接口，各大厂商将在其基础上实现自己的ChatModel封装。而在上层之所以再次封装ChatClient的API是因为聊天大模型应用场景较为成熟，因此通过封装ChatClient来实现MCP、RAG等规范功能，方便用户使用。
2025-07-21 15:01:47
1331
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人