Langchain4j的使用!Java实现对AI模型的使用!

已于 2025-03-19 16:19:50 修改
阅读量2.6k 收藏 49
点赞数 52
文章标签： 程序人生 intellij idea java langchain
于 2025-03-19 13:43:51 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/qq_51634430/article/details/146368523
版权

目录

一、 引言

二、介绍

三、LangChain4j的学习使用

(一) LangChain4j的初步了解

功能能力

(二) LangChain4j语言大模型使用

1. 支持openAI,DeepSeek,Qwen等,也支持本地模型的调用

2. 图片大模型

(三) SpringBoot项目中使用LangChain4j

1. 普通的使用

2. Stream流的使用

3. Chat Memory

4. function-call

5. 更高层次的抽象

6. RAG

7. 检索增强阶段

四、结尾

一、 引言

  • 所以 LangChain4j 就是一个通过抽象统一API、提供便捷可用的工具箱来简化 Java 应用程序集成LLMs的框架
  • LangChain4j 与 Spring AI 的宗旨基本一致，为简化 Java 应用快速接入 LLMs 而生，只是其各自侧重点、框架的能力有所不同而已。

二、介绍

记录本人对LangChain4j的学习使用,以及对AI模型的使用!

本文没有实现过程,只记录实现结果,和学习过程中的总结

LangChain4j官网 :LangChain4j | LangChain4j

三、LangChain4j的学习使用

(一) LangChain4j的初步了解

集成能力

功能能力

(二) LangChain4j语言大模型使用
1. 支持openAI,DeepSeek,Qwen等,也支持本地模型的调用

本地模型

2. 图片大模型

https://dashscope-result-sh.oss-cn-shanghai.aliyuncs.com/1d/20/20250318/eca8532e/d5dc6f27-faeb-4a5f-8642-36b7fc36da66-1.png?Expires=1742375527&OSSAccessKeyId=LTAI5tQZd8AEcZX6KZV4G8qL&Signature=BmQFVVLlN1AqGIznRLJAlmSFa2c%3D
(三) SpringBoot项目中使用LangChain4j
1. 普通的使用

2. Stream流的使用

在页面上的直观感受是AI在进行思考般对话

3. Chat Memory

普通对话不会保存上段对话的记忆

会话记忆保存

4. function-call

设置一个预设的场景"某个地区有多少个名字",当 对话中有触发的场景,走到方法中

5. 更高层次的抽象
  1. 可以预设语言模型的信息,充当助手的功能

  1. 当配合上function-call 可以实现一定的业务逻辑处理

6. RAG

检索增强生成(Retrieval-augmented Generation)对于基础大模型来说，他只具备通用信息，他的参数都是拿公网进行训练，并且有一定的时间延迟，无法得知一些具体业务数据和实时数据，这些数据往往在各种文件中（比如txt、word、html、数据库）

虽然function-call、SystemMessage可以用来解决一部分问题但是它只能少量，如果你要提供大量的业务领域信息，就需要给他外接一个知识库：

向量：向量通常用来做相似性搜索，比如语义的一维向量，可以表示词语或短语的语义相似性。例如，“你好”、"hello”和“见到你很高兴”可以通过一维向量来表示它们的语义接近程度。然而，对于更复杂的对象，比如小狗，无法仅通过一个维度来进行相似性搜索。这时，我们需要提取多个特征，如颜色、大小、品种等，将每个特征表示为向量的一个维度，从而形成一个多维向量。例如，一只棕色的小型泰迪犬可以表示为一个多维向量[棕色，小型，泰迪犬。如果需要检索见过更加精准，我们肯定还需要更多维度的向量，组成更多维度的空间，在多维向量空间中，相似性检索变得更加复杂。我们需要使用一些算法，如余弦相似度或欧几里得距离，来计算向量之间的相似性。向量数据库会帮我实现。

文本向量化

  1. 文本向量化分为两个阶段
    1. 数据嵌入阶段:将 文本信息 -->调用向量模型(Embedding) --> 转换为向量数据-->将向量数据存放在向量数据库中
    2. 数据检索阶段: 数据准备好之后 -->在用户提出问题后(退单操作)--> 由向量模型将问题向量化后-->在从向量数据库中查询相似性的信息-->将相似性的信息结合用户提问信息一起发送给LLM(大语言模型)-->LLM结合对话信息和相似向量数据,返回给用户数据!

知识库RAG演练

  1. 两个阶段: 数据嵌入阶段,数据使用阶段

解析器

TextDocumentParser来自 langchain4j模块的TextDocumentParser，它可以解析纯文本格式（e.g.TXT、HTML、MD等）的文件。

ApachePdfBoxDocumentParser 来自 langchain4j-document-parser-apache-pdfbox，它可以解析PDF文件

ApachePoiDocumentParser 来自 langchain4j-document-parser-apache-poi，可以解析 MS Office文件格式(e.g.DOC、DOCX、PPT、PPTX、XLS、XLSX等)

ApacheTikaDocumentParser来自 langchain4j-document-parser-apache-tika模块中，可以自动检测和解析几乎所有现有的文件格式

FileSystemDocumentLoader 来自dev.langchain4j.data.document.loader.FileSystemDocumentLoader,可以自动检测和解析几乎所有现有的文件格式

文本分割,对获取到的文本进行一定的分词处理

7. 检索增强阶段

当 RAG(本地知识库)中设置了某些信息的时候,在对话的时候出现一些词汇,会从本地知识库中进行检索

四、结尾

通过 LangChain4j的学习使用语言模型,加深了对于AI模型的了解,学习完成!

【大模型】SpringBoot整合LangChain4j实现RAG检索实战详解
congge
03-30 8318
SpringBoot整合LangChain4j实现RAG检索实战详解
1. LangChain4j 之入门基础(简单易学)
gorgor在码农
07-08 2429
不知道的朋友，可以看我一下两篇文章。
LangChain4j：利用AI新技术给Java应用赋能
VivianStark的博客
05-17 4784
LangChain用来构建具有LLM能力的应用框架，只有Python和Javascript版本，无Java版本。对于Java应用开发者很不友好，因此LangChain4j应用而生。LangChain4j利用LLM的强大功能增强你的Java应用，目标是简化将LLM功能集成到Java应用中的过程。官网地址：https://docs.langchain4j.dev/从官网描述可以看到它的特点和优势支持超过10个流行的LLM，包括OpenAI、ZhiPu、Qianfan等等。
【langchain4j系列教程-04】langchain4j实现流式输出
最新发布
双非二本自学到互联网公司的成长经历，有故事，有干货。
04-07 1430
LangChain4j的流式输出API为Java开发者提供了构建实时AI应用的强大工具。显著提升AI应用的响应速度和用户体验构建复杂的渐进式交互场景实现高效的大文本生成与处理流式输出技术正在重塑人机交互的方式，而LangChain4j让Java开发者能够轻松融入这一趋势，构建下一代智能应用。
Java开发者LLM实战——使用LangChain4j构建本地RAG系统
京东科技开发者
07-02 2674
RAG（Retrieval-Augmented Generation）的核心思想是：将传统的信息检索（IR）技术与现代的生成式大模型（如chatGPT）结合起来。具体来说，RAG模型在生成答案之前，会首先从一个大型的文档库或知识库中检索到若干条相关的文档片段。再将这些检索到的片段作为额外的上下文信息，输入到生成模型中，从而生成更为准确和信息丰富的文本。RAG的工作原理可以分为以下几个步骤：1.接收请求：首先，系统接收到用户的请求（例如提出一个问题）。2.信息****检索（R)
使用LangChain4J实现Agent与Tool调用
2401_85325397的博客
10-06 2157
有一个被称为“工具（tools）”或“函数调用（function calling）”的概念。它允许LLM在必要时调用一或多个由开发者定义的工具。工具可以是任何东西：网页搜索、外部API调用、或执行一段特定代码等。LLM本身无法实际调用这些工具；它们会在响应中表达出调用某个工具的意图（而不是直接生成文本）。我们开发者，则需要根据提供的参数来执行这些工具并报告工具执行结果。
LangChain4j系列：带你入门LangChain4j框架
2301_81940605的博客
07-05 9936
本文所有示例均在 langchain4j 0.31.0 版本之上进行，langchain4j也是在快速发展的阶段。
（三）LangChain4j模型分类和使用
qq_36955155的博客
04-17 1997
该模型的API比较简单，接受字符串作为输入并返回字符串作为输出，这种模型已经被ChatLanguageModel取代，所以LangChain4j中也不在扩展对LanguageModel的支持，在此处也不过多描述。
大模型与LangChain4j：Java环境下构建和优化AI应用的全方位指南
01-23
接着详述了基于Java的AI开发工具LangChain4j，强调它解决了Java开发者在AI领域的不足之处。通过具体实例展示了如何集成阿里巴巴百练等平台的模型以及如何实施流式响应、聊天记忆等功能。同时讨论了结构化输出和函数...
LangChain4j 从入门到放弃，java可以使用的 LLM 大模型 AI 框架（1）快速开始
TangBoBoa的博客
12-03 9737
随着人工智能（AI）技术的迅猛发展，越来越多的开发者开始关注 AI 应用的开发。然而，市场上主流的 AI 框架和工具（如 LangChain、PyTorch）大多仅支持 Python，这为 Java 开发者带来了工具不足和学习门槛较高的困扰。LangChain4j 是一个旨在简化将大型语言模型（LLM）集成到 Java 应用程序中的框架。统一的 API 接口。
LangChain4j 从入门到放弃，java可以使用的 LLM 大模型 AI 框架（2）LangChain4j 支持的 API 和消息类型
TangBoBoa的博客
12-06 1213
LanguageModels. 早期的简单 API，只接受 String 输入并返回 String 输出。此 API 已过时，未来将主要支持新的聊天 API（即 ChatLanguageModel）。 ChatLanguageModels 目前推荐使用的主要 API，支持更复杂的输入和输出。 接受单个或多个 ChatMessages 作为输入，并返回 AiMessage 作为输出。ChatMessage 通常包含文本，但某些 LLMs 还支持文本和Images 的混合。此类聊天模型的示例包括 OpenAI
Java对接AI大模型（一）【Langchain4j】
m0_65013257的博客
12-01 5074
随着AI大模型技术的升起,人们越来越感觉到生活上的便捷以及人机对话照进现实.什么是大模型呢?大模型（Large Model），通常是指参数量非常庞大的深度学习模型，特别是在自然语言处理（NLP）、计算机视觉（CV）等领域中，模型参数数量达到数十亿甚至数千亿的规模。为了弥补Java在AI领域的工具短板,现在市面上出现了几款针对Java的AI开发工具.
langchain4j实战：三种模型的使用（ChatLanguageModel、StreamingChatLanguageModel、ImageModel）
VivianStark的博客
05-17 3883
langchain4j版本用的是0.27.1，LLM大模型使用OpenAi本文主要介绍聊天对话、流式对话、文生图三种模式的使用，只需要两步就可以实现和LLM交互。
langchain4j初使用
LEICHUAN87的博客
10-25 1422
最近公司的AI项目有个新的需求：当向大模型提问时，大模型可能无法回答这个问题，领导感觉体验不好，打算引入搜索的功能，即在大模型回答不了问题的情况下，通过一些搜索引擎提供的api去搜索相关的答案返回给客户。目前比较流行的框架是langchain, 由于我们公司在调用模型时是利用大模型提供的rest api相关的文档通过Java的Httpclient去调用的，因此考虑引入python不太合适。这时，需要通过一些搜索引擎公司如百度、google等提供的搜索接口，去搜索互联网上的内容返回给客户，提高用户体验。
langchain4j基本使用方法（一）
qq_33999481的博客
03-25 1280
langchain4j入门基本使用方法，入门教程
LangChain4j: 基于Java的LLM集成库完全指南
gitblog_00107的博客
08-08 1516
LangChain4j: 基于Java的LLM集成库完全指南 项目地址:https://gitcode.com/gh_mirrors/la/langchain4j 项目介绍 LangChain4j 是一个专为Java开发者设计的库，它响应了2023年初ChatGPT带来的AI热潮，填补了Java领域在语言模型（LLM）集成工具上的空白。此项目灵感源于LangChain、Haystack、Llama...
LangChain4j 百炼大模型
02-14
### LangChain4j与百炼大规模预训练模型使用指南 #### 一、环境准备 为了能够顺利运行LangChain4j并加载百炼大模型，需先准备好Java开发环境以及必要的依赖库。确保已安装JDK版本8及以上，并配置好Maven作为项目构建工具。 #### 二、引入依赖项 在`pom.xml`文件中加入如下片段来添加LangChain4j及相关组件的支持： ```xml <dependencies> <!-- LangChain4j核心包 --> <dependency> <groupId>com.langchain</groupId> <artifactId>langchain-core</artifactId> <version>${latest.version}</version> </dependency> <!-- 百炼模型支持插件 --> <dependency> <groupId>baidu.ai</groupId> <artifactId>bailian-model-support</artifactId> <version>${bailian.model.support.version}</version> </dependency> </dependencies> ``` 此处`${latest.version}`和`${bailian.model.support.version}`应替换为实际可用的最新稳定版号[^1]。 #### 三、初始化设置 创建一个新的Java类，在其中完成基本框架搭建工作，包括但不限于实例化链式处理器对象、指定要使用的具体模型名称等操作。 ```java import com.langchain.core.ChainProcessor; import baidu.ai.bailian.BaiLianModel; public class Main { public static void main(String[] args){ ChainProcessor processor = new ChainProcessor(); // 加载特定的大规模预训练模型——这里假设选择了名为'百炼'的那个 BaiLianModel model = (BaiLianModel)processor.loadModel("bailian"); System.out.println("成功加载了百炼大模型！"); } } ``` 这段代码展示了如何通过LangChain4j API接口调用来获取所需的语言处理能力[^2]。 #### 四、执行预测任务 当一切就绪之后就可以编写具体的业务逻辑了，比如向模型输入一段文字然后接收其返回的结果。 ```java String inputText = "你好世界"; Map<String, Object> result = model.predict(inputText); // 输出解析后的响应数据 System.out.println(result); ``` 以上就是关于利用LangChain4j结合百度研发的百炼系列大型自然语言理解模型的一个简单入门教程示例。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值