【画江湖】langchain4j - Java1.8下spring boot集成ollama调用本地大模型之问道系列(第一问)

个人总结 - LangChain4j应用(完结) LangChain4j是一个旨在简化大语言模型(LLMs)与Java应用程序集成的框架。 主要介绍:Classification、Image Models、Spring Boot 集成、Logging、Observability、Integrations(集成) 阅读详情
AI摘要

随着AI大模型兴起,很多公司想在Java 8项目中集成AI功能,但不少AI工具和库已转向支持更高版本Java。本文提供解决方案,展示在Java 8环境下,用Spring Boot框架集成LangChain4j,并通过Ollama调用本地大模型,还介绍了环境准备、安装Ollama等步骤。

背景

随着 AI 大模型的兴起,许多公司希望在现有基于 Java 8 的项目中集成 AI 功能。然而,许多最新的 AI 工具和库(如:Spring AI LangChain4j)已经转向支持更高版本的 Java(如 JDK 17),这给希望在 Java 8 环境中工作的开发者带来了挑战。看网上很多都没有关于JDK8相关资料,本文将提供一个解决方案,展示如何在 Java 8 环境下,使用 Spring Boot 框架集成 LangChain4j,并通过 Ollama 调用本地大模型。

提示

好多框架现在都是基于JDK17的,如spring AI 、 LangChain4j 的 0.31.0 之后的版本将不在支持Java jdk1.8,由于AI版本的更新迭代比较频繁,这也意味着我们的项目也要紧跟时代的潮流基于17来开发。

1. 环境准备

确保你的开发环境已安装以下工具:
Java JDK 1.8:确保你的项目使用的是 Java 8。
Maven:用于项目依赖管理。
Spring Boot:用于构建应用程序。
Ollama:本地大模型服务。
deepseek-r1:1.5b:系统资源有限就按照这个模型了。

2. 安装 Ollama

首先,确保你已经安装了 Ollama。你可以从 Ollama 官网 下载并安装 Ollama。

下载并安装你选择的模型,例如 DeepSeek-r1:1.5b:

ollama run deepseek-r1:1.5b

我这window的系统 如下效果,安装我就不介绍了,大家都会。

在这里插入图片描述

3. 添加LangChain4j maven 依赖

	<dependency>
        <groupId>dev.langchain4j</groupId>
        <artifactId>langchain4j-core</artifactId>
        <version>0.31.0</version>
    </dependency>

    <dependency>
        <groupId>dev.langchain4j</groupId>
        <artifactId>langchain4j-ollama</artifactId>
        <version>0.31.0</version>
    </dependency>

这里我就省略了其他spring boot 相关依赖了

4. 给spring注入bean LangChain4j

@Configuration
public class LangChain4jConfig {

@Bean
public ChatLanguageModel chatLanguageModel() {
    return OllamaChatModel.builder()
            .baseUrl("http://localhost:11434")
            .modelName("deepseek-r1:1.5b")
            .build();
   }
}

http://localhost:11434 这是我们ollama的服务地址
deepseek-r1:1.5b 这是我们需要使用的模型
上面的这些你们自己可以写到springboot的核心配置文件里,我有点懒,就不了 只是演示下

4. 写一个Controller演示一下

@RestController
public class ChatController {
	 @Autowired
	 private ChatLanguageModel chatLanguageModel;

		@GetMapping("/chat")
		public String chat(@RequestParam(value = "message", defaultValue = "Hello") String message) {
		    return chatLanguageModel.generate(message);
		}
}

5. 演示效果

在这里插入图片描述

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 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。 阅读详情

相关推荐

【画江湖】LangChain4j - 在Java 8的Spring Boot项目中驯服Ollama本地大模型实战指南

本文详细介绍了如何在Java 8的Spring Boot项目中集成Ollama本地大模型,使用LangChain4j进行开发。通过环境搭建、关键代码实战和性能调优等步骤,帮助开发者克服版本兼容性等挑战,实现在传统系统中高效部署AI能力。特别适合金融、政务等需要离线运行和数据安全的场景。

weixin_28705087的博客 387

LangChain4j+JDK1.8实测有效!这套组合让 LLM 告别 “过期答案” !SearXNG 实时搜索 + Milvus 本地知识库 + LLM推理 RAG增强全拿捏

本文介绍了一个基于Java 1.8环境的RAG(检索增强生成)系统实现方案。项目使用SpringBoot 2.6.5框架,集成LangChain4j 0.35.0进行大语言模型交互,搭配SearXNG搜索引擎和Milvus向量数据库。文章详细列出了项目所需的Maven依赖配置,包括Spring、MyBatis-Plus、MySQL、LangChain4j组件等核心库。方案支持通过Ollama部署本地模型或使用阿里云等云服务,并提供了JDK17+用户的替代方案参考链接。项目实现了检索增强的智能问答功能。

小名同学 6万+

langchain4j初使用

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。

LEICHUAN87的博客 1795

适配java8版本的langchian4j实战

本文介绍了如何在Java 8环境下使用早期版本的LangChain4j(0.29.1)调用本地Ollama部署的大模型。主要内容包括:1)使用兼容Java 8的LangChain4j版本;2)配置Ollama本地模型服务;3)实现普通聊天和流式聊天两种交互方式;4)通过Redis存储聊天记录并实现对话记忆功能;5)前端采用SSE技术接收流式响应。文章提供了完整的配置代码示例,并对比了SSE与WebSocket的技术差异,为需要保持JDK8环境的项目提供了AI集成的解决方案。

一起交流,一起进步 3405

【破局之路】LangChain4j 0.31.0 + Java 8 + Spring Boot:在“过时”环境中成功调用本地Ollama大模型

本文为仍在使用Java 8和Spring Boot的开发者提供了一条切实可行的“破局之路”。通过锁定LangChain4j 0.31.0这一兼容版本,结合本地部署的Ollama大模型服务,无需升级JDK即可在老旧项目中成功集成AI能力。文章详细介绍了从环境准备、依赖配置到实战编码的完整流程,并提供了关键的避坑指南,帮助开发者在“过时”技术栈中快速实现本地大模型调用。

f6g7h8i9j的博客 630

jdk1.8升级jdk17

在安装好jdk后,配置jdk17的环境变量(将电脑上已经存在的jdk1.8配置删除掉),安装后的jdk17目录下,是没有jre文件夹的,因此在jdk-17当前目录下打开cmd终端,执行命令生成jre文件夹(配置系统环境变量需要用到jre)最近开发开发langchain4j功能时,要求jdk最低版本为17,所以针对当前电脑上的jdk1.8进行升级至jdk17.点击对应的Java SE17版本,跳转至下载页面,选择对应系统的jdk17即可。

litlit023的专栏 1365

SpringBoot集成AI:接入大模型框架 LangChain4j 详细教程

是一款专为 Java 开发者设计的框架,帮助开发者轻松接入各类大模型并进行自然语言处理。它封装了大模型的调用接口,能够与不同的语言模型进行集成。通过使用 LangChain4j,开发者可以快速构建复杂的自然语言应用,减少了很多底层集成的复杂性。本文详细介绍了如何使用SpringBoot集成并接入大模型,通过简单的几行代码,我们便可以构建强大的 AI 应用。通过合理利用 LangChain4j 的封装功能,可以在 Java 环境中快速搭建自然语言处理系统,提升应用智能化水平。

小蜗牛的珍贵百宝箱 3865

tcmalloc(高并发内存池)简化版讲解-项目

高清发不上去,私我发高清,项目完整代码@我。

2201_75352618的博客 911

接入大模型框架 LangChain4j 详细教程

什么是 LangChain4j?LangChain4j 是一款专为 Java 开发者设计的框架,帮助开发者轻松接入各类大模型并进行自然语言处理。它封装了大模型的调用接口,能够与不同的语言模型进行集成。通过使用 LangChain4j,开发者可以快速构建复杂的自然语言应用,减少了很多底层集成的复杂性。环境准备在开始集成之前,确保已经具备以下开发环境:JDK 1.8+Maven 或 Gradle 项目管理工具。

2401_85280106的博客 1544

基于Simulink的魔术公式轮胎动力学仿真

本篇博文主要用来记录汽车系统动力学课程的学习,仅供课程阶段参考,与实际工程应用还有较大距离。基于Simulink的魔术公式轮胎动力学仿真本实例主要有以下任务。1.建立魔术公式轮胎动力学仿真模型。2.绘制不同载荷下的轮胎纵向力—滑动率关系曲线。3.绘制不同载荷下的轮胎侧向力—侧偏角关系曲线。4.绘制不同载荷下的轮胎回正力矩—侧偏角关系曲线。提示:以下是本篇文章正文内容,下面案例可供参考。

shy_201992的博客 6941

HUMAnN 3.0 (alpha)安装及使用

文章目录简介安装数据库下载运行参考 简介 安装 conda install humann humann_test (~1 minute) 数据库下载 humann_databases --download chocophlan full /path/to/databases --update-config yes humann_databases --download uniref uniref90_diamond /path/to/databases --update-config yes humann_

dys的博客 9509

Spring Boot + 本地部署大模型实现:基于 Ollama 的集成实践

在当今的软件开发中,将大语言模型集成到本地应用中已经成为一种趋势。Spring Boot 作为 Java 开发中的一个流行框架,提供了强大的功能来构建和部署应用。本文将介绍如何在 Spring Boot 应用中集成本地部署的大模型,特别是通过 Ollama 这个工具来实现。

weixin_66924704的博客 449

elasticsearch-6.5.4集群部署(图文详细)及常见错误

目录 服务器规划 部署包下载 服务器初始化(所有节点都要操作) 内核参数修改 /etc/security/limits.conf修改 /etc/sysctl.conf文件修改 禁用selinux 关闭防火墙 创建es用户 安装jdk es部署 单节点(节点1)部署 部署包上传解压 配置文件修改 修改文件属组 部署包分发 单节点(节点2)部署 配置文件修改 修改文件属组 单节点(节点3)部署 配置文件修改 修改文件属组 启动ES集群 验证 单节点验证 查看集

夜灬狼丶 1978

LangChain4j 安装和配置指南

LangChain4j 安装和配置指南 【免费下载链接】langchain4j langchain4j - 一个Java库,旨在简化将AI/LLM(大型语言模型)能力集成到Java应用程序中。 项目地址: https://gitc...

gitblog_09055的博客 1374

C# 调用halcon中visualize_object_model_3d显示点云

3.1 判断线程是否为空,如果为空,则新创建,如果不为空,则中断线程,清空窗口后再次执行创建操作3.2 创建:调用show()方法实例化显示类的对象,传入显示参数,将线程testvisual 绑定 在 类对象的action方法上(此处action方法内部,只调用了visualize_object_model_3d算子)3.3 启动线程。

weixin_42362219的博客 1407

昇腾310B实战:FFmpeg硬件加速全流程解析与性能优化

本文详细解析了昇腾310B与FFmpeg硬件加速的全流程,包括环境配置、性能优化及常见问题排查。通过实战案例展示,昇腾310B在视频转码中性能提升可达6倍,同时降低功耗,特别适合多媒体处理和高性能计算场景。

m3n5b7v8c9x的博客 739

Java8+Spring Boot + Vue + Langchain4j 实现阿里云百炼平台 AI 流式对话对接

后端框架,用于处理与阿里云百炼平台的 API 对接与业务逻辑。Vue.js:前端框架,用于实现与用户的实时交互和流式数据展示。:Java 库,用于简化与文本生成模型的交互。阿里云百炼平台:为智能对话提供 NLP 模型和 API,支持流式对话功能。/***/"你是由小章鱼开发的AI智能助手,专注于高效、友好地帮助用户解决问题。","你的核心能力包括:问题解答、信息查询、任务协助、建议提供等。","当用户询问你的身份时,请明确回复:'我是由小章鱼开发的AI助手,很高兴为你服务!

qq_43257103的博客 2678

树莓派Bookworm系统避坑指南:3种方法解决pip install报错externally-managed-environment

本文详细解析树莓派Bookworm系统中pip install报错externally-managed-environment的成因,并提供三种实用解决方案:使用虚拟环境(venv)隔离项目依赖、通过pipx管理全局Python工具,以及理解风险后的系统安装方法。帮助开发者安全高效地管理Python环境,避免系统冲突。

android的专栏 768

【微服务】SpringBoot整合LangChain4j 操作AI大模型实战详解。

以OpenAI为例,在。以OpenAI为例,在。

Sir_0hkc的博客 386

大模型对齐的核心引擎:RLHF三阶段完整技术体系详解——从InstructGPT到ChatGPT与Claude 4.6的工程实践

RLHF从InstructGPT起步,经由ChatGPT、Claude系列的工程实践,已演变为现代大语言模型不可或缺的对齐基础设施。其三阶段流程——SFT构建基础能力基线,奖励模型将人类偏好编码为可微信号,PPO以KL约束驱动策略向偏好分布优化——构成了当代对齐技术的核心骨架。OpenAI的路线侧重于以海量人工标注和多目标奖励建模持续精细化RLHF流程,在规模与工程深度上持续推进;

nmdbbzcl的博客 1077

迈瑞BS系列全自动生化分析仪LIS协议接口手册(内含HL7和ASTM)

迈瑞BS系列全自动生化分析仪LIS协议接口手册,内含HL7和ASTM)

J-LangChain 入门

本项目是一个Java版的LangChain开发框架,旨在简化和加速各类大模型应用在Java平台的落地开发。它提供了一组实用的工具和类,使得开发人员能够更轻松地构建类似于LangChain的Java应用程序。

花千树的专栏 935

WINCC7.3破解文件

WINCC7.3硬件够破解文件,有需要的下载!WINCC7.3硬件够破解文件,有需要的下载!

Java 整合大模型之LangChain4j

LangChain是⼀个⼤模型的开发框架,使⽤ LangChain 框架,程序员可以更好的利⽤⼤模型的能⼒,⼤⼤提⾼编程效率。如果你是⼀个 Java 程序员,那么对 LangChain 最简单直观的理解就是, LangChain 是⼤模型领域的Spring。LangChain 不光提供了⼀整套快速接⼊各种开放⼤模型的⼯具,更重要的是,他集成了当今程序员使⽤⼤模型能⼒最好的⽅案。

2301_76761656的博客 2万+

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

IEM模型,地表粗糙度模拟

利用微波反演土壤水分时候,利用IEM模型可以实现对随机地表的模拟

Java程序员的AI之LangChain4j(一)从零到企业级AI开发

让JAVA程序员更快的理解AI接入的LangChain4j

qq1071643762的博客 1万+

LangChain4j实战之一:准备工作

《LangChain4j实战系列》是欣宸在AI应用领域的原创教程,面向Java开发者介绍如何将AI能力集成到微服务中,从本篇开始,欣宸将陪伴您一同学习AI应用开发

程序员欣宸的博客 1441

LangChain4j实战之二:极速开发体验

写一段最简单的代码体验LangChain4j的基本功能

程序员欣宸的博客 1346
上一篇: 【画江湖】Activity7 - BPMN的介绍之问道系列(第二问)
千|寻
博客等级 码龄14年 11粉丝 24原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
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