前言
在人工智能技术迅猛发展的今天，大型语言模型(LLM)已成为推动技术创新的核心引擎。从ChatGPT到Gemini，从Claude到文心一言，这些强大的AI模型正在重塑我们与计算机交互的方式，也为开发者提供了前所未有的机遇。然而，如何将这些前沿技术真正落地到实际应用中，构建出真正智能、实用的AI代理(Agent)，仍是许多开发者面临的挑战。
Java作为企业级应用开发的主流语言，在全球拥有庞大的开发者生态和丰富的应用场景。LangChain4j正是连接Java世界与AI大模型的桥梁，它让Java开发者能够以熟悉的编程范式，轻松集成各种AI能力到现有系统中。无论是构建智能客服、文档分析工具，还是开发复杂的决策支持系统，LangChain4j都提供了简洁而强大的解决方案。
本文将从实战角度出发，系统介绍如何利用LangChain4j框架对接主流AI大模型，开发具备自主决策能力的智能体。我们将摒弃晦涩的理论说教，专注于可立即应用的实践知识，通过清晰的代码示例和架构设计，带您快速掌握AI智能体开发的核心要领。无论您是Java资深开发者，还是刚接触AI应用编程的新手，都能从本文中获得可直接复用的技术干货
为什么要开发智能体
AI 智能体（AI Agent）是一种能自主感知环境、制定决策并执行任务的智能系统。它基于大语言模型（LLM）构建，具备以下核心能力：
-
自主性：无需人工干预，可独立完成目标（如自动处理邮件、分析数据）。
-
记忆与学习：通过对话历史或外部存储（如向量数据库）积累知识，优化决策。
-
工具调用（Tool Use）：能调用 API、运行代码或操作外部系统（如搜索网页、发送消息）。
-
多步推理：拆解复杂任务，规划执行路径（如“订机票→查天气→推荐行程”）。
典型应用包括：
-
个人助手（如自动安排会议、整理文档）
-
企业自动化（如客服机器人、数据分析代理）
-
AI 协同系统（多个智能体分工合作，完成复杂流程）
智能体能 24/7 处理重复性任务（如客服问答、报表生成），比人工响应更快且成本更低。AI 智能体代表了 AI 应用的下一代范式，从“被动响应”转向“主动服务”。开发智能体不仅能解决现实问题，更是企业和开发者拥抱 AI 浪潮的必要选择。借助 Langchain4j 等工具，开发者可以高效构建适应不同场景的智能体，释放 AI 的真正潜力。
SpringAI和Langchain4j
随着大模型（LLM）应用开发的兴起，Java 生态中出现了多个集成 AI 能力的框架，其中 Spring AI 和 Langchain4j 是两个主要选择。两者都致力于简化 AI 集成，但在设计理念、灵活性和适用场景上存在显著差异
Spring AI 是 Spring 官方推出的 AI 集成框架，依托 Spring 生态，提供标准化的 API 来对接 OpenAI、Azure AI、Hugging Face 等大模型。它的主要特点包括：
- 深度集成 Spring：天然支持依赖注入、自动配置，适合 Spring Boot 项目。
- 标准化接口：提供统一的 ChatClient、EmbeddingClient 等抽象，便于切换不同模型供应商。
- 企业友好：与 Spring Security、Spring Data 等组件无缝协作，适合传统企业应用。
但 Spring AI 也存在一些局限性：
- 灵活性较低：高度封装，定制复杂 AI 流程（如 Agent、RAG）较困难。
- Java 专属：无法直接利用 Python 生态的 LangChain 工具链。
- 较新且依赖 Spring：非 Spring 项目集成成本较高。
Langchain4j 是 Java 版的 LangChain，旨在提供与 Python 生态对等的 AI 开发体验。相较于 Spring AI，它的优势包括：
-
更接近 Python LangChain，生态兼容性强,直接借鉴 LangChain 的核心概念（如 Chains、Agents、Tools），方便开发者跨语言复用知识。支持 RAG（检索增强生成）、智能体（Agent）、记忆管理等高级功能，适合复杂 AI 应用。
-
轻量级，不依赖 Spring可作为独立库集成到任何 Java/Kotlin 项目，适用于非 Spring 环境（如 Quarkus、Micronaut）。模块化设计，可按需引入组件，减少依赖膨胀。
-
更灵活的 AI 工作流控制,提供 ConversationMemory、ToolExecutor 等底层 API，方便定制复杂 AI 行为。支持本地模型（如 Ollama）和多种云模型（OpenAI、Gemini、Claude），切换成本低。
-
更活跃的社区和扩展性
由于 LangChain 在 AI 领域的广泛采用，Langchain4j 能更快跟进新功能（如多模态、Agent 编排）。支持自定义工具（Tools）和检索器（Retrievers），适合构建自主 AI 代理
选 Spring AI：适合 Spring 生态的简单 AI 集成（如聊天接口、文本嵌入）。选 Langchain4j：需要复杂 AI 代理（Agent）、RAG 或非 Spring 项目，或希望复用 Python LangChain 经验。总体而言，Langchain4j 在灵活性、功能丰富性和跨平台支持上更具优势，尤其适合需要深度定制 AI 能力的开发者。
Java集成LangChain4j
LangChain4j 官方文档 ： https://docs.langchain4j.dev/intro
1.搭建项目
搭建java工厂，导入LangChain4j的基础依赖,其中包括：langchain，SpringBoot,以及基础工具包
<parent>
<groupId>org.springframework.boot</groupId>
<artifactId>spring-boot-starter-parent</artifactId>
<version>3.4.0</version>
</parent>
<properties>
<maven.compiler.source>21</maven.compiler.source>
<maven.compiler.target>21</maven.compiler.target>
<project.build.sourceEncoding>UTF-8</project.build.sourceEncoding>
<junit.version>5.11.4</junit.version>
<langchain.version>1.0.0-beta1</langchain.version>
<hutool.version>5.8.34</hutool.version>
</properties>
<dependencyManagement>
<dependencies>
<dependency>
<groupId>dev.langchain4j</groupId>
<artifactId>langchain4j-community-bom</artifactId>
<version>${langchain.version}</version>
<type>pom</type>
<scope>import</scope>
</dependency>
</dependencies>
</dependencyManagement>
<dependencies>
<!-- 常用工具类 -->
<dependency>
<groupId>cn.hutool</groupId>
<artifactId>hutool-all</artifactId>
<version>${hutool.version}</version>
</dependency>
<dependency>
<groupId>org.projectlombok</groupId>
<artifactId>lombok</artifactId>
</dependency>
<dependency>
<groupId>org.springframework.boot</groupId>
<artifactId>spring-boot-starter-web</artifactId>
</dependency>
<!--<dependency>
<groupId>org.springframework.boot</groupId>
<artifactId>spring-boot-starter-jdbc</artifactId>
</dependency>-->
<!-- langchain4j 基础依赖 -->
<dependency>
<groupId>dev.langchain4j</groupId>
<artifactId>langchain4j</artifactId>
<version>${langchain.version}</version>
</dependency>
<!--通义千问-->
<dependency>
<groupId>dev.langchain4j</groupId>
<artifactId>langchain4j-community-dashscope-spring-boot-starter</artifactId>
</dependency>
<!--Ollama本地大模型-->
<dependency>
<groupId>dev.langchain4j</groupId>
<artifactId>langchain4j-ollama-spring-boot-starter</artifactId>
<version>${langchain.version}</version>
</dependency>
<!--互联网搜索API-->
<dependency>
<groupId>dev.langchain4j</groupId>
<artifactId>langchain4j-web-search-engine-searchapi</artifactId>
<version>${langchain.version}</version>
</dependency>
<!--RAG知识库-->
<dependency>
<groupId>dev.langchain4j</groupId>
<artifactId>langchain4j-easy-rag</artifactId>
<version>${langchain.version}</version>
</dependency>
<!--pgvector向量数据库-->
<dependency>
<groupId>dev.langchain4j</groupId>
<artifactId>langchain4j-pgvector</artifactId>
<version>${langchain.version}</version>
</dependency>
</dependencies>
<repositories>
<repository>
<id>Central Repository</id>
<url>https://repo1.maven.org/maven2/</url>
</repository>
</repositories>
下面对这些依赖做一些解释
- langchain4j ：langchain4j的基础依赖
- langchain4j-community-dashscope-spring-boot-starter ：用来对接阿里的灵积平台的依赖，主要是为了使用千问大模型
- langchain4j-ollama-spring-boot-starter ：用来对接本地大模型基础依赖
- langchain4j-web-search-engine-searchapi ：用来做互联网搜索的基础依赖
- langchain4j-easy-rag ：搭建RAG知识库的依赖
- langchain4j-pgvector ：向量数据库处理，用来搭建RAG知识库
2.配置大模型
在项目的 application.yaml 文件中配置大模型。我这里使用阿里的 千问 大模型，配置如下
langchain4j:
community:
dashscope: #通义千问
chat-model:
api-key: sk-你的key
#https://bailian.console.aliyun.com/?apiKey=1#/api-key
model-name: qwen-max-latest #模型名字
- api-key ： 你需要去阿里百练云平台配置一个秘钥 地址：https://bailian.console.aliyun.com/?apiKey=1#/api-key
- model-name ：去百练平台找自己想要的模型名字
3.开发对话智能体
当我们引入 langchain4j-community-dashscope ， 并在yml做了相关配置后，自动就会创建：QwenChatModel 模型对象，通过Spring的自动注入即可使用
/**
* @author admin 2025/3/27 9:02
*/
@RestController
@RequestMapping("/chat")
//构造器注入
@RequiredArgsConstructor
public class ChatController {
//注入千问大模型
private final QwenChatModel qwenChatModel;
/**
* 简单对话
*/
@RequestMapping("/low")
public String chat1(@RequestParam String message) {
return qwenChatModel.chat(message);
}
}
测试效果如下：
LangChain4j 对接Ollama本地模型
1.安装本地模型
首先需要在本地安装好Ollama，进入Ollama官网 ： https://www.ollama.com/ 找到 download ，根据自己的系统环境下载对应的Ollama安装包，我这里下载的是windows版本
下载好之后双击安装，安装好之后进入到ollama安装目录，使用命令提示符窗口运行命令下载模型比如：deepseek-v1:7b，根据硬件情况选择合适的模型，模型的版本可以在ollama官网查看：https://www.ollama.com/library/deepseek-r1
2.对接本地模型
通过ollama安装好本地模型后，接着需要在yml中配置ollama模型，配置如下
langchain4j:
ollama:
chat-model:
base-url: http://127.0.0.1:11434
model-name: qwen2:7b
- 11434 : 是本地模型的端口
- model-name: qwen2:7b ，这里使用的7b参数的模型
3.创建智能体
当我们引入了：langchain4j-ollama 依赖以及在yml配置了ollama后，默认就会创建OllamaChatModel 模型，直接注入使用即可，如下
@RestController
@RequestMapping("/chat")
@RequiredArgsConstructor
public class ChatController {
private final OllamaChatModel ollamaChatModel;
/**
* 本地模型
*/
@RequestMapping("/ollama")
public String ollama(@RequestParam String message) {
return ollamaChatModel.chat(message);
}
LangChain4j 高级API
LangChain4j 提供了2中编码方式，一种是偏向于更底层的低级API编码方式，这种方式编码会稍显复杂，另外一种是高级API编码方式，它的出现是为了简化大模型的使用，下面我们来试玩一下。
1.创建智能体接口
创建一个 interface ，提供一个对话方法，如下
public interface ChatAssistant {
/**
* 对话方法
* @param userMessage ：用户消息
* @return ：结果
*/
String chat(String userMessage);
2.创建Controller
然后通过AiServices工具来构建智能体，代码如下
private final QwenChatModel qwenChatModel;
/**
* 通过 AiService
*/
@RequestMapping("/hig")
public String chat2(@RequestParam String message) {
return AiServices.builder(ChatAssistant.class).chatLanguageModel(qwenChatModel).build().chat(message);
}
当然：你现在觉得通过 AiServices构建智能体稍显复杂，但是随着智能体的功能越来越多，通过高级API的编码方式确实会简单不少。如果将 langchain4j和SpringBoot集成将会更加简单。
为了让代码更加规范，我们可以把 AiServices.builder 构建智能体的代码封装到Config中如下
/**
* @author admin 2025/3/28 9:14
*/
@RequiredArgsConstructor
@Configuration
public class AssistantConfig {
/**
* 创建智能体
* @param qwenChatModel ：大模型
*/
@Bean
public ChatAssistant chatAssistant(QwenChatModel qwenChatModel){
return AiServices.builder(ChatAssistant.class)
.chatLanguageModel(qwenChatModel)
.build();
}
}
然后在Controller中注入 ChatAssistant chatAssistant 智能体调用 chat 方法即可。
总结
文章先写到这里，本篇文章介绍了 Langchain4j 和其重要性，然后通过Java程序集成Langchain4j实现大模型对接，分别对接了千问模型以及Ollama本地模型。以及Langchain4j 高级API的用法。当然Langchain4j 还有很多很多功能，我们期待下一章。喜欢的话请给个好评，你的鼓励是我最大的动力，点赞破10000,我就是头发掉光，也出下章。
扫一扫
1530
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
