> ## Documentation Index > Fetch the complete documentation index at: https://ai-tutorials.langchat.cn/llms.txt > Use this file to discover all available pages before exploring further. # LangChain4j 简介 > 学习 LangChain4j 的 LangChain4j 简介 功能和特性 > 版权归属于 LangChat Team\ > 官网：[https://langchat.cn](https://langchat.cn) # 01 - LangChain4j 简介 ## 版本说明 本文档基于 **LangChain4j 1.10.0** 版本编写。 ## 学习目标 通过本章节学习，你将能够： * 理解 LangChain4j 是什么及其核心价值 * 了解 LangChain4j 的应用场景 * 掌握 LangChain4j 的核心特性 * 搭建 LangChain4j 开发环境 * 运行第一个 LangChain4j Hello World 示例 ## 前置知识 * Java 基础知识（Java 17+） * Maven 或 Gradle 基础 * 了解基本的大语言模型（LLM）概念 ## 核心概念 ### 什么是 LangChain4j？ LangChain4j 是一个用于构建 LLM（大语言模型）应用的 Java 开源库。它提供了一套完整的工具和组件，帮助开发者轻松地将大语言模型集成到 Java 应用程序中。 **类比理解：** 如果把大语言模型（如 GPT-4）比作一个强大的引擎，那么 LangChain4j 就是帮助你在 Java 应用中安装、配置和使用这个引擎的工具箱。你不需要从头开始编写所有与引擎交互的代码，LangChain4j 已经为你准备好了。 ### 为什么选择 LangChain4j？ #### 1. **专为 Java 设计** LangChain4j 是专门为 Java 生态系统设计的，充分利用了 Java 的类型安全性和面向对象特性。与其他 Python 语言的 LangChain 相比，它更适合 Java 开发者使用。 #### 2. **简单易用** LangChain4j 提供了简单直观的 API，无论是低级 API（如 `ChatModel`）还是高级 API（如 `AI Services`），都能快速上手。 #### 3. **功能完整** LangChain4j 提供了构建 LLM 应用所需的所有核心功能： * 与多种 LLM 提供商集成（OpenAI、Anthropic、Google 等） * 对话记忆管理 * 工具调用（Function Calling） * 检索增强生成（RAG） * 结构化输出 * 流式响应 * 智能体（Agent） * 多模态支持 #### 4. **生产就绪** LangChain4j 被许多企业用于生产环境，具有良好的性能、稳定性和可扩展性。 #### 5. **活跃的社区** LangChain4j 拥有活跃的开源社区，持续更新和完善，提供及时的技术支持。 ### 应用场景 LangChain4j 可以用于构建各种类型的应用： #### 1. **聊天机器人** 构建智能客服、虚拟助手等对话系统。 #### 2. **知识库问答** 基于企业文档、FAQ 等知识库的智能问答系统。 #### 3. **代码助手** 帮助开发者编写、理解、调试代码的 AI 助手。 #### 4. **数据分析助手** 通过自然语言查询和分析数据。 #### 5. **文档处理** 智能文档摘要、提取、分类等。 #### 6. **工作流自动化** 使用 LLM 自动化复杂的工作流程。 ### 核心特性 #### 1. **多模型支持** LangChain4j 支持多种大语言模型提供商： * OpenAI（GPT-4、GPT-3.5 等） * Anthropic（Claude 系列） * Google（Gemini 系列） * Mistral AI * Ollama（本地模型） * 等等 #### 2. **双层级 API** **低级 API：** 提供最大的灵活性和控制力，包括： * `ChatModel` - 聊天模型接口 * `EmbeddingModel` - 向量模型接口 * `ChatMemory` - 对话记忆管理 * `Tool` - 工具调用 * `EmbeddingStore` - 向量存储 **高级 API（AI Services）：** 提供声明式、简化的接口，类似 Spring Data JPA： ```java theme={null} // 定义接口 interface Assistant { String chat(String message); } // 自动实现 Assistant assistant = AiServices.create(Assistant.class, chatModel); String response = assistant.chat("你好"); ``` #### 3. **对话记忆** LLM 本身是无状态的，LangChain4j 提供了多种对话记忆管理方案： * `MessageWindowChatMemory` - 基于消息数量的记忆 * `TokenWindowChatMemory` - 基于 Token 数量的记忆 * 持久化记忆存储 #### 4. **工具调用（Function Calling）** 允许 LLM 调用外部工具和 API，扩展其能力： ```java theme={null} class WeatherService { @Tool String getWeather(String city) { // 调用天气 API return "北京今天晴，25°C"; } } ``` #### 5. **检索增强生成（RAG）** 结合外部知识库提高回答准确性： * 文档向量化存储 * 语义检索 * 相关内容注入 #### 6. **流式响应** 实时流式输出 LLM 的生成内容，提升用户体验。 #### 7. **结构化输出** 让 LLM 输出结构化的数据（JSON、POJO 等）： ```java theme={null} Person person = assistant.extractPerson("John, 30 years old"); ``` #### 8. **智能体（Agent）** 构建具有自主规划和执行能力的智能体。 #### 9. **多模态支持** 支持文本、图像、音频、视频等多种模态。 #### 10. **可观测性** 提供完善的监控和日志功能，便于调试和优化。 #### 11. **框架集成** 完美集成主流 Java 框架： * Spring Boot * Quarkus * Micronaut ## 开发环境准备 ### 系统要求 * **Java 17 或更高版本** * **Maven 3.6+ 或 Gradle 7+** * **IDE**：IntelliJ IDEA（推荐）或 Eclipse ### Maven 项目配置 创建一个 Maven 项目，在 `pom.xml` 中添加 LangChain4j 依赖： ```xml theme={null} 4.0.0 com.example langchain4j-learning 1.0.0 17 17 UTF-8 1.0.0-alpha1 dev.langchain4j langchain4j ${langchain4j.version} dev.langchain4j langchain4j-open-ai ${langchain4j.version} ch.qos.logback logback-classic 1.5.8 org.junit.jupiter junit-jupiter 5.10.0 test ``` ### 获取 API Key 大多数 LLM 提供商都需要 API Key，以 OpenAI 为例： 1. 访问 [https://platform.openai.com/](https://platform.openai.com/) 2. 注册/登录账户 3. 进入 API Keys 页面 4. 创建新的 API Key 5. 复制并保存 API Key **安全提示：** 不要将 API Key 提交到代码仓库，使用环境变量存储。 设置环境变量： ```bash theme={null} # Linux/Mac export OPENAI_API_KEY="your-api-key-here" # Windows set OPENAI_API_KEY=your-api-key-here ``` ## Hello World 示例 现在让我们创建第一个 LangChain4j 程序，实现一个简单的 "Hello World"。 ### 完整代码示例 ```java theme={null} import dev.langchain4j.model.chat.ChatModel; import dev.langchain4j.model.openai.OpenAiChatModel; /** * LangChain4j Hello World 示例 */ public class HelloWorldExample { public static void main(String[] args) { // 1. 创建 ChatModel 实例 ChatModel model = OpenAiChatModel.builder() .apiKey(System.getenv("OPENAI_API_KEY")) // 从环境变量读取 API Key .modelName("gpt-4o-mini") // 使用 GPT-4o-mini 模型 .build(); // 2. 发送消息给 LLM String message = "Hello, LangChain4j!"; String response = model.chat(message); // 3. 打印响应 System.out.println("用户: " + message); System.out.println("AI: " + response); } } ``` ### 代码详解 #### 步骤 1：创建 ChatModel ```java theme={null} ChatModel model = OpenAiChatModel.builder() .apiKey(System.getenv("OPENAI_API_KEY")) .modelName("gpt-4o-mini") .build(); ``` * `OpenAiChatModel`：OpenAI 提供的聊天模型实现 * `.apiKey()`：设置 OpenAI API Key * `.modelName()`：指定使用的模型 * `gpt-4o-mini`：性价比高，适合学习和测试 * `gpt-4o`：更强大的模型 * `gpt-3.5-turbo`：较老但便宜的模型 * `.build()`：构建模型实例 #### 步骤 2：发送消息 ```java theme={null} String response = model.chat(message); ``` * `.chat()` 方法将用户消息发送给 LLM * 返回 LLM 生成的响应文本 #### 步骤 3：打印结果 ```java theme={null} System.out.println("用户: " + message); System.out.println("AI: " + response); ``` 打印对话内容。 ### 运行程序 编译并运行程序： ```bash theme={null} # 编译 mvn clean compile # 运行 mvn exec:java -Dexec.mainClass="com.example.HelloWorldExample" ``` **预期输出：** ``` 用户: Hello, LangChain4j! AI: 你好！很高兴认识你。LangChain4j 是一个强大的 Java LLM 框架，有什么我可以帮助你的吗？ ``` ## 测试代码示例 使用 JUnit 5 编写测试用例： ```java theme={null} import dev.langchain4j.model.chat.ChatModel; import dev.langchain4j.model.openai.OpenAiChatModel; import org.junit.jupiter.api.BeforeEach; import org.junit.jupiter.api.Test; import static org.junit.jupiter.api.Assertions.*; /** * LangChain4j 基础测试 */ class LangChain4jBasicTest { private ChatModel model; @BeforeEach void setUp() { // 每个测试前创建模型实例 model = OpenAiChatModel.builder() .apiKey(System.getenv("OPENAI_API_KEY")) .modelName("gpt-4o-mini") .build(); } @Test void should_generate_response_when_given_simple_message() { // Given - 准备测试数据 String message = "What is 2 + 2?"; // When - 执行操作 String response = model.chat(message); // Then - 验证结果 assertNotNull(response); assertFalse(response.isEmpty()); System.out.println("Response: " + response); } @Test void should_generate_chinese_response_when_message_in_chinese() { // Given String message = "你好，请用中文回答：什么是 LangChain4j？"; // When String response = model.chat(message); // Then assertNotNull(response); // 验证响应中包含中文（简单检查） assertTrue(response.matches(".*[\\u4e00-\\u9fa5].*")); System.out.println("中文响应: " + response); } @Test void should_handle_empty_message() { // Given String message = ""; // When String response = model.chat(message); // Then assertNotNull(response); System.out.println("空消息响应: " + response); } } ``` ### 运行测试 ```bash theme={null} # 运行所有测试 mvn test # 运行特定测试类 mvn test -Dtest=LangChain4jBasicTest ``` ## 实践练习 ### 练习 1：多轮对话 修改 Hello World 程序，实现一个简单的多轮对话： ```java theme={null} import dev.langchain4j.model.chat.ChatModel; import dev.langchain4j.model.openai.OpenAiChatModel; import java.util.Scanner; public class SimpleChatBot { public static void main(String[] args) { ChatModel model = OpenAiChatModel.builder() .apiKey(System.getenv("OPENAI_API_KEY")) .modelName("gpt-4o-mini") .build(); Scanner scanner = new Scanner(System.in); System.out.println("=== 简单聊天机器人 ==="); System.out.println("输入 'exit' 退出"); System.out.println(); while (true) { System.out.print("用户: "); String input = scanner.nextLine(); if ("exit".equalsIgnoreCase(input.trim())) { System.out.println("再见！"); break; } String response = model.chat(input); System.out.println("AI: " + response); System.out.println(); } scanner.close(); } } ``` **任务：** 1. 运行这个聊天机器人程序 2. 尝试与它进行多轮对话 3. 注意观察：每轮对话之间 AI 是否"记得"之前的对话内容？ 4. 思考：为什么会出现这种情况？ ### 练习 2：探索不同模型 尝试使用不同的 OpenAI 模型，观察响应速度和质量的变化： ```java theme={null} ChatModel modelGpt35 = OpenAiChatModel.builder() .apiKey(System.getenv("OPENAI_API_KEY")) .modelName("gpt-3.5-turbo") .build(); ChatModel modelGpt4o = OpenAiChatModel.builder() .apiKey(System.getenv("OPENAI_API_KEY")) .modelName("gpt-4o-mini") .build(); // 比较两个模型的响应 String message = "写一首关于春天的诗"; long start = System.currentTimeMillis(); String response1 = modelGpt35.chat(message); long end = System.currentTimeMillis(); System.out.println("GPT-3.5 Turbo (" + (end - start) + "ms):"); System.out.println(response1); System.out.println(); start = System.currentTimeMillis(); String response2 = modelGpt4o.chat(message); end = System.currentTimeMillis(); System.out.println("GPT-4o Mini (" + (end - start) + "ms):"); System.out.println(response2); ``` ### 练习 3：自定义提示词 尝试不同的提示词，观察 LLM 的响应变化： ```java theme={null} // 提示词 1：简单提问 String prompt1 = "什么是 Java？"; System.out.println(model.chat(prompt1)); // 提示词 2：指定回答格式 String prompt2 = "请用 3 点说明什么是 Java？"; System.out.println(model.chat(prompt2)); // 提示词 3：角色扮演 String prompt3 = "你是一位 Java 专家，请用简单易懂的语言向初学者解释什么是 Java。"; System.out.println(model.chat(prompt3)); ``` ## 总结 ### 本章要点 1. **LangChain4j 是什么** * 专为 Java 设计的 LLM 应用开发框架 * 提供完整的工具链和组件 2. **核心优势** * 简单易用的 API * 功能完整（对话记忆、工具调用、RAG 等） * 生产就绪 * 活跃的社区 3. **双层级 API 设计** * 低级 API：灵活控制 * 高级 API（AI Services）：声明式简化 4. **环境搭建** * 添加 Maven 依赖 * 获取 API Key * 运行 Hello World 5. **Hello World 示例** * 创建 ChatModel * 发送消息 * 接收响应 ### 下一步 在下一章节中，我们将深入学习： * ChatModel 的详细用法 * 不同模型类型的选择 * 异常处理 * 更多实用示例 ### 常见问题 **Q1：LangChain4j 与 Python 版 LangChain 有什么区别？** A：LangChain4j 是专门为 Java 生态系统设计的，充分利用了 Java 的类型安全性和面向对象特性。虽然概念相似，但 API 设计更适合 Java 开发者使用。 **Q2：我必须使用 OpenAI 吗？** A：不，LangChain4j 支持多种 LLM 提供商，包括 Anthropic、Google、Mistral 等，还可以使用 Ollama 运行本地模型。 **Q3：API Key 安全吗？** A：永远不要将 API Key 提交到代码仓库。建议使用环境变量、配置文件或密钥管理服务来存储。 **Q4：LLM 响应速度很慢怎么办？** A：可以尝试： * 使用更快的模型（如 gpt-4o-mini） * 使用流式响应 * 优化提示词长度 * 考虑缓存常见查询 **Q5：如何控制 LLM 的输出长度？** A：可以通过 `maxTokens` 参数控制，我们将在下一章节详细介绍。 ## 参考资料 * [LangChain4j 官方文档](https://docs.langchain4j.dev/) * [LangChain4j GitHub](https://github.com/langchain4j/langchain4j) * [OpenAI 官方文档](https://platform.openai.com/docs) * [LangChat 官网](https://langchat.cn) *** > 版权归属于 LangChat Team\ > 官网：[https://langchat.cn](https://langchat.cn)