| 失效链接处理 |
|
LangChain4j 来了，Java AI智能体开发再次起飞。。。
相关截图：
 主要内容： 一、LangChain4j 是什么 1.1 它要解决什么问题 过了 2023 之后，任何一个稍微像样的后端系统，几乎都绕不开"要不要接一下大模型"这个问题。但只要你真动手写过，就会发现接入 LLM 是一件挺琐碎的事：
要手写一堆 HTTP 请求去调 OpenAI、Azure、Anthropic；
要自己拼 Prompt，自己处理 token、处理 SSE 流式响应；
要实现多轮对话，就得自己维护一份历史消息；
想做 RAG，就得自己做分块、做向量化、再写一次向量检索；
想让模型能"调用函数"，还得自己设计 JSON Schema、解析返回、执行方法……
这些工作不难，但琐碎、重复，且每换一家模型提供商就要再写一遍。LangChain4j 做的，就是把这些通用流程抽象出来，提供一套统一的、面向对象的、Java 味十足的 API，让你把精力放回到业务逻辑本身。
1.2 与 Python 版 LangChain 的关系 LangChain4j 在灵感上确实来自 Python 的 LangChain，但它不是简单翻译。Java 世界有自己的工程习惯——强类型、注解驱动、依赖注入、显式接口，LangChain4j 在 API 设计上充分尊重了这些特征。你会看到：
用 @AiService、@SystemMessage、@UserMessage、@Tool 这样的注解声明能力；
用 ChatLanguageModel、EmbeddingModel、EmbeddingStore 这种清晰的接口做抽象；
用 Spring Boot Starter / Quarkus Extension 原生接入 IoC 容器。
一句话：它是 Java 工程师看了会觉得"就应该这么写"的那种框架。
1.3 适合什么样的项目 LangChain4j 大致适合以下几类场景：
企业内部智能问答 / 知识库：结合 RAG，把 Confluence、PDF、数据库中的资料变成可问答的助手。
客服 / 营销对话机器人：多轮会话、记忆、上下文，天然适合 ChatMemory + Tools 的组合。
业务系统里的 AI 小能手：比如自动生成周报、自动提取合同字段、自动打标签、自动写 SQL。
Agent / Copilot 类应用：模型不仅答题，还会调用系统内的工具完成任务。
如果你的系统已经是 Spring Boot / Quarkus 生态，再要接入 LLM，用 LangChain4j 几乎是目前最顺手的选择。
二、快速入门 2.1 环境准备 LangChain4j 对运行环境的要求不高，但有几条硬性前提：
JDK 17 及以上（新版本已将 21 作为推荐版本）。
Maven 3.8+ 或 Gradle 7+。
一个可用的 LLM 调用通道：OpenAI API Key、Azure OpenAI、Ollama 本地模型等任选其一。
本文示例以 Maven + OpenAI 兼容接口 为主，其他模型提供商的切换成本非常低——基本只换一个依赖、一个实现类。
|
苏公网安备 32061202001004号
