以下是一篇关于 LangChain4j 的入门使用教程，包含框架介绍和开发入门指南：
LangChain4j 入门教程
1. LangChain4j 简介
LangChain4j 是一个基于 Java 的轻量级框架，旨在简化大型语言模型（LLM）在 Java 应用中的集成。它借鉴了 Python 版 LangChain 的设计理念，提供了以下核心功能：
- 模型集成：支持 OpenAI、HuggingFace、本地模型（如 Ollama）等。
- 提示工程：通过模板化提示（Prompt Templates）优化与模型的交互。
- 链式调用：将多个步骤（模型调用、工具执行）组合成可复用的流程。
- 记忆管理：支持短期/长期记忆（如对话历史记录）。
- 数据增强：通过检索增强生成（RAG）扩展模型知识库。
- 工具扩展：允许自定义工具（如搜索、数据库查询）扩展模型能力。
适用场景：聊天机器人、文档问答、自动化数据处理等。
2. 环境准备
2.1 添加依赖
在 Maven 或 Gradle 项目中添加依赖：
Maven
<dependency><groupId>dev.langchain4j</groupId><artifactId>langchain4j-open-ai</artifactId><version>0.29.0</version> <!-- 使用最新版本 -->
</dependency>
Gradle
implementation 'dev.langchain4j:langchain4j-open-ai:0.29.0'
2.2 获取 API 密钥
如需使用 OpenAI 等云服务，需注册并获取 API 密钥（示例中使用 OpenAI）。
3. 快速开始：Hello World
以下示例演示如何通过 OpenAI 生成文本：
import dev.langchain4j.model.openai.OpenAiChatModel;public class HelloWorld {public static void main(String[] args) {// 初始化 OpenAI 模型（需设置环境变量 OPENAI_API_KEY）OpenAiChatModel model = OpenAiChatModel.builder().modelName("gpt-3.5-turbo").temperature(0.3).build();// 发送提示并获取响应String response = model.generate("用一句话解释量子计算");System.out.println(response); // 输出：量子计算利用量子比特的叠加和纠缠特性，实现远超经典计算机的并行计算能力。}
}
4. 核心功能详解
4.1 提示模板（Prompt Templates）
通过模板动态生成提示，提高复用性：
import dev.langchain4j.model.openai.OpenAiChatModel;
import dev.langchain4j.model.output.Response;public class PromptTemplateDemo {public static void main(String[] args) {OpenAiChatModel model = OpenAiChatModel.create();String template = "将以下文本翻译成{{language}}: {{text}}";String prompt = template.replace("{{language}}", "法语").replace("{{text}}", "你好，世界！");Response<String> response = model.generate(prompt);System.out.println(response.content()); // 输出：Bonjour le monde !}
}
4.2 链（Chains）
将多个操作组合成链：
import dev.langchain4j.chain.ConversationalChain;
import dev.langchain4j.memory.ChatMemory;
import dev.langchain4j.memory.chat.TokenWindowChatMemory;public class ChainDemo {public static void main(String[] args) {ChatMemory memory = TokenWindowChatMemory.withMaxTokens(500);ConversationalChain chain = ConversationalChain.builder().chatLanguageModel(OpenAiChatModel.create()).chatMemory(memory).build();String answer = chain.execute("爱因斯坦最著名的成就是什么？");System.out.println(answer); // 输出：相对论...}
}
4.3 记忆（Memory）
实现多轮对话记忆：
import dev.langchain4j.model.openai.OpenAiChatModel;
import dev.langchain4j.service.AiServices;
import dev.langchain4j.service.MemoryId;
import dev.langchain4j.service.UserMessage;interface Assistant {String chat(@MemoryId String sessionId, @UserMessage String message);
}public class MemoryDemo {public static void main(String[] args) {Assistant assistant = AiServices.builder(Assistant.class).chatLanguageModel(OpenAiChatModel.create()).chatMemoryProvider(sessionId -> TokenWindowChatMemory.withMaxTokens(1000)).build();String sessionId = "user123";System.out.println(assistant.chat(sessionId, "我最喜欢的颜色是蓝色"));System.out.println(assistant.chat(sessionId, "我刚才说喜欢什么颜色？")); // 输出：您喜欢蓝色}
}
4.4 数据加载与检索增强（RAG）
从文档加载数据并增强回答：
import dev.langchain4j.data.document.Document;
import dev.langchain4j.data.document.parser.TextDocumentParser;
import dev.langchain4j.store.embedding.EmbeddingStore;
import dev.langchain4j.store.embedding.inmemory.InMemoryEmbeddingStore;public class RAGDemo {public static void main(String[] args) {// 1. 加载文档Document document = Document.from(new File("knowledge.txt"), new TextDocumentParser());// 2. 分割文本块DocumentSplitter splitter = new DocumentByParagraphSplitter();List<TextSegment> segments = splitter.split(document);// 3. 生成嵌入并存储EmbeddingModel embeddingModel = new OpenAIEmbeddingModel();EmbeddingStore<TextSegment> store = new InMemoryEmbeddingStore<>();store.addAll(embeddingModel.embed(segments), segments);// 4. 构建问答链ConversationalRetrievalChain chain = ConversationalRetrievalChain.builder().chatLanguageModel(OpenAiChatModel.create()).retriever(EmbeddingStoreRetriever.from(store, embeddingModel)).build();String answer = chain.execute("文档中提到的关键技术是什么？");System.out.println(answer);}
}
4.5 工具调用（Tools）
扩展模型能力（如调用天气 API）：
import dev.langchain4j.agent.tool.Tool;class WeatherTools {@Tool("获取指定城市的当前温度")double getCurrentTemperature(String city) {// 调用真实 API（此处模拟）return 25.3;}
}public class ToolDemo {public static void main(String[] args) {OpenAiChatModel model = OpenAiChatModel.builder().tools(new WeatherTools()).build();String response = model.generate("上海现在的温度是多少？");System.out.println(response); // 输出：上海当前温度为25.3摄氏度}
}
5. 进阶指引
- 本地模型：使用
langchain4j-ollama集成本地模型（如 Llama3） - 评估与监控：集成 Prometheus 监控模型调用指标
- 复杂链设计：通过
ConditionalChain实现分支逻辑 - 自定义输出解析：实现
OutputParser处理非结构化响应
6. 注意事项
- API 密钥安全：通过环境变量或密钥管理工具存储
- 本地模型：需要部署本地推理服务（如 Ollama）
- 性能优化：合理设置超时时间与重试策略
- 错误处理：捕获
LangChain4jException处理模型异常
通过本教程，您已掌握 LangChain4j 的核心概念和基础用法。接下来可以尝试：
- 构建客户服务自动回复系统
- 实现基于私有数据的文档问答机器人
- 开发自动化数据分析工具
完整示例代码可参考 LangChain4j 官方 GitHub。
