【Java开发者必看】LangChain4j实战全解析：3步接入ChatGPT大模型，打造高效AI应用

最新推荐文章于 2025-06-12 16:50:08 发布
最新推荐文章于 2025-06-12 16:50:08 发布
阅读量557 收藏 8
点赞数 27
分类专栏： Java AI 开发者进阶指南 文章标签： Java 人工智能 集成学习 文心一言 Langchain4j gpt-3 语言模型
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Hello_World_QWP/article/details/148105503
版权

目录

一、中文通用大模型综合性测评基准

1、大语言模型排行榜

2、评测目的 

3、特色优势 

4、行业影响  

5、LangChain4j支持接入的大模型

6、国内主流大模型

1）通用大模型

2）垂直领域模型

3）国外主流大模型

4）开源大模型

二、LangChain4j接入ChatGPT gpt-4o-mini

第一步：注册OpenAI账户

第二步：配置环境变量

第三步：开发与测试

三、 OpenAI API文档

一、中文通用大模型综合性测评基准

1、大语言模型排行榜

大语言模型排行榜： 【大语言模型排行榜测评官网】

SuperCLUE是由国内CLUE学术社区于2023年5月推出的中文通用大模型综合性评测基准网站。

中文通用大模型综合性测评基准（SuperCLUE），是针对中文可用的通用大模型的一个测评基准。

在当前通用大模型大力发展的情况下，中文大模型的效果情况。包括但不限于：这些模型哪些相对效果情况、相较于国际上的代表性模型做到了什么程度、 这些模型与人类的效果对比如何？SuperCLUE 团队尝试在一系列国内外代表性的模型上使用多个维度能力进行测试。SuperCLUE，是中文语言理解测评基准（CLUE）在通用人工智能时代的进一步发展。目前包括三大基准：OPEN多轮开放式基准、OPT三大能力客观题基准、琅琊榜匿名对战基准。

SuperCLUE 按照月度进行更新。  

​

2、评测目的 

全面评估中文大模型在语义理解、逻辑推理、代码生成等10多项基础能力，以及涵盖数学、物理、社科等50多学科的专业能力，旨在回答在通用大模型发展背景下，中文大模型的效果情况，包括不同任务效果、与国际代表性模型的差距、与人类的效果对比等问题。  

3、特色优势 

针对中文特性任务（如中文逻辑、成语、诗歌、字形等）设立专项评测，使评测更符合中文语言特点。  
通过3700多道客观题和匿名对战机制，动态追踪国内外主流模型（如GPT-4、文心一言、通义千问等）的表现差异，保证评测的客观性和时效性。  

4、行业影响  

作为中文领域权威测评社区，其评测结果被学界和产业界广泛引用，例如商汤“日日新5.0”和百度文心大模型均通过SuperCLUE验证技术突破，推动了中文NLP技术生态的迭代，为中文大模型的发展和优化提供了重要的参考依据，促进了中文大模型技术的不断进步和应用。  

5、LangChain4j支持接入的大模型

LangChain4j支持接入的大模型： 【LangChain4j支持接入的大模型】

  • LangChain4j支持的大模型
  • OpenAI系列：ChatGPT、GPT-4等。 
  • 阿里通义系列：通义千问、通义万象。 
  • DeepSeek：DeepSeek-V3、DeepSeek-R1。 
  • Ollama本地模型：支持部署本地模型（如DeepSeek-R1:1.5b）。 
  • 阿里百炼平台：集成通义系列及第三方模型（如DeepSeek）。 

6、国内主流大模型

1）通用大模型

模型名称公司/机构特点与应用场景
DeepSeek-V3深度求索通用对话模型，支持多语言和多模态交互，适用于广告设计、媒体内容创作、智能客服等场景。
DeepSeek-R1深度求索专为复杂逻辑推理优化的模型，适用于金融风控、法律咨询、学术研究等需要深度推理的场景。  
文心一言百度支持多模态（文本、图像、视频），应用于智能客服、内容生成、工业质检等。
通义千问阿里云支持多语言（119种）、多模态（文本、语音、视觉），应用于ERP、CRM、供应链管理等企业场景。
盘古大模型华为包含CV、NLP、多模态等基础模型，应用于矿山、气象预测、制造业等领域。
豆包字节跳动自然语言交互能力强，应用于内容推荐、智能助手、用户对话场景。
星火大模型科大讯飞聚焦语音识别与合成，应用于智能语音助手、教育、医疗领域。
悠然无界大模型考拉悠然多模态世界模型，支持物理空间推理与具身智能，应用于物流机器人、智能巡检等空间智能场景。

2）垂直领域模型

模型名称公司/机构特点与应用场景
孟子大模型澜舟科技聚焦金融领域，应用于金融风控、智能投顾、财报分析等场景。
智谱AI GLM系列智谱AI支持多任务学习，应用于法律咨询、学术研究、代码生成等领域。
昆仑万维Moonshot昆仑万维专注于AIGC（生成式AI），应用于游戏、影视、艺术创作等创意产业。
商汤日日新商汤科技聚焦计算机视觉，应用于智慧城市、安防监控、自动驾驶等场景。

3）国外主流大模型

模型名称公司/机构特点与应用场景
GPT系列OpenAI支持多语言、多模态，应用于问答、代码生成、内容创作等通用场景。
Llama系列Meta开源模型，支持多语言，应用于研究、企业定制化开发。
ClaudeAnthropic强化推理能力，应用于复杂逻辑分析、商业决策支持。
BardGoogle

结合Google搜索能力，应用于信息检索、知识问答等场景。

4）开源大模型

模型名称公司/机构特点与应用场景
Llama 3Meta        最新开源模型，性能接近GPT-4，应用于企业定制化开发、研究。
MistralMistral AI高效推理能力，应用于低资源设备的部署。
Phi-3Microsoft轻量级模型，适合边缘计算和移动设备。
BLOOMZHugging Face支持多语言，应用于多语言翻译、跨语言理解。

二、LangChain4j接入ChatGPT gpt-4o-mini

第一步：注册OpenAI账户

登录OpenAI开发平台
平台登录地址：【OpenAI 开发者平台】

账户充值
注意，有免费的，也有收费的，区别在于性能和功能方面不同！

创建调用的api_key

settings > organization > api-keys
注意，API key 仅在创建时可见可复制，
创建成功后，会在弹出框中显示完整的API key，将起复制妥善保存，
如果不小心关闭了弹窗，只有再次重新创建！

​

第二步：配置环境变量

注意：配置系统的环境变量后，注意重新启动IDEA，才能重新加载系统的环境变量！

配置环境变量：CHAT_GPT_API_KEY

​

第三步：开发与测试

在application.propertis配置中新增DeepSeek相关配置，

内容如下：

#langchain4j 接入ChatGPT大模型基础配置
# 设置OpenAI聊天模型的基础URL
#langchain4j.open-ai.chat-model.base-url=https://api.openai.com/v1
langchain4j.open-ai.chat-model.base-url=http://langchain4j.dev/demo/openai/v1
# 设置OpenAI聊天模型的API密钥
langchain4j.open-ai.chat-model.api-key=${CHAT_GPT_API_KEY}
# 配置ChatGPT聊天模型gpt-4.1
langchain4j.open-ai.chat-model.model-name=gpt-4o-mini
# 更多OpenAI大模型见下图

​

在 LangChain4j 中，GPT使用的 OpenAI 接口标准，因此通过注入OpenAiChatModel 进行接入DeepSeek AI：

package com.huazai.ai.langchain4j;

import dev.langchain4j.model.openai.OpenAiChatModel;
import org.junit.jupiter.api.Test;
import org.springframework.beans.factory.annotation.Autowired;
import org.springframework.boot.test.context.SpringBootTest;

@SpringBootTest
class JavaAiLangChain4jApplicationTests {

    // 使用Spring框架的@Autowired注解自动注入OpenAiChatModel的实例
    @Autowired
    private OpenAiChatModel openAiChatModel;

    /**
     * 测试OpenAiChatModel的chat方法
     * 通过向模型发送一个简单的问候消息来发起对话，并打印模型的响应
     */
    @Test
    void testOpenAiChatSpringBootModel() {
        // 发送消息"Hello World!"到大模型，并获取模型的响应
        String answer = openAiChatModel.chat("Who are you?");
        // 打印模型的响应到控制台
        System.out.println(answer);
    }


}

访问测试，如下图：

三、 OpenAI API文档

【OpenAI API 文档】
 

好了，关于  【Java开发者必看】LangChain4j实战全解析：3步接入ChatGPT大模型，打造高效AI应用  就写到这儿了，如果还有什么疑问或遇到什么问题欢迎扫码提问，也可以给我留言哦，我会一一详细的解答的。 
歇后语：“ 共同学习，共同进步 ”，也希望大家多多关注CSND的IT社区。

作       者：华    仔
联系作者：who.seek.me@java98k.vip
来        源：CSDN (Chinese Software Developer Network)
原        文：https://blog.csdn.net/Hello_World_QWP/article/details/148105503
版权声明：本文为博主原创文章，请在转载时务必注明博文出处！
【AI大模型】大模型RAG技术Langchain4j 核心组件深入详解
congge
04-13 4274
大模型RAG技术Langchain4j 核心组件深入详解
【LangChain编程：从入门到实践】生态系统概览：组件（Components）-链（Chains）-代理（Agents）-内存（Memory）-提示工程（Prompt Engineering）
AI天才研究院
07-24 1146
本文旨在为读者提供一个全面而深入的LangChain生态系统概览。我们将探讨LangChain的核心组件、工具链以及它如何革新大语言模型（LLM）的应用开发过程。通过本文，读者将了解到：本文面向以下读者群体：本文将按以下结构展开：LangChain的生态系统是围绕着简化大语言模型应用开发而构建的。为了更好地理解LangChain的核心概念及其相互联系，我们可以通过以下Mermaid流程图来visualize整个生态系统的架构：LangChainModelsPromptsChainsMemoryIndexes
【Java开发者必看】LangChain4j实战全解析：3步接入DeepSeek大模型，打造高效AI应用
Spring Boot-Common On With You
06-05 876
作为中文领域权威测评社区，其评测结果被学界和产业界广泛引用，例如商汤“日日新5.0”和百度文心大模型均通过SuperCLUE验证技术突破，推动了中文NLP技术生态的迭代，为中文大模型的发展和优化提供了重要的参考依据，促进了中文大模型技术的不断进步和应用。全面评估中文大模型在语义理解、逻辑推理、代码生成等10多项基础能力，以及涵盖数学、物理、社科等50多学科的专业能力，旨在回答在通用大模型发展背景下，中文大模型的效果情况，包括不同任务效果、与国际代表性模型的差距、与人类的效果对比等问题。
LangChain4j +DeepSeek大模型应用开发——10 检索增强生成 RAG
欢迎来到空说的博客
05-15 1078
例如，在处理一般性的文本资料，且使用的模型上下文窗口较大（如 4096 个 token）时，设置文本片段最大大小为 600 - 800 个 token，重叠部分为 30 - 50 个 token 可能是一个不错的选择。但最终的设置还需要通过实验和实际效果评估来确定，以找到最适合具体应用场景的参数值。
LangChain4j模型参数配置全解析：释放大语言模型的真正潜力
-曾牛的博客
04-20 772
成本控制：精确管理Token消耗，避免资源浪费质量保障：平衡创造性与准确性，输出稳定可靠性能优化：设置合理超时与重试，提升系统鲁棒性建议采用渐进式调优策略：从默认参数出发，通过A/B测试逐步优化。对于关键业务系统，建议建立参数版本管理系统，记录每次调整的效果指标。未来可探索自动化调参工具，结合业务指标动态优化参数组合。
LangChain4j炸裂！Java开发者打造AI应用从未如此简单
2401_84206094的博客
09-28 1315
LangChain4j目标是简化将大语言模型（LLM）集成到 Java 应用程序的过程。
Java开发者LLM实战——使用LangChain4j构建本地RAG系统
h1453586413的博客
01-28 1735
RAG（Retrieval-Augmented Generation）的核心思想是：将传统的信息检索（IR）技术与现代的生成式大模型（如chatGPT）结合起来。具体来说，RAG模型在生成答案之前，会首先从一个大型的文档库或知识库中检索到若干条相关的文档片段。再将这些检索到的片段作为额外的上下文信息，输入到生成模型中，从而生成更为准确和信息丰富的文本。RAG的工作原理可以分为以下几个步骤：1.接收请求：首先，系统接收到用户的请求（例如提出一个问题）。
LLM大模型技术实战：一文带你入门大模型开发框架Langchain
python1234_的博客
10-24 1123
LangChain是一个专门为LLM应用开发设计的框架，旨在简化LLM应用的开发难度。它将LLM的各个组件进行封装和链接，提供了一个统一的开发环境，让开发者可以更加便捷地进行LLM应用的开发。从某种程度上来说，LangChain类似于Java开发中的Spring或SpringBoot框架，为开发者提供了丰富的工具和库，帮助开发者快速构建出功能强大的LLM应用。模块化设计：LangChain框架采用了模块化设计，将LLM应用的各个组件拆分成独立的模块，方便开发者进行模块化的开发和维护。
AI大模型接入实战：概念、方式与代码详解
lenyan~的博客
04-28 1149
AI大模型是指那些拥有超大规模参数的深度学习模型，它们经过海量数据训练，能够处理多模态数据（如文本、图像、音频等），具备逻辑推理和代码编写等"涌现能力"。这些模型通常拥有数十亿甚至数千亿的参数，能够理解复杂指令并生成高质量的内容。OpenAI：提供GPT-4o（多模态）、GPT-4（文本+图像）、GPT-3.5 Turbo等模型Anthropic：推出Claude 3系列模型Google：开发了Gemini Ultra/Pro/Nano系列Meta：开源了Llama 3和Llama 2模型。
不懂 Python？没关系！Easy RAG 让 Java 开发者也能玩转大模型
孤芳不自赏
06-01 938
我知道很多 Java 同学面对大模型、RAG 时会有些畏惧，觉得“哎呀这不都是 Python 玩的吗？其实现在生态已经很成熟了，有 LangChain4j 这样的好框架，我们一样可以快速搞出自己的 AI 应用。而 Easy RAG，就像是为 Java 工程师定制的一把钥匙，轻松开启 LLM 的世界！
程序员应用AI大模型创业实现财务自由的100种赚钱方案原理与实战指南
AI天才研究院
04-02 518
成功的 AI 创业者都遵循着 “技术 + 需求 + 变现” 的铁三角法则。记住：不是要做 “全能大模型”，而是成为某个垂直领域的 “AI 解决方案专家”。现在就开始行动：用周末 2 小时完成第一个 MVP，下周启动种子用户测试，三个月内找到可复制的盈利模式。当你实现第一个 10 万用户时，会发现财务自由的密码藏在持续迭代的每个 0.1 版本更新中。延伸思考：你的技术背景适合切入哪个细分领域？
向量检索与 RAG 实践：关键概念、应用场景与高效索引实战
qq_38334677的博客
01-07 1654
在当代信息爆炸的时代，如何从海量数据中精准地找出与用户需求最为匹配的内容，成为了亟待解决的问题。传统的文本检索方法更多依赖于关键词匹配或基于倒排索引的策略。然而，随着自然语言处理、语义理解以及深度学习的飞速发展，越来越多的场景需要更高层次、更具语义化的检索方式。在此背景下，向量检索（Vector Search）应运而生。向量检索，本质上就是将文本、图像、音频或者更广义的高维数据用向量（通常是浮点数数组）的形式表示，并在检索阶段将待查询的数据也转化为向量，进而通过计算相似度来判断“匹配程度”的一种检索方式。
yolo模型精度提升策略
qq_47798402的博客
06-09 835
结合起来，才能最大程度地提升那6种相似BGA的区分能力，从而显著提高整体mAP。持续进行基于难例分析的主动学习是突破瓶颈的可持续方法。使用自适应优化器、学习率热身与余弦退火，进行充分长周期的训练（配合早停）。持续收集模型在相似BGA上的错误样本，优先标注并加入训练集进行迭代。设计模拟BGA实际成像挑战（反光、模糊、视角变化）的增强方案。尝试引入注意力机制，将分类损失替换为。训练数据（2倍以上是合理起点）。（Focal Loss）以及。显著增加6种相似BGA的。（特别是注意力机制）、
原始的 P-Tuning 和 P-Tuning v2 在实现细节上有哪些不同
ZJQ的博客
06-10 782
P-Tuning v2（2022） - **改进点**： - 在模型的每一层都添加软提示（类似 Prefix Tuning 的思路），而不只是输入层。 - **引入轻量级 MLP 层**：在预训练模型的输出后添加一个小型的多层感知机，增强分类能力。 - **结构特点**： ``` 输入文本 + 软提示 → 预训练LM → MLP层 → 分类输出 ``` MLP 通常由 1-2 层线性层组成，参数量远小于全量微调。
二维张量dim=1
GHL_17768588743的博客
06-11 489
在PyTorch中处理二维张量（矩阵）时，‌dim=1‌，也就是逐行处理每一行的所有列元素。
扣子开发汽车行业智能客服示例
brucexia的专栏
06-11 1062
在本节中，我们想要创建一个AI客服，用于介绍汽车领域的行业知识，因此需要利用知识库的能力。首先，梳理汽车行业知识，形成FAQ（常见问题解答）。然后，将其上传到知识库中。最后，将知识库配置到AI Agent智能体中，使其能够调用知识库的内容作为回复。完成以上步骤之后，当用户咨询Agent有关汽车领域知识的问题时，Agent将根据FAQ的内容进行回答。传统的机器人客服只能生硬地套用FAQ，缺乏灵活性。
简繁体智能翻译软件
weixin_62784879的博客
06-09 520
以常见物品为例：内地称\"创口贴\"，香港称\"胶布\"，台湾称\"OK绷\"；汽车品牌\"奔驰\"在香港译作\"平治\"、台湾译作\"宾士\"，这类词汇差异需要额外认知成本。该工具内置智能词库系统，能自动识别并转换具有地区特色的用词表达，实现内地、香港、台湾三地语言习惯的精准转换。针对台湾地区使用的注音符号（如ㄅㄆㄇㄈ）及网络流行的火星文等特殊文字形式，提供对应的转换方案。这款工具还有许多功能，我就不一一介绍啦。
大模型Transformer触顶带来的“热潮退去”，稀疏注意力架构创新或是未来
打造全国最全的AI Agent开发知识领域的博客
06-11 1486
大模型狂欢落幕，硬核创新登场！Transformer逼近能力天花板，Agent应用成落地新大陆，而架构层正孕育颠覆性突破。中国团队在云端与终端双轨并进，用稀疏注意力、端侧推理优化打开效率魔盒。告别内卷式数据堆砌，迎接深水区技术创新——这一篇，看懂AI未来十年胜负手！
破局零售挑战！华为云AI+零售峰会聚焦数智转型实践
最新发布
weixin_43735236的博客
06-12 149
该方案面向零售伙伴客户物流、运营、门店、客服和办公等场景，依托华为云最新发布的CloudDevice关键产品和自有AI大模型，在云上服务方面具备一跳入云、一云多端、极低时延、普惠AI等方面的优势，可为零售伙伴客户筑牢算力底座，满足零售伙伴客户“产-供-营-销-服”全链路智能化核心需求。该计划面向全国数智化企业，汇聚华为云及合作伙伴在政策、产品、技术、品牌等方面的资源与能力，向伙伴开放能力共生、商业共赢和数字化服务三大平台，为零售企业的品牌营销与业务运营提供强大技术支撑，加速企业成长。6月13日，鹭岛厦门！
Java开发者必看：IntelliJ IDEA环境配置源码解析
资源摘要信息:"基于Java的IntelliJ IDEA开发环境配置设计源码" 知识点详细说明： 1. IntelliJ IDEA开发环境配置： IntelliJ IDEA是Java语言的重要开发工具之一，广泛应用于企业级开发。其高度可配置的特性允许...
评论
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