LangChain4j目标是简化将大语言模型(LLM)集成到 Java 应用程序的过程。
1 实现方式
1.1 标准化 API
LLM 提供商(如 OpenAI)和向量嵌入存储(如 Pinecone)使用专有 API。LangChain4j 提供标准化 API,避免每次都要学习和实现特定 API 的麻烦。要试验不同 LLM 或嵌入存储,可轻松切换而无需重写代码。
LangChain4j 目前支持:
主流 LLM 提供商
Provider | Streaming | Tools | JSON mode | Supported Modalities (Input) | Observability | Local | Native | Comments |
---|---|---|---|---|---|---|---|---|
Amazon Bedrock | ✅ | text | ||||||
Anthropic | ✅ | ✅ | text, image | ✅ | ||||
Azure OpenAI | ✅ | ✅ | ✅ | text, image | ✅ | |||
ChatGLM | text | |||||||
DashScope | ✅ | ✅ | text, image, audio | ✅ | ||||
Google AI Gemini | ✅ | ✅ | text, image, audio, video, PDF | ✅ | ||||
Google Vertex AI Gemini | ✅ | ✅ | ✅ | text, image, audio, video, PDF | ✅ | |||
Google Vertex AI PaLM 2 | text | ✅ | ||||||
Hugging Face | text | |||||||
Jlama | ✅ | ✅ | text | ✅ | ✅ | |||
LocalAI | ✅ | ✅ | text | ✅ | ||||
Mistral AI | ✅ | ✅ | ✅ | text | ||||
Ollama | ✅ | ✅ | ✅ | text, image | ✅ | ✅ | ||
OpenAI | ✅ | ✅ | ✅ | text, image | ✅ | Compatible with: Ollama, LM Studio, GPT4All, etc. | ✅ | Compatible with: Groq, etc. |
Qianfan | ✅ | ✅ | text | |||||
Cloudflare Workers AI | text | |||||||
Zhipu AI | ✅ | ✅ | text, image | ✅ |
主流嵌入存储
Embedding Store | Storing Metadata | Filtering by Metadata | Removing Embeddings |
---|---|---|---|
In-memory | ✅ | ✅ | ✅ |
Astra DB | ✅ | ||
Azure AI Search | ✅ | ✅ | ✅ |
Azure CosmosDB Mongo vCore | ✅ | ||
Azure CosmosDB NoSQL | ✅ | ||
Cassandra | ✅ | ||
Chroma | ✅ | ✅ | ✅ |
Couchbase | ✅ | ✅ | |
Elasticsearch | ✅ | ✅ | ✅ |
Infinispan | ✅ | ||
Milvus | ✅ | ✅ | ✅ |
MongoDB Atlas | ✅ | Only native filter support | |
Neo4j | ✅ | ||
OpenSearch | ✅ | ||
Oracle | ✅ | ✅ | ✅ |
PGVector | ✅ | ✅ | ✅ |
Pinecone | ✅ | ✅ | ✅ |
Qdrant | ✅ | ✅ | |
Redis | ✅ | ||
Tablestore | ✅ | ✅ | ✅ |
Vearch | ✅ | ||
Vespa | |||
Weaviate | ✅ | ✅ |
1.2 综合工具箱
过去一年,社区开发了许多由 LLM 驱动的应用程序,识别了常见的抽象、模式和技术。LangChain4j 已将这些精炼成一个现成包。工具箱涵盖:
- 从底层的提示词模板、聊天记忆模块管理、输出解析
- 到高级模式如 AI 服务和 RAG 的工具
对于每个抽象层次,都提供了一个接口,并基于常见技术提供了多个现成实现。不论构建聊天机器人,还是开发一个从数据导入到检索的完整 RAG 管道,LangChain4j 提供了广泛选择。
1.3 大量示例
这些 示例 展示了如何开始创建各种由 LLM 驱动的应用程序,提供了灵感并让您能够快速开始构建。
LangChain4j 于 2023 年初在 ChatGPT 热潮中开始开发。但发现Java 领域缺乏与 Python 和 JavaScript 类似的 LLM 库和框架,便决定解决这一问题!虽然名字包含“LangChain”,但该项目融合了 LangChain、Haystack、LlamaIndex 及更广泛社区的理念,并加入自己的创新。
开发团队积极关注社区的最新进展,致力于快速整合新技术和集成,确保Javaer始终保持最新状态。该库仍在积极开发中,虽然某些功能尚在开发,但核心功能已经就绪,现可立即开始构建基于 LLM 的应用程序!
为便于集成,LangChain4j 还包括和 Spring Boot 集成。
2 LangChain4j 的功能
- 与15+ 个 LLM 提供商的集成
- 与15+ 个向量嵌入存储的集成
- 与10+ 个嵌入模型的集成
- 与5个云端和本地图像生成模型的集成
- 与2 个评分(重新排序)模型的集成:
- 与 OpenAI 的一个审核模型的集成
- 支持文本和图像输入(多模态)
- AI 服务(高级 LLM API)
- 提示词模板
- 持久化和内存中的 聊天记忆模块 算法实现:消息窗口和 token 窗口
- LLM 响应流式传输
- 常见 Java 数据类型和自定义 POJO 的输出解析器
- 工具(功能调用)
- 动态工具(执行动态生成的 LLM 代码)
- RAG(检索增强生成):
- 数据导入:
- 从多个来源(文件系统、URL、GitHub、Azure Blob Storage、Amazon S3 等)导入各种类型的文档(TXT、PDF、DOC、PPT、XLS 等)
- 使用多种分割算法将文档切分成更小的片段
- 对文档和片段进行后处理
- 使用嵌入模型对片段进行嵌入
- 将嵌入存储在向量嵌入存储中
- 检索(简单和高级):
- 查询转换(扩展、压缩)
- 查询路由
- 从向量存储和/或任何自定义来源进行检索
- 重新排序
- 倒数排名融合
- RAG 流程中每个步骤的自定义
- 文本分类
- Token 切分和 Token 计数估算工具
3 两个抽象层次
LangChain4j 在两个抽象层次上运行:
- 底层。这层,你拥有最大自由,可以访问所有底层组件,如
ChatLanguageModel
、UserMessage
、AiMessage
、EmbeddingStore
、Embedding
等。这些是 LLM 应用程序的“原语”。你可完全控制如何组合它们,但需编写更多代码 - 高级。这层,你通过高级 API(如
AiServices
)与 LLM 进行交互,这些 API 屏蔽所有复杂性和样板代码。你仍可灵活调整和微调行为,但是以声明方式完成
4 LangChain4j 库结构
LangChain4j的模块化设计,包括:
langchain4j-core
模块,定义了核心抽象(如ChatLanguageModel
和EmbeddingStore
)及其 API- 主
langchain4j
模块,包含了诸如ChatMemory
、OutputParser
等有用工具,以及如AiServices
等高级功能 - 各种
langchain4j-{integration}
模块,每个模块提供与各种 LLM 提供商和嵌入存储的集成。可单独使用langchain4j-{integration}
模块。对于额外功能,只需导入主langchain4j
依赖项
5 LangChain4j 代码库
6 使用案例
我为啥需要这些功能?一些使用场景:
想要实现一个具有自定义行为并能访问您数据的 AI 聊天机器人:
- 客户支持聊天机器人可以:
- 礼貌地回答客户问题
- 接收/修改/取消订单
- 教育助手可以:
- 教授各种学科
- 解释不清楚的部分
- 评估用户的理解/知识
希望处理大量非结构化数据(文件、网页等),并从中提取结构化信息。如:
- 从客户评论和支持聊天记录中提取见解
- 从竞争对手的网站中提取有趣的信息
- 从求职者的简历中提取见解
希望生成信息,如:
- 针对每位客户定制的电子邮件
- 为你的应用程序/网站生成内容:
- 博客文章
- 故事
希望转换信息,如:
- 摘要
- 校对和重写
- 翻译
如何系统的去学习大模型LLM ?
大模型时代,火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业
?”“谁的饭碗又将不保了?
”等问题热议不断。
事实上,抢你饭碗的不是AI,而是会利用AI的人。
继科大讯飞、阿里、华为
等巨头公司发布AI产品后,很多中小企业也陆续进场!超高年薪,挖掘AI大模型人才! 如今大厂老板们,也更倾向于会AI的人,普通程序员,还有应对的机会吗?
与其焦虑……
不如成为「掌握AI工具的技术人
」,毕竟AI时代,谁先尝试,谁就能占得先机!
但是LLM相关的内容很多,现在网上的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学,学习成本和门槛很高。
针对所有自学遇到困难的同学们,我帮大家系统梳理大模型学习脉络,将这份 LLM大模型资料
分享出来:包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程
等, 😝有需要的小伙伴,可以 扫描下方二维码领取🆓↓↓↓
一、LLM大模型经典书籍
AI大模型已经成为了当今科技领域的一大热点,那以下这些大模型书籍就是非常不错的学习资源。
二、640套LLM大模型报告合集
这套包含640份报告的合集,涵盖了大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师,还是对AI大模型感兴趣的爱好者,这套报告合集都将为您提供宝贵的信息和启示。(几乎涵盖所有行业)
三、LLM大模型系列视频教程
四、LLM大模型开源教程(LLaLA/Meta/chatglm/chatgpt)
LLM大模型学习路线 ↓
阶段1:AI大模型时代的基础理解
-
目标:了解AI大模型的基本概念、发展历程和核心原理。
-
内容:
- L1.1 人工智能简述与大模型起源
- L1.2 大模型与通用人工智能
- L1.3 GPT模型的发展历程
- L1.4 模型工程
- L1.4.1 知识大模型
- L1.4.2 生产大模型
- L1.4.3 模型工程方法论
- L1.4.4 模型工程实践
- L1.5 GPT应用案例
阶段2:AI大模型API应用开发工程
-
目标:掌握AI大模型API的使用和开发,以及相关的编程技能。
-
内容:
- L2.1 API接口
- L2.1.1 OpenAI API接口
- L2.1.2 Python接口接入
- L2.1.3 BOT工具类框架
- L2.1.4 代码示例
- L2.2 Prompt框架
- L2.3 流水线工程
- L2.4 总结与展望
阶段3:AI大模型应用架构实践
-
目标:深入理解AI大模型的应用架构,并能够进行私有化部署。
-
内容:
- L3.1 Agent模型框架
- L3.2 MetaGPT
- L3.3 ChatGLM
- L3.4 LLAMA
- L3.5 其他大模型介绍
阶段4:AI大模型私有化部署
-
目标:掌握多种AI大模型的私有化部署,包括多模态和特定领域模型。
-
内容:
- L4.1 模型私有化部署概述
- L4.2 模型私有化部署的关键技术
- L4.3 模型私有化部署的实施步骤
- L4.4 模型私有化部署的应用场景
这份 LLM大模型资料
包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程
等, 😝有需要的小伙伴,可以 扫描下方二维码领取🆓↓↓↓