（三）LangChain4j模型分类和使用

最新推荐文章于 2025-03-25 20:20:19 发布
最新推荐文章于 2025-03-25 20:20:19 发布
阅读量1.9k 收藏 10
点赞数 21
分类专栏： LangChain4j 文章标签： 人工智能 java langchain 语言模型 自然语言处理
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/qq_36955155/article/details/137832007
版权
本文介绍了LangChain4j中的不同语言模型，如ChatLanguageModel，其支持Anthropic、OpenAI等多家公司的API，强调了灵活性和连接外部模型的能力。同时提到了EmbeddingModel、ImageModel和ModerationModel的应用。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

一.LanguageModel语言模型

该模型的API比较简单，接受字符串作为输入并返回字符串作为输出，这种模型已经被

ChatLanguageModel取代，所以LangChain4j中也不在扩展对LanguageModel的支持，

在此处也不过多描述。

二.ChatLanguageModel聊天语言模型

是LangChain4j中底层的API，提供了最大的功能和灵活性，可以连接市面上的很多语言模型：

1.Anthropic

Anthropic是一家位于美国加州旧金山的人工智能初创公司，成立于2021年。

AnthropicChatModel使用如下：

引入依赖

获取密钥，https://console.anthropic.com/settings/keys ，目前对中国用户不开放

​

2.OpenAI

一家非营利性人工智能研究机构，致力于推进人工智能领域的发展和应用。

OpenAiChatModel的使用如下：

提供测试用的密钥demo，可以实现基本功能，更多功能需要付费申请密钥。

3.MistralAI

致力于人工智能领域的公司，密钥需要付费使用。

4.Ollama

Ollama是一个开源的大型语言模型服务工具，它帮助用户快速在本地运行大模型。

要连接Ollama提供的大模型，必须在本地安装并运行一个大模型，例如 Llama 2、orca-mini等。

library

.....

三.OpenAiStreamingChatModel

具有聊天接口的的语言模型，能够实现流式输出

聊天语言模型中的讲解的公司也都能实现该功能，以OpenAi的举例：

四.EmbeddingModel 嵌入式模型

将文本转换为向量，用于相似性检索

结合数据库来保留原始数据之间的关系和语义信息

1.Milvus

AllMiniLmL6V2EmbeddingModel结合InMemoryEmbeddingStore

五.ImageModel图像模型

生成和编辑图像，可以根据文本生成图像

1.OpenAi

OpenAiImageModel

目前尚未用到，后面再进行补充

六.ModerationModel 审核模型

审核模型，可以过滤一些问题，例如检查文本是否包含有害内容

1.OpenAi

OpenAiModerationModel结合AiService（后面会讲）

七.ScoringModel评分模型

尚未研究，等研究之后在进行补充

1. LangChain4j 之入门基础(简单易学)
gorgor在码农
07-08 2347
不知道的朋友，可以看我一下两篇文章。
【微服务】SpringBoot整合LangChain4j 操作AI大模型实战详解
热门推荐
congge
03-17 1万+
SpringBoot 整合 LangChain4j 操作实战详解
大模型与LangChain4j：Java环境下构建和优化AI应用的全方位指南
01-23
内容概要：本文深入探讨了大模型和LangChain4j的各个方面。文中首先定义了大模型的基本特征、分类及应用领域，并介绍了大模型的发展层级和应用场景，诸如智能客服、内容创作、翻译等。接着详述了基于Java的AI开发工具LangChain4j，强调它解决了Java开发者在AI领域的不足之处。通过具体实例展示了如何集成阿里巴巴百练等平台的模型以及如何实施流式响应、聊天记忆等功能。同时讨论了结构化输出和函数调用的重要性，并介绍了向量数据库和检索增强生成(RAG)技术。除此之外，还讲解了构建一个医疗问答系统的全过程，涵盖了文件上传、知识库建设、性能优化、搜索引擎集成等方面。 适合人群：具备一定编程基础且有兴趣了解或已经在从事AI开发，特别是用Java作为开发语言的研发人员。 使用场景及目标：为企业级用户提供构建高性能、多功能的大模型解决方案，尤其适合希望通过RAG技术和向量数据库加强应用的智能化程度的技术团队。 其他说明：文章涉及的概念和技术较为前沿，但提供的代码示例和具体实现有助于读者更好地理解这些新技术的实际运用方式。同时也为想要深入了解提示词工程的人提供了有价值的参考。
Java开发者LLM实战——使用LangChain4j构建本地RAG系统
京东科技开发者
07-02 2553
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）。2.信息****检索（R)
Langchain4j的使用!Java实现对AI模型的使用!
晚风乱了温柔的博客
03-19 2497
Langchain4j的Stream流,会话记忆,function,RAG,检索增强的实现
langchain4j实战：三种模型的使用（ChatLanguageModel、StreamingChatLanguageModel、ImageModel）
VivianStark的博客
05-17 3671
langchain4j版本用的是0.27.1，LLM大模型使用OpenAi本文主要介绍聊天对话、流式对话、文生图三种模式的使用，只需要两步就可以实现和LLM交互。
LangChain4j系列：带你入门LangChain4j框架
2301_81940605的博客
07-05 9022
本文所有示例均在 langchain4j 0.31.0 版本之上进行，langchain4j也是在快速发展的阶段。
【langchain4j】AIservices能够实现更加灵活的chain
hiliang521的博客
11-18 1589
【langchain4j】AI service更加灵活的chain
LangChain4j实战项目 - RAG、Tool、Agent
向前
10-27 1413
一个包含Agent + Tool + RAG的一个简易机器人项目，后面可能会慢慢扩展其他功能，比如知识图谱等
5. LangChain4j 基于Embedding实现超越elasticsearch高级搜索
gorgor在码农
07-15 2272
Embedding是向量的意思，向量可以理解为平面坐标中的一个坐标点(x,y),在编程领域，一个二维向量就是一个大小为float类型的数组。也可以用三维坐标系中的向量表示一个空间中的点。在机器学习中，向量通常用于表示数据的特征。向量分数越高，代表位置越接近，匹配的数据越相似。
使用LangChain实现多模态提示：如何将图像和文本同时传递给大模型的完整指南
m0_57781768的博客
09-06 680
通过这篇文章，我们学习了如何使用LangChain将多模态数据（如图像和文本）传递给大语言模型（如GPT-4），并让模型生成对图片的描述或根据图片内容进行工具调用。LangChain不仅支持纯文本输入，还支持复杂的多模态数据格式，使得开发者能够轻松构建更强大的多模态交互系统。通过结合多模态提示和工具调用，开发者可以为多种应用场景（如自动驾驶、医学影像分析、内容生成等）创建更加智能化的解决方案。
使用LangChain4J实现Agent与Tool调用
2401_85325397的博客
10-06 2039
有一个被称为“工具（tools）”或“函数调用（function calling）”的概念。它允许LLM在必要时调用一或多个由开发者定义的工具。工具可以是任何东西：网页搜索、外部API调用、或执行一段特定代码等。LLM本身无法实际调用这些工具；它们会在响应中表达出调用某个工具的意图（而不是直接生成文本）。我们开发者，则需要根据提供的参数来执行这些工具并报告工具执行结果。
langchain4j基本使用方法（一）
最新发布
qq_33999481的博客
03-25 1154
langchain4j入门基本使用方法，入门教程
「LangChain4j入门 — JavaAI程序」
guojiaqi_的博客
12-16 1539
大模型，英文名叫 Large Model，大型模型。早期的时候，也叫 Foundation Model，基础模型。 大模型是一个简称。完整的叫法，应该是 “人工智能预训练大模型”。预训练，是一项技术，我们后面再解释。 我们现在口头上常说的大模型，实际上特指大模型的其中一类，也是用得最多的一类——语言大模型（LargeLanguage Model，也叫大语言模型，简称 LLM）。 除了语言大模型之外，还有视觉大模型、多模态大模型等。现在，包括所有类别在内的大模型合集，被称为广义的大模型。
解锁AI的神秘力量：LangChain4j带你步入智能化实践之门
weixin_42326548的博客
05-08 1821
在探索LangChain4j的旅程中，我们不仅揭开了AI实践的神秘面纱，还发现了如何将这些强大的技术应用到实际业务中。随着智能化时代的大门缓缓开启，让我们携手LangChain4j，共同迈向一个更智能、更高效的未来。
JAVA AI 框架LangChain4j 入门教程
洛阳泰山的博客
02-14 1613
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。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。
langchain4j初使用
LEICHUAN87的博客
10-25 1390
最近公司的AI项目有个新的需求：当向大模型提问时，大模型可能无法回答这个问题，领导感觉体验不好，打算引入搜索的功能，即在大模型回答不了问题的情况下，通过一些搜索引擎提供的api去搜索相关的答案返回给客户。目前比较流行的框架是langchain, 由于我们公司在调用模型时是利用大模型提供的rest api相关的文档通过Java的Httpclient去调用的，因此考虑引入python不太合适。这时，需要通过一些搜索引擎公司如百度、google等提供的搜索接口，去搜索互联网上的内容返回给客户，提高用户体验。
langchain4j onnx
03-08
<think>好的，用户想了解langchain4j与ONNX的集成和使用示例。首先，我需要确认langchain4j是否官方支持ONNX集成。查阅官方文档和社区资源，发现目前langchain4j主要专注于与Java生态的集成，比如HuggingFace和OpenAI，但并没有直接提到ONNX的支持。 接下来，考虑可能的间接集成方法。ONNX模型通常需要运行时环境，比如ONNX Runtime。或许用户可以在langchain4j中加载ONNX模型，并通过自定义代码进行调用。例如，使用ONNX Runtime的Java API加载模型，然后在处理链中使用它。 然后，需要验证这种方法的可行性。查找相关示例，发现虽然langchain4j没有直接示例，但ONNX Runtime的Java文档提供了模型加载和推理的代码片段。可以将这些代码封装成自定义工具或模块，再集成到langchain4j的流程中。 另外，用户可能需要了解如何将ONNX模型应用于自然语言处理任务，比如文本嵌入或分类。这里需要确保模型输入输出与langchain4j的接口兼容，可能需要数据预处理和后处理步骤。 最后，总结可能的步骤：加载ONNX模型，创建自定义工具，集成到langchain4j链中，并处理输入输出格式。同时，提醒用户注意依赖管理和性能优化，比如使用GPU加速ONNX推理。</think>关于LangChain4j与ONNX的集成，目前官方未提供直接支持的文档，但可通过以下方式实现间接集成： ### 1. ONNX模型加载基础 使用ONNX Runtime Java API加载模型： ```java import ai.onnxruntime.*; OrtEnvironment env = OrtEnvironment.getEnvironment(); OrtSession.SessionOptions options = new OrtSession.SessionOptions(); OrtSession session = env.createSession("model.onnx", options); ``` ### 2. 创建自定义工具类 ```java public class ONNXClassifier implements Tool { private final OrtSession session; public ONNXClassifier(String modelPath) throws OrtException { OrtEnvironment env = OrtEnvironment.getEnvironment(); this.session = env.createSession(modelPath, new OrtSession.SessionOptions()); } @Override public String execute(String input) { // 预处理输入->运行推理->后处理输出 float[] result = runInference(input); return postProcess(result); } } ``` ### 3. 集成到LangChain4j ```java ONNXClassifier classifier = new ONNXClassifier("text-classifier.onnx"); Assistant assistant = AiServices.builder(Assistant.class) .tools(classifier) .chatLanguageModel(OpenAiChatModel.withApiKey("demo")) .build(); ``` ### 4. 输入/输出处理示例 文本向量化预处理： $$ \text{Embedding}(x) = \text{ONNX}( \text{Tokenizer}(x) ) $$ 其中Tokenizer需要与模型训练时保持一致[^1]
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