关注微信公众号 “程序员小胖” 每日技术干货，第一时间送达！
引言
在数字化转型的浪潮中，人工智能（AI）正逐渐成为推动企业创新和增长的关键力量。然而，将AI技术融入到日常业务流程并非易事，它需要跨越技术门槛，解决兼容性问题，并确保数据安全。今天，我们将带您了解一个革命性的AI集成框架——LangChain4j，它为Java开发者提供了一条通往智能化未来的捷径。
LangChain4j不仅仅是一个工具，它代表了一种全新的工作方式，一种将复杂AI技术变得触手可及的理念。通过这篇文章，我们将探索LangChain4j如何帮助企业解锁智能化潜能，优化业务流程，并在竞争激烈的市场中保持领先。
无论您是技术领域的探索者还是企业的决策者，LangChain4j的故事都不容错过。让我们一起启程，深入了解这个能够编织智慧链条、引领创新潮流的AI框架。
LangChain4j
Java版本的LangChain，随着大模型的不断发展，如何在程序中更好的利用大模型的能力来提高编程效率是一种趋势，LangChain是这么自己介绍自己的：
LangChain gives developers a framework to construct LLM‑powered apps easily.
意思是：LangChain提供了一个开发框架，使得开发者可以很容易的用来构建具有LLM能力的应用程序。
LLM就是Large Language Model，也就是常说的大语言模型，简称大模型。
个人认为：大模型时代，如何将大模型能力和传统应用相结合，使得传统应用更加智能，是人工智能时代的趋势。以前一个应用要获得智能，需要企业自己投入资源训练模型，而现在只需要接入大模型即可，这种便利性将使得大模型会应用得更为广泛，而如何将大模型能力和Java编程语言相结合，这就是LangChain4j所做的。
注意，大模型的能力远远不止聊天的能力，而LangChain4j就在帮助我们更好的利用大模型的能力，从而帮我们打造出更加智能的应用。
使用场景
LangChain4j 的使用场景广泛，覆盖了从基础的聊天机器人、问答系统到复杂的文档检索、知识管理、自动化工作流以及行业特定的AI解决方案等多个领域。以下是几个具体的使用场景：
-
客户服务自动化：企业可以利用LangChain4j构建智能客服系统，自动处理客户咨询、投诉和常见问题解答，提高服务效率和客户满意度。
-
内部知识管理：员工可以通过LangChain4j驱动的知识库搜索引擎快速获取公司政策、操作手册、技术文档等信息，提高工作效率。
-
内容创作与编辑：内容创作者和编辑团队可以利用LangChain4j辅助创作，例如自动生成文章概要、润色文本、甚至是基于现有素材生成新的创意内容。
-
个性化推荐系统：电商平台或媒体平台可以结合用户行为数据和LangChain4j的分析能力，提供更加个性化的商品或内容推荐。
-
智能分析报告：企业数据分析团队可以利用LangChain4j分析大数据集，自动生成易于理解的分析报告和业务洞察。
优势
-
高度模块化设计：允许开发者根据需要选择和组合模块，构建符合特定需求的解决方案，提高了灵活性和可扩展性。
-
强大的扩展性：支持对接多种语言模型和外部数据源，随着技术进步和新模型的出现，框架能快速适应和集成。
-
高效性能优化：针对Java环境进行了优化，确保模型运行高效，即使在处理大规模数据和高并发请求时也能保持良好性能。
-
易用性和可维护性：提供了简洁的API接口和详细的文档，降低了开发门槛，使得非AI背景的开发者也能快速上手。
-
丰富的社区支持和生态发展：活跃的开发者社区不断贡献新模块、案例和最佳实践，促进了框架的持续迭代和功能丰富。
-
企业级安全与合规：考虑到企业对数据安全和隐私的需求，LangChain4j设计时可能考虑了相应的安全措施和合规要求，确保模型的使用符合企业标准。
LangChain4j 实战
单轮对话
新建一个Maven工程，然后引入langchain4j的核心依赖、langchain4j集成OpenAi各个模型的依赖
<dependency>
<groupId>dev.langchain4j</groupId>
<artifactId>langchain4j</artifactId>
<version>0.29.1</version>
</dependency>
<dependency>
<groupId>dev.langchain4j</groupId>
<artifactId>langchain4j-open-ai</artifactId>
<version>${langchain4j.version}</version>
</dependency>
程序的首次运行输出，标志着我们与这门新知识的初次“问候”，也象征着大模型学习之旅的起点
package org.example;
import dev.langchain4j.model.chat.ChatLanguageModel;
import dev.langchain4j.model.openai.OpenAiChatModel;
/**
* Despriction
*
* @author 程序员小胖
* @version v1.1
* @since 2024/5/8 15:07
*/
public class HelloWorld {
public static void main(String[] args) {
ChatLanguageModel model = OpenAiChatModel.withApiKey("demo");
String answer = model.generate("hello world! ");
System.out.println(answer);
}
}
运行代码结果为：
Hello there! How can I assist you today?
这样，我们使用LangChain4j第一次成功的和OpenAi的GPT模型进行了对话，正常来说，调用OpenAi的API接口需要在OpenAi的官网去申请ApiKey才能调用成功，而我这里传入的ApiKey为"demo"却也能调通，查看源码得知这是因为demo是openai为我们提供的测试的apiKey
在底层在构造OpenAiChatModel时，会判断传入的ApiKey是否等于"demo"，如果等于会将OpenAi的原始API地址"https://api.openai.com/v1"改为"http://langchain4j.dev/demo/openai/v1"，这个地址是langchain4j专门为我们准备的一个体验地址，实际上这个地址相当于是"https://api.openai.com/v1"的代理，我们请求代理时，代理会去调用真正的OpenAi接口，只不过代理会将自己的ApiKey传过去，从而拿到结果返回给我们。
所以，真正开发时，需要大家设置自己的apiKey或baseUrl，可以这么设置：
ChatLanguageModel model = OpenAiChatModel.builder()
.baseUrl("http://langchain4j.dev/demo/openai/v1")
.apiKey("demo")
.build();
多轮对话
我们通过ChatLanguageModel的generate()方法向大模型提出问题：
public static void main(String[] args) {
ChatLanguageModel model = OpenAiChatModel.withApiKey("demo");
String answer = model.generate("你好，你是谁？");
System.out.println(answer);
System.out.println(model.generate("请重复"));
}
运行代码结果为：
你好！我是一个人工智能助手，可以回答你的问题和提供帮助。有什么可以帮到你的吗？
请重复
public static void main(String[] args) {
ChatLanguageModel model = OpenAiChatModel.withApiKey("demo");
String answer = model.generate("你好，我是程序员小胖");
System.out.println(answer);
System.out.println(model.generate("我叫什么名字？"));
}
运行代码结果为：
你好，程序员小胖！有什么问题或者需要帮助的吗？
您叫什么名字？
一样的情况，因为第二次调用generate()方法是一次单独的会话，那么如何做到使得两次或多次generate()在同一个会话中呢？在LangChain4j中有一个ChatMemory组件，它就是专门用来实现会话功能的，但是它需要结合LangChain4j中的AiService来使用，我们后面再介绍，现在我们先使用笨办法来解决多轮对话的问题。
在ChatLanguageModel中有多个generate()重载方法：
我们前面使用的就是第一个generate()方法，而第二个和第三个generate()方法都是接收一个ChatMessage集合，并且返回一个AiMessage，那么ChatMessage和AiMessage分别都表示什么意思呢？
ChatMessage是一个接口，表示聊天消息，它有以下四种实现：
- UserMessage：表示用户发送给大模型的消息
- AiMessage：表示大模型响应给用户的消息
- SystemMessage：也是用户发送给大模型的消息，和UserMessage不同在于，SystemMessage一般是应用程序帮用户设置的，举个例子，假如有一个作家应用，那么“请你扮演一名作家，请帮我写一篇关于春天的作文”，其中“请你扮演一名画家”就是SystemMessage，“请帮我画一幅关于春天的作品”就是UserMessage
- ToolExecutionResultMessage：也是用户发送给大模型的，表示工具的执行结果。
我们先重点关注UserMessage和AiMessage，它们就相当于请求和响应，所以如果我们想要实现多轮对话，可以这么实现：
public static void main(String[] args) {
ChatLanguageModel model = OpenAiChatModel.withApiKey("demo");
UserMessage userMessage1 = UserMessage.userMessage("你好，我是程序员小胖！");
Response<AiMessage> response1 = model.generate(userMessage1);
AiMessage aiMessage1 = response1.content();
System.out.println(aiMessage1.text());
Response<AiMessage> response2 = model.generate(userMessage1, aiMessage1, UserMessage.userMessage("我叫什么"));
AiMessage aiMessage2 = response2.content();
System.out.println(aiMessage2.text());
}
运行代码结果为：
你好，小胖！有什么可以帮助你的吗？
你告诉我你叫小胖。
打字机流式响应
当我们通过ChatLanguageModel的generate()方法向大模型提问时，ChatLanguageModel一次性给了整段响应结果，而不是一个字一个字打字机式的回答，不过我们可以使用OpenAiStreamingChatModel来实现打字机效果.
public static void main(String[] args) {
StreamingChatLanguageModel model = OpenAiStreamingChatModel.builder()
.baseUrl("http://langchain4j.dev/demo/openai/v1")
.apiKey("demo")
.build();
model.generate("你好，你是谁？", new StreamingResponseHandler<AiMessage>() {
@Override
public void onNext(String token) {
System.out.println(token);
try {
TimeUnit.SECONDS.sleep(1);
} catch (InterruptedException e) {
throw new RuntimeException(e);
}
}
@Override
public void onError(Throwable error) {
System.out.println(error);
}
});
}
结语
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。
参考地址:
https://www.langchain.com.cn/
https://docs.langchain4j.dev/
https://github.com/langchain4j?tab=repositories
2345
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
