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
如何学习AI大模型 ?
“最先掌握AI的人,将会比较晚掌握AI的人有竞争优势”。
这句话,放在计算机、互联网、移动互联网的开局时期,都是一样的道理。
我在一线互联网企业工作十余年里,指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家,故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。【保证100%免费】🆓
对于0基础小白入门:
如果你是零基础小白,想快速入门大模型是可以考虑的。
一方面是学习时间相对较短,学习内容更全面更集中。
二方面是可以根据这些资料规划好学习计划和方向。
😝有需要的小伙伴,可以VX扫描下方二维码免费领取🆓
👉1.大模型入门学习思维导图👈
要学习一门新的技术,作为新手一定要先学习成长路线图,方向不对,努力白费。
对于从来没有接触过AI大模型的同学,我们帮你准备了详细的学习成长路线图&学习规划。可以说是最科学最系统的学习路线,大家跟着这个大的方向学习准没问题。(全套教程文末领取哈)
👉2.AGI大模型配套视频👈
很多朋友都不喜欢晦涩的文字,我也为大家准备了视频教程,每个章节都是当前板块的精华浓缩。
👉3.大模型实际应用报告合集👈
这套包含640份报告的合集,涵盖了AI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。(全套教程文末领取哈)
👉4.大模型落地应用案例PPT👈
光学理论是没用的,要学会跟着一起做,要动手实操,才能将自己的所学运用到实际当中去,这时候可以搞点实战案例来学习。(全套教程文末领取哈)
👉5.大模型经典学习电子书👈
随着人工智能技术的飞速发展,AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型,如GPT-3、BERT、XLNet等,以其强大的语言理解和生成能力,正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。(全套教程文末领取哈)
👉6.大模型面试题&答案👈
截至目前大模型已经超过200个,在大模型纵横的时代,不仅大模型技术越来越卷,就连大模型相关的岗位和面试也开始越来越卷了。为了让大家更容易上车大模型算法赛道,我总结了大模型常考的面试题。(全套教程文末领取哈)
👉学会后的收获:👈
• 基于大模型全栈工程实现(前端、后端、产品经理、设计、数据分析等),通过这门课可获得不同能力;
• 能够利用大模型解决相关实际项目需求: 大数据时代,越来越多的企业和机构需要处理海量数据,利用大模型技术可以更好地处理这些数据,提高数据分析和决策的准确性。因此,掌握大模型应用开发技能,可以让程序员更好地应对实际项目需求;
• 基于大模型和企业数据AI应用开发,实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能, 学会Fine-tuning垂直训练大模型(数据准备、数据蒸馏、大模型部署)一站式掌握;
• 能够完成时下热门大模型垂直领域模型训练能力,提高程序员的编码能力: 大模型应用开发需要掌握机器学习算法、深度学习
这份完整版的 AI 大模型学习资料已经上传CSDN,朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费
】
😝有需要的小伙伴,可以Vx扫描下方二维码免费领取🆓