ZHECSDN的博客

本文介绍了LangChain4j中的MCP（模型上下文协议），这是一种标准化协议，用于连接AI模型与外部数据源和工具。主要内容包括： MCP解决了传统Function Call需要为每个外部能力编写代码的问题，提供了统一协议 MCP架构包含Server、Transport、Client和ToolProvider四个核心组件 通过实战示例演示了如何集成百度地图MCP服务 详细说明了MCP的工作流程和安全注意事项 介绍了MCP生态资源和常见服务器类型 提供了最佳实践建议，包括复用Client、生产配置和错误处理

本文介绍了LangChain4j框架中的RAG（检索增强生成）技术实现。主要内容包括： RAG技术原理：通过结合信息检索和文本生成，解决传统LLM的知识时效性、幻觉问题和私有数据访问等问题。 核心实现步骤： 文本向量化：使用Embedding模型将文本转换为高维向量 向量存储与检索：建立向量数据库并进行相似度搜索 ELP流程：文档提取、加载和处理（分割、向量化、存储） 实际应用： 支持多种文档格式解析 提供三种文本分割策略 集成Spring Boot实现应用启动时加载RAG数据 优势：相比传统LLM，RAG

本文介绍了LangChain4j的Function Call功能，这是一种让AI模型调用外部工具的技术。主要内容包括：1）Function Call的核心价值是突破知识限制、执行实际任务和获取精确信息；2）通过@Tool和@P注解定义工具函数，如订单取消、天气查询等；3）将工具注册到AI服务的配置方法；4）实际应用场景示例，如订单取消流程的完整对话交互。该技术能自动判断何时调用工具、提取参数，并在Java层面确保安全可控，显著扩展了AI的应用能力。文章还提供了相关技术文档链接供进一步学习。

本文介绍了LangChain4j中对话记忆的实现与多用户隔离方案。主要内容包括：1) 对话记忆的必要性，通过ChatMemory实现上下文记忆；2) 多用户隔离方案，使用@MemoryId和ChatMemoryProvider为不同用户创建独立对话空间；3) 记忆持久化方案，通过实现ChatMemoryStore接口支持Redis、数据库等存储；4) 最佳实践建议，如memoryId设计、定期清理等。文章对比了不同记忆类型和存储方式的适用场景，为构建具有上下文记忆能力的AI对话系统提供了完整解决方案。

本文介绍了LangChain4j的AiServices声明式AI服务开发方法。通过定义Java接口并使用注解(如@SystemMessage、@UserMessage)来声明AI服务，开发者可以构建类型安全、带对话记忆功能的AI应用。文章详细讲解了如何配置系统预设词、模板变量，以及添加对话记忆功能，并提供了完整的Spring Boot集成示例。AiServices方式相比直接使用ChatModel，提供了更简洁、类型安全的开发体验，同时支持流式对话和上下文记忆管理，适用于构建更复杂的AI交互场景。

LangChain4j 是 Java 生态的 AI 应用开发框架提供同步和流式两种对话方式Spring Boot 集成简单，配置方便。