Java LangChain4j 框架的入门知识，涵盖环境搭建、核心概念及基础用法。内容包括 JDK 17+ 与 Spring Boot 3.x 环境要求，Maven 依赖引入，OpenAI/DeepSeek 配置方法。详细讲解了 ChatModel 基础调用测试，AiService 接口的定义、多模型支持及流式响应处理。此外，还阐述了工具（Tool）注解的使用机制、返回值行为控制及自动配置原理，帮助开发者快速构建集成大模型的 Java 应用。
LangChain4j 的目标是简化将 LLM（大语言模型）集成到 Java 应用程序中的过程。
主要特性：
架构分层：
简单来说，框架分为两部分：ChatModel 相关对象用于调用大模型 API 进行对话；AI Service 服务类用于实现拓展功能（如 Memory、RAG、Prompt 等）。两者结合可构建完整的 AI 应用。
LangChain4j 支持与多种 LLM 提供商和向量存储集成。每个集成有独立的 Maven 依赖。
环境要求：
<dependency>
<groupId>dev.langchain4j</groupId>
<artifactId>langchain4j-open-ai-spring-boot-starter</artifactId>
<version>1.12.2-beta22</version>
</dependency>
初始化一个 OpenAiChatModel。官方推荐将密钥放在环境变量中，此处为方便演示放在 application.yml 中。
langchain4j:
open-ai:
chat-model:
api-key: ${OPENAI_API_KEY}
model-name: deepseek-chat
log-requests: true
base-url: https://api.deepseek.com
若需要使用流式消息，配置如下：
langchain4j.open-ai.streaming-chat-model.api-key=${OPENAI_API_KEY}
以 DeepSeek 为例（量大且便宜）。进入 API 开放平台选择密钥管理，创建 apiKey。充值余额后，将 key 粘贴到 yml 文件的 api-key 后面。
官方建议示例：
String apiKey = System.getenv("OPENAI_API_KEY");
@RestController
public class ChatController {
@Autowired
private ChatModel chatModel;
@RequestMapping("/chat")
public String toChat(@RequestParam(value = "message") String message) {
return chatModel.chat(message);
}
}
单元测试：
@Test
public void test2() {
// 假设注入的 Controller Bean 名为 chatController
String response = chatController.toChat("你好，AI!");
System.out.println("response:" + response);
}
请求会被转换为 JSON 格式的 POST 请求，API Key 加入请求头 Authorization 校验，Body 包含模型名称及是否流式等信息。
为使用更多功能，推荐使用 AiService。
1. 引入依赖
<dependency>
<groupId>dev.langchain4j</groupId>
<artifactId>langchain4j-spring-boot-starter</artifactId>
<version>1.12.2-beta22</version>
</dependency>
该依赖自动配置 AI 服务、RAG、工具等功能。
2. 定义接口
@AiService
public interface Assistant {
@SystemMessage("你是小离")
String chat(String userMessage);
}
3. 注入与调用
@Autowired
private Assistant assistant;
@RequestMapping("/ServiceChat")
public String chat2(String msg) {
return assistant.chat(msg);
}
测试结果显示 AI 会根据系统消息设定返回内容。
1. 多模型支持
可在配置中定义多个模型，并通过 wiringMode 指定注入哪个模型。
# OpenAI
langchain4j.open-ai.chat-model.api-key=${OPENAI_API_KEY}
langchain4j.open-ai.chat-model.model-name=gpt-4o-mini
# Ollama
langchain4j.ollama.chat-model.base-url=http://localhost:11434
langchain4j.ollama.chat-model.model-name=llama3.1
@AiService(wiringMode = EXPLICIT, chatModel = "openAiChatModel")
interface OpenAiAssistant {
@SystemMessage("You are a polite assistant")
String chat(String userMessage);
}
@AiService(wiringMode = EXPLICIT, chatModel = "ollamaChatModel")
interface OllamaAssistant {
@SystemMessage("You are a polite assistant")
String chat(String userMessage);
}
2. 支持流式消息
使用 StreamChatModel 时，AI 服务返回类型可使用 Flux<String>。
@SystemMessage("你是小离")
Flux<String> chat2(String userMessage);
需引入 Reactor 依赖：
<dependency>
<groupId>dev.langchain4j</groupId>
<artifactId>langchain4j-reactor</artifactId>
<version>1.0.0-beta3</version>
</dependency>
可通过 ChatModelListener 监听请求与响应：
@Configuration
class MyConfiguration {
@Bean
ChatModelListener chatModelListener() {
return new ChatModelListener() {
private static final Logger log = LoggerFactory.getLogger(ChatModelListener.class);
@Override
public void onRequest(ChatModelRequestContext requestContext) {
log.info("onRequest(): {}", requestContext.chatRequest());
}
@Override
public void onResponse(ChatModelResponseContext responseContext) {
log.info("onResponse(): {}", responseContext.chatResponse());
}
@Override
public void onError(ChatModelErrorContext errorContext) {
log.info("onError(): {}", errorContext.error().getMessage());
}
};
}
}
工具相当于 LLM 的手臂，使其能触发操作。需提供清晰的工具名称、功能描述及参数说明。
示例：BookingTools
@Service
public class BookingTools {
@Tool("一个说你好的工具，如果你的满意值达到 90，请使用这个工具，并输入你的满意值")
public void sayHello(@P(value = "你的满意值 (0-100)", required = true) Integer Satisfied) {
if (Satisfied >= 90) {
System.out.println("哈喽哇，你好呀");
} else {
System.out.println("Ai，心情有点不太好");
}
}
}
测试：
@Test
public void test3() {
String response = chatController.toChat("你是谁？然后回复一下你的满意度");
System.out.println("response:" + response);
}
注意：若描述不清，AI 可能无法正确调用工具。
name()：工具名称，默认方法名。value()：工具描述。returnBehavior()：控制执行结果返回给 AI 还是直接返回给用户。
ReturnBehavior.TO_LLM（默认）：用户 → AI → 工具 → AI 组织语言 → 用户。ReturnBehavior.IMMEDIATE：用户 → AI → 工具 → 直接返回用户。searchBehavior()：控制工具是否对 AI 可见。
SearchBehavior.SEARCHABLE（默认）：通过搜索策略匹配。SearchBehavior.ALWAYS_VISIBLE：始终可见。metadata()：额外信息。在 AutoConfiguration.imports 文件中定义了 dev.langchain4j.spring.LangChain4jAutoConfig，导入了 AiServicesAutoConfig。该类遍历 Bean 容器中含有 @Tool 注解的方法，组装 ToolSpecification 并设置到 AiServiceFactory 的上下文中，最终在 DefaultAiServices 的代理实现中完成工具组装。
本文介绍了 LangChain4j 的基础环境搭建、ChatModel 调用、AiService 核心功能及工具集成原理，为后续深入 RAG 及会话存储打下基础。
微信公众号「极客日志」，在微信中扫描左侧二维码关注。展示文案：极客日志 zeeklog
查找任何按下的键的javascript键代码、代码、位置和修饰符。 在线工具，Keycode 信息在线工具，online
JavaScript 字符串转义/反转义；Java 风格 \uXXXX（Native2Ascii）编码与解码。 在线工具，Escape 与 Native 编解码在线工具，online
使用 Prettier 在浏览器内格式化 JavaScript 或 HTML 片段。 在线工具，JavaScript / HTML 格式化在线工具，online
Terser 压缩、变量名混淆，或 javascript-obfuscator 高强度混淆（体积会增大）。 在线工具，JavaScript 压缩与混淆在线工具，online
生成新的随机RSA私钥和公钥pem证书。 在线工具，RSA密钥对生成器在线工具，online
基于 Mermaid.js 实时预览流程图、时序图等图表，支持源码编辑与即时渲染。 在线工具，Mermaid 预览与可视化编辑在线工具，online