langchain4j+ai模型 硅谷小智 智慧医疗实战项目案例

Ne0inhk

— 20 min read
langchain4j+ai模型 硅谷小智 智慧医疗实战项目案例

文章目录

langchain4j+ai模型 硅谷小智 智慧医疗实战项目案例

前言

博主介绍：✌目前全网粉丝4W+，ZEEKLOG博客专家、Java领域优质创作者，博客之星、阿里云平台优质作者、专注于Java后端技术领域。

涵盖技术内容：Java后端、大数据、算法、分布式微服务、中间件、前端、运维等。

博主所有博客文件目录索引：博客目录索引(持续更新)

ZEEKLOG搜索：长路

视频平台：b站-Coder长路

前言

开源项目地址：https://gitee.com/changluJava/ai-xiaozhi

技术选型描述 & 相关资料

语言：Java

框架：langchain4j + 大模型qwen + function call + RAG增量（向量模型、向量数据库PINECONE）

聊天记忆持久化存储：mongodb

业务数据库（存储相关预约业务）：mysql

向量数据库（知识库）：向量数据库PINECONE

本文档主要进行梳理实现过程步骤，本项目来源尚硅谷-小智医疗项目：https://www.bilibili.com/video/BV1cpLTz1EVp

资料文档如下：

尚硅谷企业级大模型应用项目：小智医疗（LangChain4J） B站直达：https://www.bilibili.com/video/BV1cpLTz1EVp 百度网盘：https://pan.baidu.com/s/1rvAZP9Cp8uHu43MM7P95eQ?pwd=yyds 提取码: yyds

一、初始化项目

1.1、pom依赖引入

image-20250527221348276
<properties><maven.compiler.source>17</maven.compiler.source><maven.compiler.target>17</maven.compiler.target><project.build.sourceEncoding>UTF-8</project.build.sourceEncoding><spring-boot.version>3.2.6</spring-boot.version><knife4j.version>4.3.0</knife4j.version><langchain4j.version>1.0.0-beta3</langchain4j.version><mybatis-plus.version>3.5.11</mybatis-plus.version><langchain4j.version>1.0.0-beta3</langchain4j.version></properties><dependencies><!-- web应用程序核心依赖 --><dependency><groupId>org.springframework.boot</groupId><artifactId>spring-boot-starter-web</artifactId></dependency><!-- 编写和运行测试用例 --><dependency><groupId>org.springframework.boot</groupId><artifactId>spring-boot-starter-test</artifactId><scope>test</scope></dependency><!--langchain4j高级功能--><dependency><groupId>dev.langchain4j</groupId><artifactId>langchain4j-spring-boot-starter</artifactId></dependency></dependencies><dependencyManagement><dependencies><!--引入SpringBoot依赖管理清单--><dependency><groupId>org.springframework.boot</groupId><artifactId>spring-boot-dependencies</artifactId><version>${spring-boot.version}</version><type>pom</type><scope>import</scope></dependency><!--引入langchain4j依赖管理清单--><dependency><groupId>dev.langchain4j</groupId><artifactId>langchain4j-bom</artifactId><version>${langchain4j.version}</version><type>pom</type><scope>import</scope></dependency><!--引入百炼依赖管理清单--><dependency><groupId>dev.langchain4j</groupId><artifactId>langchain4j-community-bom</artifactId><version>${langchain4j.version}</version><type>pom</type><scope>import</scope></dependency></dependencies></dependencyManagement>

1.2、启动器实现 & 配置文件参数

XiaozhiSpringBootApplication.java：

@SpringBootApplicationpublicclassXiaozhiSpringBootApplication{publicstaticvoidmain(String[] args){SpringApplication.run(XiaozhiSpringBootApplication.class, args);}}

application.properties：

# web端口 server.port=8080

1.3、引入智能体模型

引入依赖：

<!-- 基于open-ai的langchain4j接口：ChatGPT、deepseek都是open-ai标准下的大模型 --><!-- <dependency>--><!-- <groupId>dev.langchain4j</groupId>--><!-- <artifactId>langchain4j-open-ai</artifactId>--><!-- </dependency>--><dependency><groupId>dev.langchain4j</groupId><artifactId>langchain4j-open-ai-spring-boot-starter</artifactId></dependency><!-- 接入阿里云百炼平台 --><dependency><groupId>dev.langchain4j</groupId><artifactId>langchain4j-community-dashscope-spring-boot-starter</artifactId></dependency>

application.properties配置参数如下：配置了百炼平台的参数配置，配置好之后，即可注入大模型

# 百炼平台 langchain4j.community.dashscope.chat-model.api-key=${DASH_SCOPE_API_KEY} langchain4j.community.dashscope.chat-model.model-name=qwen-plus-latest langchain4j.community.dashscope.chat-model.temperature=0.9 # 日志请求打印 langchain4j.open-ai.chat-model.log-requests=true langchain4j.open-ai.chat-model.log-responses=true

使用方式如下：

// 注入千问模型@AutowiredprivateQwenChatModel qwenChatModel;

1.3、智能体接口定义 & controller接口实现 & 集成接口文档

pom.xml集成接口文档的依赖如下：

<!-- 前后端分离中的后端接口测试工具 --><dependency><groupId>com.github.xiaoymin</groupId><artifactId>knife4j-openapi3-jakarta-spring-boot-starter</artifactId><version>${knife4j.version}</version></dependency>
image-20250527221919093

langchain4j框架内部实现非常完美，对于这个智能体接口我们可以动态通过注解方式去声明选择大模型model、记忆持久化chatMemory组件、functions calling tools工具以及RAG向量化组件（向量化计算 + 向量化数据库配置）：

@AiService( wiringMode =AiServiceWiringMode.EXPLICIT, chatModel ="qwenChatModel")publicinterfaceXiaozhiAgent{// 原始返回字符串@SystemMessage(fromResource ="xiaozhi-prompt-template.txt")Stringchat(@MemoryIdLong memoryId,@UserMessageString userMessage);}

这里指定了系统提示词，配置文件内容如下：

image-20250527225541904
你的名字是“硅谷小智”，你是一家名为“北京协和医院”的智能客服。 你是一个训练有素的医疗顾问和医疗伴诊助手。你态度友好、礼貌且言辞简洁。 1、请仅在用户发起第一次会话时，和用户打个招呼，并介绍你是谁。 2、作为一个训练有素的医疗顾问： 请基于当前临床实践和研究，针对患者提出的特定健康问题，提供详细、准确且实用的医疗建议。请同时考虑可能的病 因、诊断流程、治疗方案以及预防措施，并给出在不同情境下的应对策略。对于药物治疗，请特别指明适用的药品名 称、剂量和疗程。如果需要进一步的检查或就医，也请明确指示。 3、作为医疗伴诊助手，你可以回答用户就医流程中的相关问题，主要包含以下功能： AI分导诊：根据患者的病情和就医需求，智能推荐最合适的科室。 AI挂号助手：实现智能查询是否有挂号号源服务；实现智能预约挂号服务；实现智能取消挂号服务。 4、你必须遵守的规则如下： 在获取挂号预约详情或取消挂号预约之前，你必须确保自己知晓用户的姓名（必选）、身份证号（必选）、预约科室 （必选）、预约日期（必选，格式举例：2025-04-14）、预约时间（必选，格式：上午 或 下午）、预约医生（可选）。 当被问到其他领域的咨询时，要表示歉意并说明你无法在这方面提供帮助。 5、请在回答的结果中适当包含一些轻松可爱的图标和表情。 6、今天是 {{current_date}}。
image-20250527222231291

注意：这里暴露出来的为流式响应对象Flux<String>。

@Tag(name ="硅谷小智")@RestController@RequestMapping("/xiaozhi")publicclassXiaozhiController{@AutowiredprivateXiaozhiAgent xiaozhiAgent;@Operation(summary ="对话")@PostMapping("/chat")publicStringchat(@RequestBodyChatForm chatForm){return xiaozhiAgent.chat(chatForm.getMemoryId(), chatForm.getMessage());}}

由于我们引入了knife4j，我们可以直接通过访问：http://localhost:8080/doc.html#/-v3-api-docs/%E7%A1%85%E8%B0%B7%E5%B0%8F%E6%99%BA/chat

来进行测试验证接口。

image-20250527222459296

二、实现用户记忆持久化存储

2.1、引入mongodb的pom依赖

这里我们用户持久化存储记忆会存储到mongodb，引入mongo依赖：

<!-- Spring Boot Starter Data MongoDB --><dependency><groupId>org.springframework.boot</groupId><artifactId>spring-boot-starter-data-mongodb</artifactId></dependency>

2.2、创建用户聊天消息实体

image-20250527223837112
importlombok.AllArgsConstructor;importlombok.Data;importlombok.NoArgsConstructor;importnonapi.io.github.classgraph.json.Id;importorg.bson.types.ObjectId;importorg.springframework.data.mongodb.core.mapping.Document;@Data@AllArgsConstructor@NoArgsConstructor@Document("chat_messages")publicclassChatMessages{//唯一标识，映射到 MongoDB 文档的 _id 字段，可指定@IdprivateObjectId messageId;// private Long messageId;privateString content;//存储当前聊天记录列表的json字符串}

2.3、mongodb的连接配置 & mongoService业务处理

application.properties：

#MongoDB spring.data.mongodb.uri=mongodb://localhost:27017/chat_memory_db
image-20250527224234296
@ComponentpublicclassMongoChatMemoryStoreimplementsChatMemoryStore{@AutowiredprivateMongoTemplate mongoTemplate;// 根据memoryId查询到一组聊天信息@OverridepublicList<ChatMessage>getMessages(Object memoryId){Criteria criteria =Criteria.where("memoryId").is(memoryId);Query query =newQuery(criteria);ChatMessages chatMessages = mongoTemplate.findOne(query,ChatMessages.class);if(chatMessages ==null)returnnewLinkedList<>();// 反序列化returnChatMessageDeserializer.messagesFromJson(chatMessages.getContent());}// 根据查询id，更新一组message@OverridepublicvoidupdateMessages(Object memoryId,List<ChatMessage> messages){Criteria criteria =Criteria.where("memoryId").is(memoryId);Query query =newQuery(criteria);Update update =newUpdate(); update.set("content",ChatMessageSerializer.messagesToJson(messages));//根据query条件能查询出文档，则修改文档；否则新增文档 mongoTemplate.upsert(query, update,ChatMessages.class);}// 根据memoryId删除一组聊天信息记录@OverridepublicvoiddeleteMessages(Object memoryId){Criteria criteria =Criteria.where("memoryId").is(memoryId);Query query =newQuery(criteria); mongoTemplate.remove(query,ChatMessages.class);}}

2.4、持久化配置类ChatMemoryProvider

image-20250527223954859
@ConfigurationpublicclassXiaozhiAgentConfig{@AutowiredprivateMongoChatMemoryStore mongoChatMemoryStore;@BeanChatMemoryProviderchatMemoryProviderXiaozhi(){// 持久化存储，每个会话最大历史消息保存20条return memoryId ->MessageWindowChatMemory.builder().id(memoryId).maxMessages(20).chatMemoryStore(mongoChatMemoryStore).build();}}
image-20250527224351179

.

配置agent的记忆存储组件：

@AiService( wiringMode =AiServiceWiringMode.EXPLICIT, chatModel ="qwenChatModel", chatMemoryProvider ="chatMemoryProviderXiaozhi",)publicinterfaceXiaozhiAgent{// 原始返回字符串@SystemMessage(fromResource ="xiaozhi-prompt-template.txt")Stringchat(@MemoryIdLong memoryId,@UserMessageString userMessage);}

三、实现function call 增强业务处理

3.1、目标说明

实现硅谷小智的查询订单、预约订单、取消订单的功能。

用于用户在聊天过程中的提问处理。

3.2、引入mybatisplus的pom依赖 & 配置文件参数

pom.xml：

<!-- Mysql Connector --><dependency><groupId>com.mysql</groupId><artifactId>mysql-connector-j</artifactId></dependency><!--mybatis-plus 持久层--><dependency><groupId>com.baomidou</groupId><artifactId>mybatis-plus-spring-boot3-starter</artifactId><version>${mybatis-plus.version}</version></dependency>

application.properties：

# mysql spring.datasource.url=jdbc:mysql://localhost:3306/guiguxiaozhi?useUnicode=true&characterEncoding=UTF-8&serverTimezone=Asia/Shanghai&useSSL=false spring.datasource.username=root spring.datasource.password=123456 spring.datasource.driver-class-name=com.mysql.cj.jdbc.Driver # mybatis-plus mybatis-plus.configuration.log-impl=org.apache.ibatis.logging.stdout.StdOutImpl

3.3、创建MySQL数据库表

CREATEDATABASE`guiguxiaozhi`;USE`guiguxiaozhi`;CREATETABLE`appointment`(`id`BIGINTNOTNULLAUTO_INCREMENT,`username`VARCHAR(50)NOTNULL,`id_card`VARCHAR(18)NOTNULL,`department`VARCHAR(50)NOTNULL,`date`VARCHAR(10)NOTNULL,`time`VARCHAR(10)NOTNULL,`doctor_name`VARCHAR(50)DEFAULTNULL,PRIMARYKEY(`id`));

3.4、预约业务Mapper & service & mapper xml实现

image-20250527224936635

实体类定义：

@Data@AllArgsConstructor@NoArgsConstructorpublicclassAppointment{@TableId(type =IdType.AUTO)privateLong id;privateString username;privateString idCard;privateString department;privateString date;privateString time;privateString doctorName;}
image-20250527224902047

mapper：

@Mapper public interface AppointmentMapper extends BaseMapper<Appointment> { } // 对应xml配置 <?xml version="1.0" encoding="UTF-8"?><!DOCTYPEmapperPUBLIC"-//mybatis.org//DTD Mapper 3.0//EN""http://mybatis.org/dtd/mybatis-3-mapper.dtd"><mappernamespace="com.changlu.aixiaozhi.mapper.AppointmentMapper"></mapper>

service：

publicinterfaceAppointmentServiceextendsIService<Appointment>{AppointmentgetOne(Appointment appointment);}@ServicepublicclassAppointmentServiceImplextendsServiceImpl<AppointmentMapper,Appointment>implementsAppointmentService{/** * 查询订单是否存在 * * @param appointment * @return */@OverridepublicAppointmentgetOne(Appointment appointment){LambdaQueryWrapper<Appointment> queryWrapper =newLambdaQueryWrapper<>(); queryWrapper.eq(Appointment::getUsername, appointment.getUsername()); queryWrapper.eq(Appointment::getIdCard, appointment.getIdCard()); queryWrapper.eq(Appointment::getDepartment, appointment.getDepartment()); queryWrapper.eq(Appointment::getDate, appointment.getDate()); queryWrapper.eq(Appointment::getTime, appointment.getTime());Appointment appointmentDB = baseMapper.selectOne(queryWrapper);return appointmentDB;}}

3.5、function calling Tools创建

AppointmentTools：预约挂号、取消挂号、查询是否有号源。

image-20250527225301756
// 预约工具类库@ComponentpublicclassAppointmentTools{@AutowiredprivateAppointmentService appointmentService;// @Tool(name = "预约挂号", value = "根据参数，先执行工具方法queryDepartment查询是否可预约，并直接给用户回答是否可预约，并让用户确认所有预约信息，用户确认后再进行预约。")@Tool(name="预约挂号", value ="根据参数，先执行工具方法queryDepartment查询是否可预约，并直接给用户回答是否可预约，并让用户确认所有预约信息，用户确认后再进行预约。"+"如果用户没有提供具体的医生姓名，请从向量存储中找到一位医生。")// 支持向量化场景时，可基于向量存储中搜索publicStringbookAppointment(Appointment appointment){//查找数据库中是否包含对应的预约记录Appointment appointmentDB = appointmentService.getOne(appointment);if(appointmentDB ==null){ appointment.setId(null);//防止大模型幻觉设置了idif(appointmentService.save(appointment)){return"预约成功，并返回预约详情";}else{return"预约失败";}}return"您在相同的科室和时间已有预约";}@Tool(name ="取消预约挂号", value ="根据参数，查询预约是否存在，如果存在则删除预约记录并返回取消预约成功，否则返回取消预约失败")publicStringcancelAppointment(Appointment appointment){Appointment appointmentDB = appointmentService.getOne(appointment);if(appointmentDB !=null){//删除预约记录if(appointmentService.removeById(appointmentDB.getId())){return"取消预约成功";}else{return"取消预约失败";}}//取消失败return"您没有预约记录，请核对预约科室和时间";}@Tool(name ="查询是否有号源", value ="根据科室名称，日期，时间和医生查询是否有号源，并返回给用户")publicbooleanqueryDepartment(@P(value ="科室名称")String name,@P(value ="日期")String date,@P(value ="时间，可选值：上午、下午")String time,@P(value ="医生名称", required =false)String doctorName){System.out.println("查询是否有号源");System.out.println("科室名称："+ name);System.out.println("日期："+ date);System.out.println("时间："+ time);System.out.println("医生名称："+ doctorName);//TODO 维护医生的排班信息：//如果没有指定医生名字，则根据其他条件查询是否有可以预约的医生（有返回true，否则返回false；//如果指定了医生名字，则判断医生是否有排班（没有排版返回false）//如果有排班，则判断医生排班时间段是否已约满（约满返回false，有空闲时间返回true）returntrue;}}

用于测试信息：

你帮我选个最好的医生吧，我的个人信息是：长路，320681200807430024，2025-04-23，上午

3.6、智能体agent增强

image-20250527225350292
@AiService( wiringMode =AiServiceWiringMode.EXPLICIT, chatModel ="qwenChatModel", chatMemoryProvider ="chatMemoryProviderXiaozhi", tools ="appointmentTools",// tools配置)publicinterfaceXiaozhiAgent{// 原始返回字符串@SystemMessage(fromResource ="xiaozhi-prompt-template.txt")Stringchat(@MemoryIdLong memoryId,@UserMessageString userMessage);}

四、实现RAG增量

4.1、引入pom.xml依赖（pinecone） & 向量模型配置

<!--简单的rag实现 出现报错embeddingModel cannot be null，需要引入该rag实现 --><dependency><groupId>dev.langchain4j</groupId><artifactId>langchain4j-easy-rag</artifactId></dependency><!-- pinecone向量 --><dependency><groupId>dev.langchain4j</groupId><artifactId>langchain4j-pinecone</artifactId></dependency>

application.properties：

#集成阿里通义千问-通用文本向量-v3 langchain4j.community.dashscope.embedding-model.api-key=${DASH_SCOPE_API_KEY} langchain4j.community.dashscope.embedding-model.model-name=text-embedding-v3

4.2、向量模型选择与配置

向量模型选择的是阿里通义千问-通用文本向量-v3。

配置了4.1参数之后，注入的实体向量模型就是选择了对应的通用文本向量：

@AutowiredprivateEmbeddingModel embeddingModel;

4.3、向量数据库配置集成

需要引入pom：其中有内置embeddingModel向量模型实现

<dependency><groupId>dev.langchain4j</groupId><artifactId>langchain4j-easy-rag</artifactId></dependency>
image-20250527225923452
@AutowiredprivateEmbeddingStore embeddingStore;@AutowiredprivateEmbeddingModel embeddingModel;@BeanContentRetrievercontentRetrieverXiaozhiPincone(){// 方案2：pinecone向量数据库+向量模型// 创建一个 EmbeddingStoreContentRetriever 对象，用于从嵌入存储中检索内容returnEmbeddingStoreContentRetriever.builder()// 设置用于生成嵌入向量的嵌入模型.embeddingModel(embeddingModel)// 指定要使用的嵌入存储.embeddingStore(embeddingStore)// 设置最大检索结果数量，这里表示最多返回 1 条匹配结果.maxResults(1)// 设置最小得分阈值，只有得分大于等于 0.8 的结果才会被返回.minScore(0.8)// 构建最终的 EmbeddingStoreContentRetriever 实例.build();}

4.4、智能体agent再次增强向量数据库

同时需要在agent接口上配置好：

@AiService( wiringMode =AiServiceWiringMode.EXPLICIT, chatModel ="qwenChatModel", chatMemoryProvider ="chatMemoryProviderXiaozhi", tools ="appointmentTools",// tools配置 contentRetriever ="contentRetrieverXiaozhiPincone"//配置向量存储基于向量数据库)publicinterfaceXiaozhiAgent{// 原始返回字符串@SystemMessage(fromResource ="xiaozhi-prompt-template.txt")Stringchat(@MemoryIdLong memoryId,@UserMessageString userMessage);}

4.5、提前将文本上传向量数据库：上传文件单测

上传的文本如下：

image-20250527230219089

单测编写如下：

image-20250527230141840

.

@SpringBootTestpublicclassPineConeTest{@AutowiredprivateEmbeddingStore embeddingStore;@AutowiredprivateEmbeddingModel embeddingModel;/** * 上传向量数据库 */@TestpublicvoidtestUploadKnowledgeLibrary(){String documentDir =System.getProperty("user.dir")+"/documents/";//使用FileSystemDocumentLoader读取指定目录下的知识库文档//并使用默认的文档解析器对文档进行解析Document document1 =FileSystemDocumentLoader.loadDocument(documentDir +"医院信息.md");Document document2 =FileSystemDocumentLoader.loadDocument(documentDir +"科室信息.md");Document document3 =FileSystemDocumentLoader.loadDocument(documentDir +"神经内科.md");List<Document> documents =Arrays.asList(document1, document2, document3);//文本向量化并存入向量数据库：将每个片段进行向量化，得到一个嵌入向量EmbeddingStoreIngestor.builder().embeddingStore(embeddingStore).embeddingModel(embeddingModel).build().ingest(documents);}}

自动新建index，新建namespace：

image-20250527131021819
image-20250527131031429

4.6、测试验证是否搜索向量数据库

image-20250525231228050

通过查看mogodb，可以发现用户在询问问题的过程中，就自动会涉及到向量化检索，同时会将问题 & 检索到的内容一并发给ai模型，来进行语言话处理：

image-20250525231402032

。

**接着是用户发器的一次对ai的请求：**你可以发现，在我们的问题之后，会带有向量话搜索后的提示信息，从而ai能够很好的组织语言将精确的信息内容发送给用户

image-20250525231442777

等同于我们对ai发送了下面这一段话，这个设计思路属实非常nice：

image-20250525231620743

回答的非常好：

image-20250525231646141

五、改造流式输出

5.1、引入pom依赖

<!--流式输出--><dependency><groupId>org.springframework.boot</groupId><artifactId>spring-boot-starter-webflux</artifactId></dependency><dependency><groupId>dev.langchain4j</groupId><artifactId>langchain4j-reactor</artifactId></dependency>

5.2、选择流式输出模型配置参数

application.properties：

# 百炼平台 千问-流式输出 langchain4j.community.dashscope.streaming-chat-model.api-key=${DASH_SCOPE_API_KEY} langchain4j.community.dashscope.streaming-chat-model.model-name=qwen-plus

5.2、改造agent接口 & controller响应

image-20250527230422318
@AiService( wiringMode =AiServiceWiringMode.EXPLICIT,// chatModel = "qwenChatModel", streamingChatModel ="qwenStreamingChatModel",// 流式模型 chatMemoryProvider ="chatMemoryProviderXiaozhi", tools ="appointmentTools",// tools配置 contentRetriever ="contentRetrieverXiaozhiPincone"//配置向量存储基于向量数据库)publicinterfaceXiaozhiAgent{// 原始返回字符串// @SystemMessage(fromResource = "xiaozhi-prompt-template.txt")// String chat(@MemoryId Long memoryId, @UserMessage String userMessage);// 流式返回@SystemMessage(fromResource ="xiaozhi-prompt-template.txt")Flux<String>chat(@MemoryIdLong memoryId,@UserMessageString userMessage);}
image-20250527230430541
@Tag(name ="硅谷小智")@RestController@RequestMapping("/xiaozhi")publicclassXiaozhiController{@AutowiredprivateXiaozhiAgent xiaozhiAgent;// @Operation(summary = "对话")// @PostMapping("/chat")// public String chat(@RequestBody ChatForm chatForm) {// return xiaozhiAgent.chat(chatForm.getMemoryId(), chatForm.getMessage());// }@Operation(summary ="对话")@PostMapping(value ="/chat", produces ="text/stream;charset=utf-8")publicFlux<String>chat(@RequestBodyChatForm chatForm){return xiaozhiAgent.chat(chatForm.getMemoryId(), chatForm.getMessage());}}

六、前端ui运行，跑通

npminstallnpm run dev

正常访问聊天即可

额外：ai大模型本地部署

相关技术栈：

  • java大模型框架：langchain4j
  • ai模型：ollama-deepseek
  • ai向量化模型：ollama-bge-large
  • ai向量化存储：chroma，本地化部署

实战项目：

  • Langchain-Chatchat基于本地知识库的问答应用：https://github.com/chatchat-space/Langchain-Chatchat
  • chat-langchain 官方 聊天对话：https://github.com/langchain-ai/chat-langchain

langchain4j相关案例：

  • awesome-langchain4j：https://github.com/langchain4j/awesome-langchain4j
  • langchat（国人开发）：https://github.com/TyCoding/langchat

整理者：长路 时间：2025.5.27

资料获取

大家点赞、收藏、关注、评论啦~

精彩专栏推荐订阅：在下方专栏👇🏻

更多博客与资料可查看👇🏻获取联系方式👇🏻，🍅文末获取开发资源及更多资源博客获取🍅

Read more

从零开始：VSCode 配置 Go 开发环境全指南（附必备工具清单）

从零开始：VSCode 配置 Go 开发环境全指南（附必备工具清单）

目录 从零开始：VSCode 配置 Go 开发环境全指南（附必备工具清单） 一、基础环境准备 1. 安装 Go 语言 2. 配置 GOPATH（可选但推荐） 二、VSCode 配置 Go 开发环境 1. 安装 Go 扩展 2. 配置 settings.json：定制你的开发体验 打开 settings.json 的方式： 必选核心配置 可选个性化配置 三、必备开发工具：提升效率的 “利器” 1. 语言服务器与代码补全 2. 代码导航与结构分析 3. 代码格式化与导入管理 4. 静态代码检查（提升代码质量）

By Ne0inhk

Mysql超详细安装配置教程(保姆级)

MySQL 一、下载 MySQL （一）下载地址 官网下载社区版 MySQL，推荐选择 MySQL 8.0.44 社区版（稳定版，兼容性强），下载地址：MySQL Community Downloads （二）下载步骤 1. Select Operating System 选择 Microsoft Windows； 2. 下载选项选择： * 推荐：Windows (x86, 64-bit), ZIP Archive（免安装压缩包，灵活配置），文件大小约 231.7M，点击 Download； * 备选：MySQL Installer for Windows（图形化安装程序，

By Ne0inhk

使用 VS Code 连接 MySQL 数据库

文章目录 * 前言 * VS Code下载安装 * 如何在VS Code上连接MySQL数据库 * 1、打开扩展 * 2、安装MySQL插件 * 3、连接 * 导入和导出表结构和数据 前言 提示：这里可以添加本文要记录的大概内容： 听说VS Code不要钱，功能还和 Navicat 差不多，还能在上面打游戏 但是没安装插件是不行的 发现一个非常牛的博主 还有一个非常牛的大佬 提示：以下是本篇文章正文内容，下面案例可供参考 VS Code下载安装 VS Code下载安装 如何在VS Code上连接MySQL数据库 本篇分享是在已有VS Code这个软件的基础上，数据库举的例子是MySQL 1、打开扩展 2、安装MySQL插件 在搜索框搜索 MySQL和 MySQL Syntax，下载这三个插件 点击下面的插件，选择【install】安装

By Ne0inhk
RabbitMQ如何成为分布式系统的“神经中枢“？——从安装部署到C++调用实战的完整流程，带你体验它的奥妙所在！​

RabbitMQ如何成为分布式系统的“神经中枢“？——从安装部署到C++调用实战的完整流程，带你体验它的奥妙所在！​

文章目录 * 本篇摘要 * ①·RabbitMq（轻量级消息队列中间件） 介绍 * RabbitMQ 是什么？ * 核心功能与特点 * 1. **核心功能** * 2. **核心优势** * RabbitMQ 的核心概念 * 1. **生产者（Producer）** * 2. **消费者（Consumer）** * 3. **队列（Queue）** * 4. **交换机（Exchange）** * 5. **绑定（Binding）** * 工作流程（以 Direct 交换机为例） * 常见应用场景 * RabbitMQ 与相关技术对比 * 图像理解 * 总结一句话 * ②·RabbitMq 安装教程 * RabbitMq安装 * **1. 安装 RabbitMQ** * **2. 启动 & 检查状态** * **3. 创建管理员用户（

By Ne0inhk