LangChain4j实战之四：集成到spring-boot

Ne0inhk

— 25 min read
LangChain4j实战之四：集成到spring-boot

欢迎访问我的GitHub

这里分类和汇总了欣宸的全部原创(含配套源码)：https://github.com/zq2599/blog_demos

LangChain4j实战全系列链接

  1. 准备工作
  2. 极速开发体验
  3. 细说聊天API
  4. 集成到spring-boot

本篇概览

  • 由于spring-boot是工程中的常用框架，因此本次实战把spring-boot与LangChain4j集成在一起，增加项目的扩展性和实用性
  • 上图中涉及的API，有一部分不会进入实战，它们是：

《前文》[https://xinchen.blog.ZEEKLOG.net/article/details/155223658]对API做了梳理，如下图，今天通过编码实战来熟悉这些API

在这里插入图片描述
  1. LanguageMode：官方都不推荐使用了，那么我们也没必要体验了
  2. ToolExecutionResultMessage：和Tool有关的略为复杂，后面会有单独的一篇来实践，所以本次跳过
  3. CustomMessage：只有ollama支持，所以本次跳过
  4. ImageContent：涉及到文件处理和模型选择，会有单独一篇来讲解
  5. AudioContent、VideoContent、PdfContent：这些都和ImageContent类似，因此就略过了
  • 现在开始编码吧

源码下载（觉得作者啰嗦的，直接在这里下载）

  • 如果您只想快速浏览完整源码，可以在GitHub下载代码直接运行，地址和链接信息如下表所示(https://github.com/zq2599/blog_demos)：
名称链接备注
项目主页https://github.com/zq2599/blog_demos该项目在GitHub上的主页
git仓库地址(https)https://github.com/zq2599/blog_demos.git该项目源码的仓库地址，https协议
git仓库地址(ssh)[email protected]:zq2599/blog_demos.git该项目源码的仓库地址，ssh协议

这个git项目中有多个文件夹，本篇的源码在langchain4j-tutorials文件夹下，如下图红色箭头所示：

在这里插入图片描述

开发：创建子工程

  • 《准备工作》(https://xinchen.blog.ZEEKLOG.net/article/details/155104992)一文中创建好了整个实战系列的父工程langchain4j-totorials，所以今天的实战就在此父工程下创建子工程即可，名为demo-with-spring-boot
  • 父工程下新增文件夹demo-with-spring-boot，里面增加pom.xml文件，内容如下，可见主要是spring-boot和langchain4j部分的依赖：
<?xml version="1.0" encoding="UTF-8"?><projectxmlns="http://maven.apache.org/POM/4.0.0"xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"xsi:schemaLocation="http://maven.apache.org/POM/4.0.0 http://maven.apache.org/xsd/maven-4.0.0.xsd"><modelVersion>4.0.0</modelVersion><parent><groupId>com.bolingcavalry</groupId><artifactId>langchain4j-totorials</artifactId><version>1.0-SNAPSHOT</version></parent><artifactId>demo-with-spring-boot</artifactId><packaging>jar</packaging><dependencies><!-- Lombok --><dependency><groupId>org.projectlombok</groupId><artifactId>lombok</artifactId><optional>true</optional></dependency><!-- Spring Boot Starter --><dependency><groupId>org.springframework.boot</groupId><artifactId>spring-boot-starter</artifactId></dependency><!-- Spring Boot Web --><dependency><groupId>org.springframework.boot</groupId><artifactId>spring-boot-starter-web</artifactId></dependency><!-- Spring Boot Test --><dependency><groupId>org.springframework.boot</groupId><artifactId>spring-boot-starter-test</artifactId><scope>test</scope></dependency><!-- JUnit Jupiter Engine --><dependency><groupId>org.junit.jupiter</groupId><artifactId>junit-jupiter-engine</artifactId><scope>test</scope></dependency><!-- Mockito Core --><dependency><groupId>org.mockito</groupId><artifactId>mockito-core</artifactId><scope>test</scope></dependency><!-- Mockito JUnit Jupiter --><dependency><groupId>org.mockito</groupId><artifactId>mockito-junit-jupiter</artifactId><scope>test</scope></dependency><!-- LangChain4j Core --><dependency><groupId>dev.langchain4j</groupId><artifactId>langchain4j-core</artifactId></dependency><!-- LangChain4j OpenAI支持（用于通义千问的OpenAI兼容接口） --><dependency><groupId>dev.langchain4j</groupId><artifactId>langchain4j-open-ai</artifactId></dependency><!-- 官方 langchain4j（包含 AiServices 等服务类） --><dependency><groupId>dev.langchain4j</groupId><artifactId>langchain4j</artifactId></dependency><!-- 日志依赖由Spring Boot Starter自动管理，无需单独声明 --></dependencies><build><plugins><!-- Spring Boot Maven Plugin --><plugin><groupId>org.springframework.boot</groupId><artifactId>spring-boot-maven-plugin</artifactId><version>3.3.5</version><executions><execution><goals><goal>repackage</goal></goals></execution></executions></plugin></plugins></build></project>

开发：配置文件

  • 新建目录langchain4j-totorials/demo-with-spring-boot/src/main/resources，在里面新增文件application.properties，内容如下，重点是和模型有关的参数，请把your-api-key改成你自己的大模型API Key
# Spring Boot 应用配置 server.port=8080 server.servlet.context-path=/ # LangChain4j 使用OpenAI兼容模式配置通义千问模型 # 注意：请将your-api-key替换为您实际的通义千问API密钥 langchain4j.open-ai.chat-model.api-key=your-api-key # 通义千问模型名称 langchain4j.open-ai.chat-model.model-name=qwen3-max # 阿里云百炼OpenAI兼容接口地址 langchain4j.open-ai.chat-model.base-url=https://dashscope.aliyuncs.com/compatible-mode/v1 # 日志配置 logging.level.root=INFO logging.level.com.bolingcavalry=DEBUG logging.pattern.console=%d{HH:mm:ss.SSS} [%thread] %-5level %logger{36} - %msg%n # 应用名称 spring.application.name=demo-with-spring-boot

编码：启动类

  • 首先有springboot的application类，平平无奇
packagecom.bolingcavalry;importorg.springframework.boot.SpringApplication;importorg.springframework.boot.autoconfigure.SpringBootApplication;/** * Spring Boot应用程序的主类 */@SpringBootApplicationpublicclassApplication{publicstaticvoidmain(String[] args){SpringApplication.run(Application.class, args);}}

编码：高级LLM API的功能定义

  • 需要通过接口来定义这个高级LLM API能做什么，这里打算提供三种能力：

本篇要体验高级LLM API，如下图红框所示

在这里插入图片描述
  1. 最简单的对话，传入字符串返回字符串，方法名为simpleChat
  2. 使用模板，就是定义好模板，然后用外部变量来替代模板中的占位符，方法名为temlateChat
  3. 设置系统消息，就是设定大模型的身份角色等，方法名为temlateChatWithSysMsg
  • 上述三种能力都集中在名为Assistant的接口中，如下所示，可见这些能力由一些注解来辅助实现
packagecom.bolingcavalry.service;importdev.langchain4j.service.*;publicinterfaceAssistant{/** * 最简单的对话，只返回助手的回答，不包含任何额外信息 * * @param userMessage 用户消息 * @return 助手生成的回答 */StringsimpleChat(String userMessage);/** * 使用模板进行对话，返回助手的回答 * * @param name 模板中的变量 * @return 助手生成的回答 */@UserMessage("简单介绍一下{{name}}")StringtemlateChat(@V("name")String name);@SystemMessage("你的回答不会超过一百汉字")@UserMessage("简单介绍一下{{name}}")StringtemlateChatWithSysMsg(@V("name")String name);}
  • 高级LLM API的好处就是我们只要做好上述定义，具体实现交给LangChain4j来负责，也就是截图中的AiServices.create

编码：配置类

  • 接下来是配置类，这样就可以通过配置文件来创建模型服务类的实例了
packagecom.bolingcavalry.config;importdev.langchain4j.model.openai.OpenAiChatModel;importorg.springframework.beans.factory.annotation.Value;importorg.springframework.context.annotation.Bean;importorg.springframework.context.annotation.Configuration;importdev.langchain4j.service.AiServices;importcom.bolingcavalry.service.Assistant;/** * LangChain4j配置类 */@ConfigurationpublicclassLangChain4jConfig{@Value("${langchain4j.open-ai.chat-model.api-key}")privateString apiKey;@Value("${langchain4j.open-ai.chat-model.model-name:qwen-turbo}")privateString modelName;@Value("${langchain4j.open-ai.chat-model.base-url}")privateString baseUrl;/** * 创建并配置OpenAiChatModel实例（使用通义千问的OpenAI兼容接口） * @return OpenAiChatModel实例 */@BeanpublicOpenAiChatModelopenAiChatModel(){returnOpenAiChatModel.builder().apiKey(apiKey).modelName(modelName).baseUrl(baseUrl).build();}@BeanpublicAssistantassistant(OpenAiChatModel chatModel){returnAiServices.create(Assistant.class, chatModel);}}
  • 也就是说应用会通过LangChain4jConfig类创建两个实例：openAiChatModel负责低级LLM API，assistant负责高级LLM API

上述代码中的assistant方法值得注意，这里创建了高级LLM API实例bean，就是下图红框中那个，可以看到只要把Assistant.class作为入参，LangChain4j就能创建具有对应能力的bean

在这里插入图片描述

编码：服务类

  • 前面如果依赖注入创建了openAiChatModel和assistant，接下来就创建服务类QwenService，作用是使用openAiChatModel和assistant完成业务功能
  • 完整的代码如下，稍后会详细说明里面的重点
packagecom.bolingcavalry.service;importdev.langchain4j.model.chat.request.ChatRequest;importdev.langchain4j.model.openai.OpenAiChatModel;importjava.util.List;importorg.springframework.beans.factory.annotation.Autowired;importorg.springframework.stereotype.Service;importdev.langchain4j.data.message.*;importorg.slf4j.Logger;importorg.slf4j.LoggerFactory;/** * 通义千问服务类，用于与通义千问模型进行交互 */@ServicepublicclassQwenService{privatestaticfinalLogger logger =LoggerFactory.getLogger(QwenService.class);// 注入OpenAiChatModel，用于与通义千问进行交互privatefinalOpenAiChatModel openAiChatModel;/** * 构造函数，通过依赖注入获取OpenAiChatModel实例 * * @param openAiChatModel OpenAiChatModel实例 */@AutowiredpublicQwenService(OpenAiChatModel openAiChatModel){this.openAiChatModel = openAiChatModel;}/** * 调用通义千问模型进行对话 * * @param message 用户消息 * @return AI回复 */publicStringchat(String message){return openAiChatModel.chat(message);}/** * 获取AI模型的响应（用于接口调用） * * @param prompt 用户提示词 * @return AI生成的回答 */publicStringgetResponse(String prompt){return openAiChatModel.chat(prompt);}@AutowiredprivateAssistant assistant;/** * 调用AiService进行最简单的对话 * * @param prompt 用户提示词 * @return 助手生成的回答 */publicStringaiServiceSimpleChat(String prompt){return assistant.simpleChat(prompt)+"[from aiservice simpleChat]";}/** * 调用AiService进行模板对话 * * @param name 模板中的变量 * @return 助手生成的回答 */publicStringaiServiceTemplateChat(String name){return assistant.temlateChat(name)+"[from aiservice templateChat]";}/** * 调用AiService进行模板对话，包含系统消息 * * @param name 模板中的变量 * @return 助手生成的回答 */publicStringaiServiceTemplateChatWithSysMsg(String name){return assistant.temlateChatWithSysMsg(name)+"[from aiservice templateChatWithSysMsg]";}/** * 模拟多轮对话 * * @param prompt 模板中的变量 * @return 助手生成的回答 */publicStringsimulateMultiRoundChat(String prompt){List<ChatMessage> history =List.of(SystemMessage.from("你是历史学者，回答问题是简洁风格"),UserMessage.from("介绍曹操是谁"),AiMessage.from("曹操（155－220年），东汉末年杰出政治家、军事家、文学家，魏国奠基者。他统一北方，推行屯田，唯才是举，善用兵法，亦为建安文学代表人物，著有《观沧海》等诗作。"),UserMessage.from(prompt));AiMessage reply = openAiChatModel.chat(history).aiMessage();return reply.text()+"[from simulateMultiRoundChat]";}publicStringuseChatRequest(String prompt){List<ChatMessage> messages =List.of(SystemMessage.from("你是Java程序员，回答问题是简洁风格"),UserMessage.from(prompt));ChatRequest request =ChatRequest.builder().messages(messages).temperature(0.7).maxOutputTokens(100).build();return openAiChatModel.chat(request).aiMessage().text()+"[from useChatRequest]";}}
  • 上述代码有下面七处要注意的重点：
  1. openAiChatModel和assistant都被依赖注入进来，可以直接使用
  2. getResponse方法，其实就是最简单的一问一答
  3. aiServiceSimpleChat方法，演示了AiService的基本用法，assistant是LangChain4j根据我们定义的Assistant接口创建的实例，内部实现会调用openAiChatModel
  4. aiServiceTemplateChat方法，演示了AiService的模板用法，会拿着入参去填充模板中的占位符，以此作为传入大模型的提示词
  5. aiServiceTemplateChatWithSysMsg方法，演示了AiService的系统提示词能力，该能力通过SystemMessage注解就实现了
  6. simulateMultiRoundChat方法，这里演示了如何手动实现多轮对话，举个例子，你问AI：他的主要对手有哪些？，这时候AI一定不知道你说的那个他是谁，但如果之前你和AI聊过曹操的话题，并且把之前的聊天记录在本次对话时都带上，那么AI就知道你说的那个他是曹操，所以simulateMultiRoundChat方法就模拟了第二次对话时带上第一次对话信息的场景
  7. useChatRequest方法，演示了如何使用ChatRequest作为入参
  • 以上就是服务类的全部代码，可以看到其实非常简单，只需调用模型对象或者AiService对象的方法，看来LangChain4j确实在帮我们简化LLM应用开发
  • 好了，现在服务类已备好，接下来再开发一个controller类接收http请求，这样就能通过http接口调用来使用服务类提供的能力了

编码：controller类

  • controller类也很简单：定义好path，然后在响应方法中调用前面服务类的方法即可
/* * @Author: 程序员欣宸 [email protected] * @Date: 2025-11-28 09:41:52 * @LastEditors: 程序员欣宸 [email protected] * @LastEditTime: 2025-11-28 11:37:52 * @FilePath: /langchain4j-totorials/demo-with-spring-boot/src/main/java/com/bolingcavalry/controller/QwenController.java * @Description: 这是默认设置,请设置`customMade`, 打开koroFileHeader查看配置 进行设置: https://github.com/OBKoro1/koro1FileHeader/wiki/%E9%85%8D%E7%BD%AE */packagecom.bolingcavalry.controller;importcom.bolingcavalry.service.QwenService;importlombok.Data;importorg.springframework.beans.factory.annotation.Autowired;importorg.springframework.http.ResponseEntity;importorg.springframework.web.bind.annotation.PostMapping;importorg.springframework.web.bind.annotation.RequestBody;importorg.springframework.web.bind.annotation.RequestMapping;importorg.springframework.web.bind.annotation.RestController;/** * 通义千问控制器，处理与大模型交互的HTTP请求 */@RestController@RequestMapping("/api/qwen")publicclassQwenController{privatefinalQwenService qwenService;/** * 构造函数，通过依赖注入获取QwenService实例 * * @param qwenService QwenService实例 */@AutowiredpublicQwenController(QwenService qwenService){this.qwenService = qwenService;}/** * 提示词请求实体类 */@DatastaticclassPromptRequest{privateString prompt;}/** * 响应实体类 */@DatastaticclassResponse{privateString result;publicResponse(String result){this.result = result;}}/** * 检查请求体是否有效 * * @param request 包含提示词的请求体 * @return 如果有效则返回null，否则返回包含错误信息的ResponseEntity */privateResponseEntity<Response>check(PromptRequest request){if(request ==null|| request.getPrompt()==null|| request.getPrompt().trim().isEmpty()){returnResponseEntity.badRequest().body(newResponse("提示词不能为空"));}returnnull;}/** * 处理POST请求，接收提示词并返回模型响应 * * @param request 包含提示词的请求体 * @return 包含模型响应的ResponseEntity */@PostMapping("/chat")publicResponseEntity<Response>chat(@RequestBodyPromptRequest request){// 检查请求体是否有效ResponseEntity<Response> checkRlt =check(request);if(checkRlt !=null){return checkRlt;}try{// 调用QwenService获取模型响应String response = qwenService.getResponse(request.getPrompt());returnResponseEntity.ok(newResponse(response));}catch(Exception e){// 捕获异常并返回错误信息returnResponseEntity.status(500).body(newResponse("请求处理失败: "+ e.getMessage()));}}@PostMapping("/aiservicesimplechat")publicResponseEntity<Response>aiServiceSimpleChat(@RequestBodyPromptRequest request){ResponseEntity<Response> checkRlt =check(request);if(checkRlt !=null){return checkRlt;}try{// 调用QwenService获取模型响应String response = qwenService.aiServiceSimpleChat(request.getPrompt());returnResponseEntity.ok(newResponse(response));}catch(Exception e){// 捕获异常并返回错误信息returnResponseEntity.status(500).body(newResponse("请求处理失败: "+ e.getMessage()));}}@PostMapping("/aiservicetemplatechat")publicResponseEntity<Response>aiServiceTemplateChat(@RequestBodyPromptRequest request){ResponseEntity<Response> checkRlt =check(request);if(checkRlt !=null){return checkRlt;}try{// 调用QwenService获取模型响应String response = qwenService.aiServiceTemplateChat(request.getPrompt());returnResponseEntity.ok(newResponse(response));}catch(Exception e){// 捕获异常并返回错误信息returnResponseEntity.status(500).body(newResponse("请求处理失败: "+ e.getMessage()));}}@PostMapping("/aiservicetemplatechatwithsysmsg")publicResponseEntity<Response>aiServiceTemplateChatWithSysMsg(@RequestBodyPromptRequest request){ResponseEntity<Response> checkRlt =check(request);if(checkRlt !=null){return checkRlt;}try{// 调用QwenService获取模型响应String response = qwenService.aiServiceTemplateChatWithSysMsg(request.getPrompt());returnResponseEntity.ok(newResponse(response));}catch(Exception e){// 捕获异常并返回错误信息returnResponseEntity.status(500).body(newResponse("请求处理失败: "+ e.getMessage()));}}@PostMapping("/simulatemultiroundchat")publicResponseEntity<Response>simulateMultiRoundChat(@RequestBodyPromptRequest request){ResponseEntity<Response> checkRlt =check(request);if(checkRlt !=null){return checkRlt;}try{// 调用QwenService获取模型响应String response = qwenService.simulateMultiRoundChat(request.getPrompt());returnResponseEntity.ok(newResponse(response));}catch(Exception e){// 捕获异常并返回错误信息returnResponseEntity.status(500).body(newResponse("请求处理失败: "+ e.getMessage()));}}@PostMapping("/usechatrequest")publicResponseEntity<Response>useChatRequest(@RequestBodyPromptRequest request){ResponseEntity<Response> checkRlt =check(request);if(checkRlt !=null){return checkRlt;}try{// 调用QwenService获取模型响应String response = qwenService.useChatRequest(request.getPrompt());returnResponseEntity.ok(newResponse(response));}catch(Exception e){// 捕获异常并返回错误信息returnResponseEntity.status(500).body(newResponse("请求处理失败: "+ e.getMessage()));}}}
  • 至此，代码已写完，我们运行起来

体验：启动服务

  • 这是个spring-boot应用，因此我用了下面的mvn命令来启动
# 进入本篇创建的demo-with-spring-boot子工程内cd langchain4j-totorials/demo-with-spring-boot # 这是启动spring-boot应用的命令 mvn spring-boot:run

启动成功的输出效果如下

在这里插入图片描述

体验：准备http工具

  • 接下来要做的就是发http请求了，由于个人喜好的关系，大家的http工具各不相同，我这里使用的是vscode的REST Client插件，主要是为了好管理历史请求数据
  • 装好REST Client插件后，再创建个XXX.http的脚本文件，就能在vscode上发送请求了，我的test-api.http内容如下
# 测试 Qwen API 接口### GET 请求测试 GET http://localhost:8080/api/qwen Accept: application/json ### POST 请求测试 (如果接口支持POST) POST http://localhost:8080/api/qwen/chat Content-Type: application/json Accept: application/json {"prompt":"你好，请介绍一下自己，包括详细的版本信息以及当前的年月日时分秒"}### POST 请求测试 (如果接口支持POST) POST http://localhost:8080/api/qwen/aiservicesimplechat Content-Type: application/json Accept: application/json {"prompt":"他打败过哪些对手？"}### 测试带参数的 GET 请求 GET http://localhost:8080/api/qwen?query=你好世界 Accept: application/json ### POST 请求测试 (如果接口支持POST) POST http://localhost:8080/api/qwen/aiservicetemplatechat Content-Type: application/json Accept: application/json {"prompt":"三国演义"}### POST 使用系统消息的模板对话 POST http://localhost:8080/api/qwen/aiservicetemplatechatwithsysmsg Content-Type: application/json Accept: application/json {"prompt":"三国演义"}### POST 模拟多轮对话 POST http://localhost:8080/api/qwen/simulatemultiroundchat Content-Type: application/json Accept: application/json {"prompt":"他打败过哪些对手？"}### POST 使用 ChatRequest 作为入参 POST http://localhost:8080/api/qwen/usechatrequest Content-Type: application/json Accept: application/json {"prompt":"Java最新版本有哪些特性？"}

收到http响应后，会自动弹出新的TAB页展示响应详情，如下图

在这里插入图片描述

如下图所示，只要在vscode打开上述文件，再用鼠标点击下图黄框位置，就能发送请求

在这里插入图片描述

体验：低级LLM API，最简单的问答

  • 请求信息

先体验一下最简单的问答，对应下图红框的知识点

在这里插入图片描述
POST http://localhost:8080/api/qwen/chat Content-Type: application/json Accept: application/json {"prompt":"简单介绍曹操是谁？"}
  • 没问题，收到来自大模型的回答
HTTP/1.1 200 OK Content-Type: application/json Transfer-Encoding: chunked Date: Tue, 02 Dec 2025 00:51:08 GMT Connection: close {"result":"曹操（155年－220年），字孟德，东汉末年著名的政治家、军事家、文学家和诗人，沛国谯县（今安徽亳州）人。他是三国时期曹魏政权的奠基者，虽未称帝，但其子曹丕建立魏国后追尊他为魏武帝。\n\n在东汉末年天下大乱、群雄割据的背景下，曹操以“挟天子以令诸侯”的策略，迎汉献帝至许都，掌握朝廷实权。他统一了中国北方，击败袁绍、吕布、袁术等割据势力，并推行屯田制、唯才是举等政策，恢复社会秩序与经济生产。\n\n曹操也是一位杰出的文学家，是“建安文学”的代表人物之一，其诗作如《观沧海》《短歌行》等气势雄浑，情感深沉，对后世影响深远。\n\n历史上对曹操的评价复杂多元：传统史书（如《三国志》《后汉书》）多肯定其才能与功绩；而小说《三国演义》则将其塑造成“奸雄”形象，强调其权谋与多疑。现代史学界普遍认为他是乱世中的杰出人物，兼具雄才大略与复杂性格。"}
  • 上面的问题问了曹操的情况，如果我们打算像平时对话一样接着聊曹操，大模型会不会和我们继续聊呢？咋们再请求一次试试，如下所示，继续问他有哪些主要对手？
POST http://localhost:8080/api/qwen/chat Content-Type: application/json Accept: application/json {"prompt":"他有哪些主要对手？"}
  • 得到回复如下，可见大模型完全不知道所谓的他是谁，也就是说回答问题是完全不知道前面的对话信息
HTTP/1.1 200 OK Content-Type: application/json Transfer-Encoding: chunked Date: Tue, 02 Dec 2025 07:23:35 GMT Connection: close {"result":"您的问题中没有明确指出“他”具体指代哪位人物。为了提供准确的回答，请您补充说明所指的人物姓名或相关背景（例如：历史人物、政治人物、企业家、运动员等）。这样我才能更好地为您解答。"}
  • 有两种方法解决这个问题：
  1. 自己动手，把前面的聊天记录也发给大模型，让它知道之前发生了什么，稍后我们就会体验到
  2. 借助LangChain4J的记忆功能，这个后面会有单独的一篇来学习

体验：低级LLM API，自己动手实现多轮问答

  • 这里会体验QwenService的simulateMultiRoundChat方法，在聊天时把前面问答的内容也带上，以此来实现多轮问答的效果
  • 下面是聊天内容，可见这里没有提到他是谁，而在QwenService的simulateMultiRoundChat方法中，实际上已经给出了前面的聊天内容，即关于曹操的问答
### POST 模拟多轮对话 POST http://localhost:8080/api/qwen/simulatemultiroundchat Content-Type: application/json Accept: application/json {"prompt":"他有哪些主要对手？"}
  • 响应如下，可见只要带上了之前的问答信息，大模型就能理解你说的他是谁
HTTP/1.1 200 OK Content-Type: application/json Transfer-Encoding: chunked Date: Tue, 02 Dec 2025 07:45:20 GMT Connection: close {"result":"曹操主要对手包括： \n1. **袁绍**——北方强敌，官渡之战被曹操击败。 \n2. **刘备**——汉室宗亲，后建蜀汉，长期与曹魏对峙。 \n3. **孙权**——据江东，联刘抗曹，赤壁之战大败曹操。 \n4. **马超、韩遂**——关中割据势力，被曹操平定。 \n5. **吕布**——勇将，曾占徐州，后被曹操擒杀。[from simulateMultiRoundChat]"}

体验：高级LLM API，最简单的问答

  • 接下来发送http请求：

先体验最简单的问答，就是Assistant接口的simpleChat方法，如下图黄框

在这里插入图片描述

接下来要连续体验AiService的能力，如下图红框，看看LangChain4j帮我们把开发简化到什么程度

在这里插入图片描述
### POST 请求测试 (如果接口支持POST) POST http://localhost:8080/api/qwen/aiservicesimplechat Content-Type: application/json Accept: application/json {"prompt":"简单介绍曹操是谁？"}
  • 这是收到的响应
HTTP/1.1 200 OK Content-Type: application/json Transfer-Encoding: chunked Date: Tue, 02 Dec 2025 03:41:48 GMT Connection: close {"result":"曹操（155年－220年），字孟德，东汉末年著名的政治家、军事家、文学家和诗人，沛国谯县（今安徽亳州）人。他是三国时期曹魏政权的奠基者。\n\n在东汉末年天下大乱、群雄割据的背景下，曹操通过征战逐步统一了中国北方，挟天子以令诸侯，迎汉献帝至许昌，掌握朝廷实权。他推行屯田制、唯才是举等政策，恢复经济、稳定社会，为后来曹魏的建立打下基础。\n\n曹操也是一位杰出的文学家，擅长诗歌，其作品如《观沧海》《短歌行》等气势雄浑，开创建安文学之风，与儿子曹丕、曹植并称“三曹”。\n\n虽然传统戏曲和小说（如《三国演义》）常将他描绘为“奸雄”，但历史上曹操兼具雄才大略与复杂性格，是中国历史上极具影响力的人物之一。他去世后，其子曹丕称帝，追尊他为魏武帝。[from aiservice simpleChat]"}
  • 可见使用了AiService后，不用显式调用大模型服务，只需要设计一个接口也能实现同样效果

体验：高级LLM API，使用模板

  • 使用模板来格式化对话内容，请求如下，请求参数会被放入模板中，生成一个新的内容再发给大模型
### POST 请求测试 (如果接口支持POST) POST http://localhost:8080/api/qwen/aiservicetemplatechat Content-Type: application/json Accept: application/json {"prompt":"三国演义"}
  • 响应如下
HTTP/1.1 200 OK Content-Type: application/json Transfer-Encoding: chunked Date: Tue, 02 Dec 2025 08:54:10 GMT Connection: close {"result":"《三国演义》全名《三国志通俗演义》，是中国古代四大名著之一，由元末明初小说家罗贯中根据陈寿的正史《三国志》以及民间传说、戏曲等资料创作而成。它是一部历史演义小说，以东汉末年到西晋初年约百年间的历史为背景，描写了魏、蜀、吴三个政治集团之间的政治斗争和军事冲突。\n\n小说以“桃园三结义”开篇，讲述了刘备、关羽、张飞结为兄弟，共图大业的故事；随后围绕曹操、刘备、孙权三大势力展开，重点刻画了诸如诸葛亮、周瑜、吕布、赵云、司马懿等众多性格鲜明的历史人物。书中融合了真实历史与艺术虚构，情节跌宕起伏，语言生动，充满谋略、忠义、智谋与悲壮色彩。\n\n《三国演义》不仅具有很高的文学价值，也深刻影响了中国人的价值观和文化心理，其中“忠义仁勇”“运筹帷幄”“天下大势，分久必合，合久必分”等思想广为流传。著名情节如“草船借箭”“赤壁之战”“空城计”“三顾茅庐”等，至今仍被广泛传颂和改编。[from aiservice templateChat]"}

体验：高级LLM API，设置系统消息

  • 请求如下

再来体验设置系统消息的AiService，用注解SystemMessage来实现

在这里插入图片描述
### POST 使用系统消息的模板对话 POST http://localhost:8080/api/qwen/aiservicetemplatechatwithsysmsg Content-Type: application/json Accept: application/json {"prompt":"三国演义"}
  • 响应如下，与前面的/api/qwen/aiservicetemplatechat相比，同样的问题，这次的回答更加简洁，可见系统消息已经生效
HTTP/1.1 200 OK Content-Type: application/json Transfer-Encoding: chunked Date: Tue, 02 Dec 2025 09:06:50 GMT Connection: close {"result":"《三国演义》是罗贯中所著历史小说，描写了东汉末年魏、蜀、吴三国争霸的故事，以忠义智谋为核心，塑造了诸葛亮、关羽、曹操等经典人物形象。[from aiservice templateChatWithSysMsg]"}

体验：低级LLM API，用ChatRequest作为入参

  • 最后是ChatRequest作为入参的体验，与ChatMesage相比，可以在ChatRequest中加入各种设置，这里设置了系统消息
### POST 使用 ChatRequest 作为入参 POST http://localhost:8080/api/qwen/usechatrequest Content-Type: application/json Accept: application/json {"prompt":"Java最新版本有哪些特性？"}
  • 响应如下
HTTP/1.1 200 OK Content-Type: application/json Transfer-Encoding: chunked Date: Tue, 02 Dec 2025 09:11:21 GMT Connection: close {"result":"截至 Java 21（2023年9月发布，当前最新 LTS 版本），主要新特性包括：\n\n1. **虚拟线程（Virtual Threads）**（JEP 446） \n 轻量级线程，简化高并发编程，替代传统平台线程。\n\n2. **模式匹配 for switch**（JEP 441） \n 支持在 `switch` 中使用类型、null 和守卫[from useChatRequest]"}
  • 至此，聊天API的实战体验就全部完成了，相信您已经熟悉了基本使用方法，接下来还会继续探索LangChain4j的更多能力，把咱们得大模型应用构造得更加强大

你不孤单，欣宸原创一路相伴

  1. Java系列
  2. Spring系列
  3. Docker系列
  4. kubernetes系列
  5. 数据库+中间件系列
  6. DevOps系列

Read more

RabbitMQ用法的6种核心模式全面解析

RabbitMQ用法的6种核心模式全面解析

文章目录 * **一、RabbitMQ核心架构解析** * 1. AMQP协议模型 * 2. 消息流转原理 * **二、六大核心用法详解** * **1. 简单队列模式（Hello World）** * **2. 工作队列模式（Work Queues）** * **3. 发布/订阅模式（Pub/Sub）** * **4. 路由模式（Routing）** * **5. 主题模式（Topics）** * **6. RPC模式（远程调用）** * **三、高级特性实战** * **1. 消息持久化** * **2. 死信队列（DLX）** * **3. 延迟队列（插件实现）** * **四、集群与高可用方案** * 1. 镜像队列配置 * 2. 联邦跨机房部署 * **五、性能调优指南** * **六、

By Ne0inhk
KingbaseES数据库：ksql 命令行从建表到删表实战（含避坑指南）

KingbaseES数据库：ksql 命令行从建表到删表实战（含避坑指南）

KingbaseES数据库：ksql 命令行从建表到删表实战（含避坑指南） 本文围绕 KingbaseES 中 ksql 命令行操作表展开，涵盖表 “创建→查看→数据增删改查→结构修改→删除” 全生命周期。前置准备需连接数据库并切换目标模式，可选确认表空间；创建表要明确数据类型与约束，含基础单表、进阶复合主键表示例；查看表结构可通过 \dt、\d、\d + 命令分别获取表列表、基本结构、详细信息；数据操作聚焦 INSERT（单条 / 批量）、SELECT（全量 / 条件 / 排序）、UPDATE（必加 WHERE）、DELETE（必加 WHERE）；结构修改含增列、改列、删列、加约束、改表名；还梳理了三类常见报错解决方案。全文搭配实操命令与验证方法，助力新手快速掌握表操作核心技巧。

By Ne0inhk

PostgreSQL：如何定期验证备份的有效性？（灾备演练）

更多内容请见： 《深入掌握PostgreSQL数据库》 - 专栏介绍和目录 文章目录 * 一、为什么必须验证备份？ * 二、验证目标与分类 * 三、逻辑备份（pg_dump / pg_dumpall）验证 * 1. 基础验证：语法与结构 * 2. 完整恢复测试（推荐每月一次） * 3. 自动化脚本示例 * 四、物理备份（Base Backup + WAL 归档）验证 * 步骤 1：准备恢复环境 * 步骤 2：执行 PITR 恢复 * 步骤 3：数据一致性检查 * 五、自动化灾备演练框架 * 架构设计 * 关键组件 * 六、高级验证技术 * 1. WAL

By Ne0inhk

Flutter 组件 pair 适配鸿蒙 HarmonyOS 实战：结构化元组治理，构建轻量级双元数据模型与跨层传递架构

欢迎加入开源鸿蒙跨平台社区：https://openharmonycrossplatform.ZEEKLOG.net Flutter 组件 pair 适配鸿蒙 HarmonyOS 实战：结构化元组治理，构建轻量级双元数据模型与跨层传递架构 前言 在鸿蒙（OpenHarmony）生态迈向多维数据感知、涉及高频函数返回值传递、两元坐标互操作及复杂状态标识返回的背景下，如何以最轻量化的方式实现数据的“成对化”封装，已成为提升代码整洁度与系统运行效率的“工程润滑剂”。在鸿蒙设备这类强调 AOT 极致性能与低内存开销的环境下，如果应用为了简单的双元数据（如：经纬度、错误码+消息）而动态创建大量繁琐的单次使用类（POJO），由于由于对象头开销与 GC 压力，极易由于由于“类爆炸”导致内存碎片的堆积。 我们需要一种能够支持强类型泛型、具备不可变属性且无需显式类定义的元组治理方案。 pair 为 Flutter 开发者引入了源自 C++ 与 Java 标准库经典语义的“

By Ne0inhk