基于 LangChain4j 为黑马点评项目集成 AI 功能

在黑马点评项目中集成 LangChain4j 实现 AI 功能的方案。主要涵盖依赖引入、阿里云通义千问模型配置、RAG 向量存储构建、ConsultantService 接口定义及流式 API 控制器开发。此外，还实现了基于 Redis 的会话历史持久化，确保对话上下文连续性，并通过系统提示词规范 AI 行为，防止幻觉。

晚风叙旧发布于 2026/4/5更新于 2026/4/132 浏览

文章配图

0.总览

文章配图

1.先导包

<dependency>
    <groupId>dev.langchain4j</groupId>
    <artifactId>langchain4j-open-ai</artifactId>
    <version>1.0.1</version>
</dependency>
<dependency>
    <groupId>com.fasterxml.jackson.core
    jackson-core
    2.15.2


    com.fasterxml.jackson.core
    jackson-databind
    2.15.2


    com.fasterxml.jackson.core
    jackson-annotations
    1.0.1


    dev.langchain4j
    langchain4j-spring-boot-starter
    1.0.1-beta6


    dev.langchain4j
    langchain4j-reactor
    1.0.1-beta6


    org.springframework.boot
    spring-boot-starter-webflux

相关免费在线工具

Keycode 信息
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
Escape 与 Native 编解码
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
JavaScript / HTML 格式化
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
JavaScript 压缩与混淆
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
RSA密钥对生成器
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
Mermaid 预览与可视化编辑
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

package com.hmdp.config;

import com.hmdp.aiservice.ConsultantService;
import com.hmdp.repository.RedisChatMemoryStore;
import com.hmdp.service.impl.ShopServiceImpl;
import dev.langchain4j.data.document.Document;
import dev.langchain4j.data.document.loader.ClassPathDocumentLoader;
import dev.langchain4j.memory.ChatMemory;
import dev.langchain4j.memory.chat.ChatMemoryProvider;
import dev.langchain4j.memory.chat.MessageWindowChatMemory;
import dev.langchain4j.model.embedding.EmbeddingModel;
import dev.langchain4j.model.openai.OpenAiChatModel;
import dev.langchain4j.model.openai.OpenAiEmbeddingModel;
import dev.langchain4j.model.openai.OpenAiStreamingChatModel;
import dev.langchain4j.rag.content.retriever.ContentRetriever;
import dev.langchain4j.rag.content.retriever.EmbeddingStoreContentRetriever;
import dev.langchain4j.service.AiServices;
import dev.langchain4j.store.embedding.EmbeddingStore;
import dev.langchain4j.store.embedding.EmbeddingStoreIngestor;
import dev.langchain4j.store.embedding.inmemory.InMemoryEmbeddingStore;
import org.springframework.context.annotation.Bean;
import org.springframework.context.annotation.Configuration;
import org.springframework.context.annotation.Lazy;

import javax.annotation.Resource;
import java.util.ArrayList;
import java.util.List;
import java.util.stream.Collectors;

@Configuration
public class CommonConfig {
    // 流式模型
    @Bean
    public OpenAiStreamingChatModel openAiStreamingChatModel() {
        return OpenAiStreamingChatModel.builder()
                .baseUrl("https://dashscope.aliyuncs.com/compatible-mode/v1") // qwen 模型
                .apiKey(System.getenv("API-KEY")) // 密钥，建议通过环境变量管理
                .modelName("qwen-plus")
                .logRequests(true) // 输出日志
                .logResponses(true) // 输出日志
                .build();
    }

    // 流式 AI 服务
    @Bean
    public ConsultantService consultantStreamingService(OpenAiStreamingChatModel streamingModel, ChatMemoryProvider chatMemoryProvider, ContentRetriever contentRetriever) {
        return AiServices.builder(ConsultantService.class)
                .streamingChatModel(streamingModel) // 用的模型
                .chatMemoryProvider(chatMemoryProvider) // 历史记录记忆模块
                .contentRetriever(contentRetriever) // 向量检索器，用来从向量数据库中找相似内容的
                .build();
    }

    // 构建 ChatMemoryProvider 对象，用来记录历史记录的
    @Bean
    public ChatMemoryProvider chatMemoryProvider() {
        ChatMemoryProvider chatMemoryProvider = new ChatMemoryProvider() {
            @Override
            public ChatMemory get(Object memoryId) {
                // 每次传入 id，标记是哪个会话的历史记录
                return MessageWindowChatMemory.builder()
                        .id(memoryId)
                        .maxMessages(20) // 最长 20 条
                        .build();
            }
        };
        return chatMemoryProvider;
    }

    // 1. 配置嵌入模型（用于将文本转为向量）
    @Bean
    public OpenAiEmbeddingModel embeddingModel() {
        return OpenAiEmbeddingModel.builder()
                .baseUrl("https://dashscope.aliyuncs.com/compatible-mode/v1") // 阿里云通义千问兼容接口
                .apiKey(System.getenv("API-KEY")) // 与聊天模型共用 API 密钥
                .modelName("text-embedding-v1") // 阿里云对应的嵌入模型
                .build();
    }

    // 2. 配置向量存储（这里用内存存储，生产可替换为 Pinecone/Milvus 等）
    @Bean
    public EmbeddingStore embeddingStore(EmbeddingModel embeddingModel, ShopServiceImpl shopService) {
        // 从数据库加载店铺数据转换为文档
        List<Document> documents = shopService.list().stream()
                .map(shop -> Document.from(
                        "店铺名称：" + shop.getName() + "\n"
                                + "地址：" + shop.getAddress() + "\n"
                                + "id：" + shop.getId() + "\n"
                                + "人均：" + shop.getAvgPrice() + "\n"
                                + "评分：" + (shop.getScore() != null ? shop.getScore() : "")))
                .collect(Collectors.toList());

        // 过滤空文档
        documents.removeIf(doc -> doc.text().trim().isEmpty());

        // 文档分块（避免超出模型 token 限制）
        List<Document> chunkedDocs = new ArrayList<>();
        for (Document doc : documents) {
            String text = doc.text();
            int chunkSize = 500; // 按 500 字符分块
            for (int i = 0; i < text.length(); i += chunkSize) {
                int end = Math.min(text.length(), i + chunkSize);
                chunkedDocs.add(Document.from(text.substring(i, end)));
            }
        }

        // 初始化向量存储并写入文档
        InMemoryEmbeddingStore store = new InMemoryEmbeddingStore();
        EmbeddingStoreIngestor.builder()
                .embeddingStore(store)
                .embeddingModel(embeddingModel)
                .build()
                .ingest(chunkedDocs);
        return store;
    }

    // 3. 配置内容检索器（从向量库检索相关文档）
    @Bean
    public ContentRetriever contentRetriever(EmbeddingStore embeddingStore, EmbeddingModel embeddingModel) {
        return EmbeddingStoreContentRetriever.builder()
                .embeddingStore(embeddingStore)
                .embeddingModel(embeddingModel)
                .minScore(0.6) // 最低匹配分数（0-1，越高越精准）
                .maxResults(5) // 最多返回 5 条相关文档
                .build();
    }
}

package com.hmdp.aiservice;

import dev.langchain4j.service.MemoryId;
import dev.langchain4j.service.SystemMessage;
import dev.langchain4j.service.UserMessage;
import dev.langchain4j.service.spring.AiService;
import dev.langchain4j.service.spring.AiServiceWiringMode;
import reactor.core.publisher.Flux;

import java.util.List;

public interface ConsultantService {
    @SystemMessage("""
        你是本地吃喝玩乐推荐助手，必须严格遵守以下规则：
        1. 所有回答只能基于检索到的店铺数据（名称、地址、人均、评分等），不得编造任何未在数据中出现的信息。
        2. 若检索到的信息不完整（如缺少评分、地址），需明确说明'该店铺的 [X] 信息未提供'，不得猜测。
        3. 若用户问题涉及未检索到的店铺或信息（如'推荐不存在的店铺'），直接回复'未找到相关店铺信息'，不得虚构。
        4. 禁止输出与检索数据矛盾的内容（如数据中店铺评分为 3 分，却说是 4 分）。
        5. 回答需包含明确的依据（如'推荐 XX 店，因为其人均 50 元符合你的预算'），让用户清楚推荐逻辑。
        """)
    public Flux<String> chat(@MemoryId String memoryId, @UserMessage String message);

    @SystemMessage("给我通过我给你的打分表（5 分制）与返回的店铺信息，基于检索到的店铺数据，写评论，只输出评论，50 字左右")
    public Flux<String> aiHelp(@MemoryId String memoryId, @UserMessage String message);
}

package com.hmdp.controller;

import com.hmdp.aiservice.ConsultantService;
import com.hmdp.entity.Shop;
import com.hmdp.repository.RedisChatMemory;
import com.hmdp.service.impl.ShopServiceImpl;
import dev.langchain4j.model.openai.OpenAiChatModel;
import org.springframework.beans.factory.annotation.Autowired;
import org.springframework.web.bind.annotation.CrossOrigin;
import org.springframework.web.bind.annotation.GetMapping;
import org.springframework.web.bind.annotation.RequestMapping;
import org.springframework.web.bind.annotation.RestController;
import reactor.core.publisher.Flux;

import javax.annotation.Resource;
import java.util.List;

@RestController
@CrossOrigin(origins = "*")
public class ChatController {
    @Autowired
    private ConsultantService consultantStreamingService;

    @Resource
    private RedisChatMemory redisChatMemory;

    @RequestMapping(value = "/chat", produces = "text/html;charset=utf-8")
    public Flux<String> chat(String memoryId, String message) {
        // 流式生成回复（RAG 会自动检索相关店铺信息），同时将流式传回来的历史记录放 redis，没有持久化需求的不用放
        StringBuilder aiResponse = new StringBuilder();
        return consultantStreamingService.chat(memoryId, message)
                .doOnNext(aiResponse::append)
                .doOnComplete(() -> {
                    redisChatMemory.saveMessage(memoryId, message, aiResponse.toString());
                })
                .doOnError(e -> System.err.println("AI 流输出出错：" + e.getMessage()));
    }
}

package com.hmdp.repository;

import cn.hutool.json.JSONUtil;
import org.springframework.data.redis.core.StringRedisTemplate;
import org.springframework.stereotype.Component;

import javax.annotation.Resource;
import java.time.Duration;
import java.util.ArrayList;
import java.util.List;

@Component
public class RedisChatMemory {
    @Resource
    private StringRedisTemplate stringRedisTemplate;

    private static final String PREFIX = "ai:chat:";

    // 获取历史对话
    public List<String> getHistory(String sessionId) {
        String json = stringRedisTemplate.opsForValue().get(PREFIX + sessionId);
        if (json == null || json.isEmpty()) return new ArrayList<>();
        return JSONUtil.toList(json, String.class);
    }

    // 保存新的一轮对话
    public void saveMessage(String sessionId, String userMessage, String aiMessage) {
        List<String> history = getHistory(sessionId);
        history.add("User: " + userMessage);
        history.add("AI: " + aiMessage);
        // 控制长度，只保留最近 20 轮对话
        if (history.size() > 40) {
            history = history.subList(history.size() - 40, history.size());
        }
        stringRedisTemplate.opsForValue().set(
                PREFIX + sessionId,
                JSONUtil.toJsonStr(history),
                Duration.ofDays(1)); // 存的 JSON 格式的字符串
    }

    public void clear(String sessionId) {
        stringRedisTemplate.delete(PREFIX + sessionId);
    }
}

package com.hmdp.controller;

import com.hmdp.aiservice.ConsultantService;
import com.hmdp.dto.AIHelperRequest;
import org.springframework.beans.factory.annotation.Autowired;
import org.springframework.web.bind.annotation.*;
import reactor.core.publisher.Flux;

import javax.annotation.Resource;
import java.util.ArrayList;
import java.util.List;
import java.util.Map;

@RestController
@CrossOrigin(origins = "*")
public class AiHelperController {
    @Resource
    private ConsultantService consultantStreamingService;

    // produces = "text/html;charset=utf-8" 用来保证返回前端的数据不会因为字符集乱码
    @RequestMapping(value = "/aihelper", produces = "text/html;charset=utf-8")
    public Flux<String> aiHelper(String memoryId, String message, String[] imageList) {
        Flux<String> result = consultantStreamingService.aiHelp(memoryId, message);
        return result;
    }
}

基于 LangChain4j 为黑马点评项目集成 AI 功能

0.总览

1.先导包

更多推荐文章

相关免费在线工具

2.配置类

3.配置 ConsultantService 接口

4.AI 推荐官（客服）ChatController 控制类

自己实现的 RedisChatMemory

5.AI 帮写评论 AiHelperController 控制类

6.关于前端

7.总结

基于 LangChain4j 为黑马点评项目集成 AI 功能

0.总览

1.先导包

微信扫一扫，关注极客日志

更多推荐文章

相关免费在线工具

2.配置类

3.配置 ConsultantService 接口

4.AI 推荐官（客服）ChatController 控制类

自己实现的 RedisChatMemory

5.AI 帮写评论 AiHelperController 控制类

6.关于前端

7.总结