解锁AI的神秘力量：LangChain4j带你步入智能化实践之门

关注微信公众号 “程序员小胖” 每日技术干货，第一时间送达！

引言

在数字化转型的浪潮中，人工智能（AI）正逐渐成为推动企业创新和增长的关键力量。然而，将AI技术融入到日常业务流程并非易事，它需要跨越技术门槛，解决兼容性问题，并确保数据安全。今天，我们将带您了解一个革命性的AI集成框架——LangChain4j，它为Java开发者提供了一条通往智能化未来的捷径。

LangChain4j不仅仅是一个工具，它代表了一种全新的工作方式，一种将复杂AI技术变得触手可及的理念。通过这篇文章，我们将探索LangChain4j如何帮助企业解锁智能化潜能，优化业务流程，并在竞争激烈的市场中保持领先。

无论您是技术领域的探索者还是企业的决策者，LangChain4j的故事都不容错过。让我们一起启程，深入了解这个能够编织智慧链条、引领创新潮流的AI框架。

LangChain4j

Java版本的LangChain，随着大模型的不断发展，如何在程序中更好的利用大模型的能力来提高编程效率是一种趋势，LangChain是这么自己介绍自己的：

LangChain gives developers a framework to construct LLM‑powered apps easily.

意思是：LangChain提供了一个开发框架，使得开发者可以很容易的用来构建具有LLM能力的应用程序。

LLM就是Large Language Model，也就是常说的大语言模型，简称大模型。

个人认为：大模型时代，如何将大模型能力和传统应用相结合，使得传统应用更加智能，是人工智能时代的趋势。以前一个应用要获得智能，需要企业自己投入资源训练模型，而现在只需要接入大模型即可，这种便利性将使得大模型会应用得更为广泛，而如何将大模型能力和Java编程语言相结合，这就是LangChain4j所做的。

注意，大模型的能力远远不止聊天的能力，而LangChain4j就在帮助我们更好的利用大模型的能力，从而帮我们打造出更加智能的应用。

使用场景

LangChain4j 的使用场景广泛，覆盖了从基础的聊天机器人、问答系统到复杂的文档检索、知识管理、自动化工作流以及行业特定的AI解决方案等多个领域。以下是几个具体的使用场景：

客户服务自动化：企业可以利用LangChain4j构建智能客服系统，自动处理客户咨询、投诉和常见问题解答，提高服务效率和客户满意度。
内部知识管理：员工可以通过LangChain4j驱动的知识库搜索引擎快速获取公司政策、操作手册、技术文档等信息，提高工作效率。
内容创作与编辑：内容创作者和编辑团队可以利用LangChain4j辅助创作，例如自动生成文章概要、润色文本、甚至是基于现有素材生成新的创意内容。
个性化推荐系统：电商平台或媒体平台可以结合用户行为数据和LangChain4j的分析能力，提供更加个性化的商品或内容推荐。
智能分析报告：企业数据分析团队可以利用LangChain4j分析大数据集，自动生成易于理解的分析报告和业务洞察。

优势

高度模块化设计：允许开发者根据需要选择和组合模块，构建符合特定需求的解决方案，提高了灵活性和可扩展性。
强大的扩展性：支持对接多种语言模型和外部数据源，随着技术进步和新模型的出现，框架能快速适应和集成。
高效性能优化：针对Java环境进行了优化，确保模型运行高效，即使在处理大规模数据和高并发请求时也能保持良好性能。
易用性和可维护性：提供了简洁的API接口和详细的文档，降低了开发门槛，使得非AI背景的开发者也能快速上手。
丰富的社区支持和生态发展：活跃的开发者社区不断贡献新模块、案例和最佳实践，促进了框架的持续迭代和功能丰富。
企业级安全与合规：考虑到企业对数据安全和隐私的需求，LangChain4j设计时可能考虑了相应的安全措施和合规要求，确保模型的使用符合企业标准。

LangChain4j 实战

单轮对话

新建一个Maven工程，然后引入langchain4j的核心依赖、langchain4j集成OpenAi各个模型的依赖

       <dependency><groupId>dev.langchain4j</groupId><artifactId>langchain4j</artifactId><version>0.29.1</version></dependency><dependency><groupId>dev.langchain4j</groupId><artifactId>langchain4j-open-ai</artifactId><version>${langchain4j.version}</version></dependency>

程序的首次运行输出，标志着我们与这门新知识的初次“问候”，也象征着大模型学习之旅的起点

package org.example;
import dev.langchain4j.model.chat.ChatLanguageModel;
import dev.langchain4j.model.openai.OpenAiChatModel;/*** Despriction** @author 程序员小胖* @version v1.1* @since 2024/5/8 15:07*/
public class HelloWorld {public static void main(String[] args) {ChatLanguageModel model = OpenAiChatModel.withApiKey("demo");String answer = model.generate("hello world! ");System.out.println(answer);}
}

运行代码结果为：

Hello there! How can I assist you today?

这样，我们使用LangChain4j第一次成功的和OpenAi的GPT模型进行了对话，正常来说，调用OpenAi的API接口需要在OpenAi的官网去申请ApiKey才能调用成功，而我这里传入的ApiKey为"demo"却也能调通，查看源码得知这是因为demo是openai为我们提供的测试的apiKey

在底层在构造OpenAiChatModel时，会判断传入的ApiKey是否等于"demo"，如果等于会将OpenAi的原始API地址"https://api.openai.com/v1"改为"http://langchain4j.dev/demo/openai/v1"，这个地址是langchain4j专门为我们准备的一个体验地址，实际上这个地址相当于是"https://api.openai.com/v1"的代理，我们请求代理时，代理会去调用真正的OpenAi接口，只不过代理会将自己的ApiKey传过去，从而拿到结果返回给我们。
所以，真正开发时，需要大家设置自己的apiKey或baseUrl，可以这么设置：

ChatLanguageModel model = OpenAiChatModel.builder().baseUrl("http://langchain4j.dev/demo/openai/v1").apiKey("demo").build();

多轮对话

我们通过ChatLanguageModel的generate()方法向大模型提出问题：

 public static void main(String[] args) {ChatLanguageModel model = OpenAiChatModel.withApiKey("demo");String answer = model.generate("你好，你是谁？");System.out.println(answer);System.out.println(model.generate("请重复"));}

运行代码结果为：

你好！我是一个人工智能助手，可以回答你的问题和提供帮助。有什么可以帮到你的吗？
请重复

    public static void main(String[] args) {ChatLanguageModel model = OpenAiChatModel.withApiKey("demo");String answer = model.generate("你好，我是程序员小胖");System.out.println(answer);System.out.println(model.generate("我叫什么名字？"));}

运行代码结果为：

你好，程序员小胖！有什么问题或者需要帮助的吗？
您叫什么名字？

一样的情况，因为第二次调用generate()方法是一次单独的会话，那么如何做到使得两次或多次generate()在同一个会话中呢？在LangChain4j中有一个ChatMemory组件，它就是专门用来实现会话功能的，但是它需要结合LangChain4j中的AiService来使用，我们后面再介绍，现在我们先使用笨办法来解决多轮对话的问题。
在ChatLanguageModel中有多个generate()重载方法：

我们前面使用的就是第一个generate()方法，而第二个和第三个generate()方法都是接收一个ChatMessage集合，并且返回一个AiMessage，那么ChatMessage和AiMessage分别都表示什么意思呢？

ChatMessage是一个接口，表示聊天消息，它有以下四种实现：

UserMessage：表示用户发送给大模型的消息
AiMessage：表示大模型响应给用户的消息
SystemMessage：也是用户发送给大模型的消息，和UserMessage不同在于，SystemMessage一般是应用程序帮用户设置的，举个例子，假如有一个作家应用，那么“请你扮演一名作家，请帮我写一篇关于春天的作文”，其中“请你扮演一名画家”就是SystemMessage，“请帮我画一幅关于春天的作品”就是UserMessage
ToolExecutionResultMessage：也是用户发送给大模型的，表示工具的执行结果。
我们先重点关注UserMessage和AiMessage，它们就相当于请求和响应，所以如果我们想要实现多轮对话，可以这么实现：

    public static void main(String[] args) {ChatLanguageModel model = OpenAiChatModel.withApiKey("demo");UserMessage userMessage1 = UserMessage.userMessage("你好，我是程序员小胖！");Response<AiMessage> response1 = model.generate(userMessage1);AiMessage aiMessage1 = response1.content();System.out.println(aiMessage1.text());Response<AiMessage> response2 = model.generate(userMessage1, aiMessage1, UserMessage.userMessage("我叫什么"));AiMessage aiMessage2 = response2.content();System.out.println(aiMessage2.text());}

运行代码结果为：

你好，小胖！有什么可以帮助你的吗？
你告诉我你叫小胖。

打字机流式响应

当我们通过ChatLanguageModel的generate()方法向大模型提问时，ChatLanguageModel一次性给了整段响应结果，而不是一个字一个字打字机式的回答，不过我们可以使用OpenAiStreamingChatModel来实现打字机效果.

public static void main(String[] args) {StreamingChatLanguageModel model = OpenAiStreamingChatModel.builder().baseUrl("http://langchain4j.dev/demo/openai/v1").apiKey("demo").build();model.generate("你好，你是谁？", new StreamingResponseHandler<AiMessage>() {@Overridepublic void onNext(String token) {System.out.println(token);try {TimeUnit.SECONDS.sleep(1);} catch (InterruptedException e) {throw new RuntimeException(e);}}@Overridepublic void onError(Throwable error) {System.out.println(error);}});}