LangChain4j 的目标是简化将大语言模型（LLM）集成到 Java 应用程序中的过程。

1 实现方式

1.1 标准化 API

LLM 提供商（如 OpenAI 或 Google Vertex AI）和向量嵌入存储（如 Pinecone 或 Milvus）使用专有 API。LangChain4j 提供了标准化 API，避免了每次都需要学习和实现特定 API 的麻烦。要试验不同的 LLM 或嵌入存储，可以轻松切换而无需重写代码。LangChain4j 目前支持 15+ 个主流 LLM 提供商和 15+ 个嵌入存储。

1.2 综合工具箱

过去的一年里，社区开发了许多由 LLM 驱动的应用程序，识别了常见的抽象、模式和技术。LangChain4j 已将这些精炼成一个现成的包。我们的工具箱涵盖从低级的提示词模板、聊天记忆模块管理、输出解析到高级模式如 AI 服务和 RAG 的工具。对于每个抽象层次，我们提供了一个接口，并基于常见技术提供了多个现成的实现。不论您是在构建聊天机器人，还是在开发一个从数据导入到检索的完整 RAG 管道，LangChain4j 提供了广泛的选择。

1.3 大量示例

这些 示例 展示了如何开始创建各种由 LLM 驱动的应用程序，提供了灵感并让您能够快速开始构建。

LangChain4j 于 2023 年初在 ChatGPT 热潮中开始开发。但发现Java 领域缺乏与 Python 和 JavaScript 类似的 LLM 库和框架，便决定解决这一问题！虽然名字包含“LangChain”，但该项目融合了 LangChain、Haystack、LlamaIndex 及更广泛社区的理念，并加入自己的创新。

我们积极关注社区的最新进展，致力于快速整合新技术和集成，确保您始终保持最新状态。该库仍在积极开发中，虽然某些功能尚在开发，但核心功能已经就绪，您可以立即开始构建基于 LLM 的应用程序！

为便于集成，LangChain4j 还包括与 Quarkus 和 Spring Boot 集成。

2 LangChain4j 的功能

• 与 15+ 个 LLM 提供商 的集成

• 与 15+ 个向量嵌入存储 的集成

• 与 10+ 个嵌入模型 的集成

• 与 4 个云端和本地图像生成模型 的集成

• 与 2 个评分（重新排序）模型 的集成

• 与 OpenAI 的一个审核模型的集成

• 支持文本和图像输入（多模态）

• AI 服务（高级 LLM API）

• 提示词模板

• 持久化和内存中的 聊天记忆模块 算法实现：消息窗口和 token 窗口

• LLM 响应流式传输

• 常见 Java 数据类型和自定义 POJO 的输出解析器

• 工具（功能调用）

• 动态工具（执行动态生成的 LLM 代码）

• RAG（检索增强生成）：

  • 数据导入：
    • 从多个来源（文件系统、URL、GitHub、Azure Blob Storage、Amazon S3 等）导入各种类型的文档（TXT、PDF、DOC、PPT、XLS 等）
    • 使用多种分割算法将文档切分成更小的片段
    • 对文档和片段进行后处理
    • 使用嵌入模型对片段进行嵌入
    • 将嵌入存储在向量嵌入存储中
  • 检索（简单和高级）：
    • 查询转换（扩展、压缩）
    • 查询路由
    • 从向量存储和/或任何自定义来源进行检索
    • 重新排序
    • 倒数排名融合
    • RAG 流程中每个步骤的自定义

• 文本分类

• Token 切分和 Token 计数估算工具

3 两个抽象层次

LangChain4j 在两个抽象层次上运行：

• 低级。这层，您拥有最大自由，可以访问所有底层组件，如 ChatLanguageModel、UserMessage、AiMessage、EmbeddingStore、Embedding 等。这些是 LLM 应用程序的“原语”。您可以完全控制如何组合它们，但您需要编写更多的代码。
• 高级。这层，您通过高级 API（如 AiServices）与 LLM 进行交互，这些 API 屏蔽了所有复杂性和样板代码。您仍然可以灵活地调整和微调行为，但这是以声明的方式完成的。

4 LangChain4j 库结构

LangChain4j 具有模块化设计，包括：

• langchain4j-core 模块，定义了核心抽象（如 ChatLanguageModel 和 EmbeddingStore）及其 API。
• 主 langchain4j 模块，包含了诸如 ChatMemory、OutputParser 等有用工具，以及如 AiServices 这样的高级功能。
• 各种 langchain4j-{integration} 模块，每个模块提供与各种 LLM 提供商和嵌入存储的集成。您可以单独使用 langchain4j-{integration} 模块。对于额外的功能，只需导入主 langchain4j 依赖项。

5 LangChain4j 代码库

• 主代码库
• Quarkus 扩展
• Spring Boot 集成
• 示例
• 社区资源
• 内嵌嵌入

6 使用案例

我为什么需要这些功能？一些使用场景：

想要实现一个具有自定义行为并能访问您数据的 AI 聊天机器人：

• 客户支持聊天机器人可以：
  • 礼貌地回答客户问题
  • 接收/修改/取消订单
• 教育助手可以：
  • 教授各种学科
  • 解释不清楚的部分
  • 评估用户的理解/知识

希望处理大量非结构化数据（文件、网页等），并从中提取结构化信息。如：

• 从客户评论和支持聊天记录中提取见解
• 从竞争对手的网站中提取有趣的信息
• 从求职者的简历中提取见解

希望生成信息，如：

• 针对每位客户定制的电子邮件
• 为您的应用程序/网站生成内容：
  • 博客文章
  • 故事

希望转换信息，如：

• 摘要
• 校对和重写
• 翻译

关注我，紧跟本系列专栏文章，咱们下篇再续！

作者简介：魔都架构师，多家大厂后端一线研发经验，在分布式系统设计、数据平台架构和AI应用开发等领域都有丰富实践经验。

各大技术社区头部专家博主。具有丰富的引领团队经验，深厚业务架构和解决方案的积累。

负责：

• 中央/分销预订系统性能优化

• 活动&券等营销中台建设

• 交易平台及数据中台等架构和开发设计

• 车联网核心平台-物联网连接平台、大数据平台架构设计及优化

• LLM Agent应用开发

• 区块链应用开发

• 大数据开发挖掘经验

• 推荐系统项目

  目前主攻市级软件项目设计、构建服务全社会的应用系统。

参考：

• 编程严选网

  本文由博客一文多发平台 OpenWrite 发布！