langchain4j使用中遇到的疑惑与分析

LangChain4j 是一个专为 Java 开发者设计的 AI 框架，它通过模块化的设计使得与大型语言模型（LLM）集成变得简单高效。以下是关于如何使用 LangChain4j 的指南和示例教程。 ### 快速入门 #### 添加依赖 首先，在你的项目中引入 LangChain4j 的核心模块和你所需的集成模块。例如，如果你想使用 OpenAI 作为 LLM 提供商，可以添加以下 Maven 依赖： ```xml <dependency> <groupId>dev.langchain4j</groupId> <artifactId>langchain4j-core</artifactId> <version>0.24.0</version> </dependency> <dependency> <groupId>dev.langchain4j</groupId> <artifactId>langchain4j-openai</artifactId> <version>0.24.0</version> </dependency> ``` #### 初始化 ChatLanguageModel 接下来，初始化一个 `ChatLanguageModel` 实例，并配置必要的参数，例如 API 密钥和模型名称： ```java import dev.langchain4j.model.chat.ChatLanguageModel; import dev.langchain4j.model.openai.OpenAiChatModel; public class LangChain4jExample { public static void main(String[] args) { ChatLanguageModel model = OpenAiChatModel.builder() .apiKey("your-api-key") .modelName("gpt-3.5-turbo") .build(); } } ``` #### 使用 ChatMemory 管理对话历史 为了管理对话历史，LangChain4j 提供了两种现成的实现：`MessageWindowChatMemory` 和 `TokenWindowChatMemory`。你可以根据需求选择合适的实现方式。 ##### MessageWindowChatMemory 适用于保留最近的 N 条消息，适合快速原型开发： ```java import dev.langchain4j.memory.ChatMemory; import dev.langchain4j.memory.message.MessageWindowChatMemory; ChatMemory chatMemory = new MessageWindowChatMemory(10); // 保留最近的 10 条消息 ``` ##### TokenWindowChatMemory 适用于保留最近的 N 个 token，需要提供一个 `Tokenizer` 来计算每条消息中的 token 数量： ```java import dev.langchain4j.memory.ChatMemory; import dev.langchain4j.memory.token.TokenWindowChatMemory; import dev.langchain4j.model.openai.OpenAiTokenizer; ChatMemory chatMemory = new TokenWindowChatMemory(new OpenAiTokenizer(), 1000); // 保留最近的 1000 个 token ``` #### 发送请求并获取响应 最后，将对话历史传递给模型，并获取响应： ```java import dev.langchain4j.model.output.Response; import dev.langchain4j.service.AiServices; public interface MyAiService { String chat(String userMessage); } MyAiService aiService = AiServices.builder(MyAiService.class) .chatLanguageModel(model) .chatMemory(chatMemory) .build(); String response = aiService.chat("你好！"); System.out.println(response); ``` ### 示例教程 #### 定义自定义服务 你可以通过 `AiServices` 创建自定义的服务接口，从而简化与 LLM 的交互。例如，定义一个简单的问答服务： ```java public interface QaService { String answer(String question); } QaService qaService = AiServices.builder(QaService.class) .chatLanguageModel(model) .build(); String answer = qaService.answer("什么是人工智能？"); System.out.println(answer); ``` #### 输出解析 如果需要对模型的输出进行解析，可以使用 `OutputParser`。例如，将输出解析为 JSON 格式： ```java import dev.langchain4j.parser.JsonOutputParser; JsonOutputParser parser = new JsonOutputParser(); String jsonOutput = parser.parse("{'name': 'John', 'age': 30}"); System.out.println(jsonOutput); ``` ###