3. LangChain4j + 低阶和高阶 API的详细说明

2025-08-29 21:30:26 发布 68 浏览

页面报错/反馈

已收藏点赞

3. LangChain4j + 低阶和高阶 API的详细说明

LangChain4j + 低阶和高阶 API的详细说明

https://docs.langchain4j.dev/get-started/

https://docs.langchain4j.dev/tutorials/chat-and-language-models/

LLM 目前有两种 API 类型：

LanguageModel。它们的 API 非常简单 - 接受 String 作为输入并返回 String 作为输出。这种 API 现在正在被聊天 API（第二种 API 类型）所取代。
ChatModel。这些接受多个 ChatMessage 作为输入并返回单个 AiMessage 作为输出。 ChatMessage 通常包含文本，但某些 LLM 也支持其他模态（例如，图像、音频等）。这类聊天模型的例子包括 OpenAI 的 gpt-4o-mini 和 Google 的 gemini-1.5-pro。

LangChain4j 不会再扩展对 LanguageModel 的支持，因此在所有新功能中，我们将使用 ChatModel API。

ChatModel 是 LangChain4j 中与 LLM 交互的低级 API，提供最大的能力和灵活性。还有一个高级 API（AI 服务），我们将在介绍完基础知识后再讨论。

除了 ChatModel 和 LanguageModel 外，LangChain4j 还支持以下类型的模型：

EmbeddingModel - 这种模型可以将文本转换为 Embedding。
ImageModel - 这种模型可以生成和编辑 Image。
ModerationModel - 这种模型可以检查文本是否包含有害内容。
ScoringModel - 这种模型可以对查询的多个文本片段进行评分（或排名），本质上确定每个文本片段与查询的相关性。这对 RAG 很有用。这些将在后面介绍。

现在，让我们仔细看看 ChatModel API。

public interface ChatModel {

    String chat(String userMessage);
    
    ...
}

如您所见，有一个简单的 chat 方法，它接受 String 作为输入并返回 String 作为输出，类似于 LanguageModel 。这只是一个便捷方法，让您可以快速轻松地进行试验，而无需将 String 包装在 UserMessage 中。

LangChain4j在两个抽象层(低阶 / 高阶)提供不同的 api

https://docs.langchain4j.dev/intro

LangChain4j 在两个抽象层次上运行：
- 低层次。在这个层次上，您拥有最大的自由度和访问所有低级组件的权限，如 ChatModel,、UserMessage、AiMessage、EmbeddingStore、Embedding 等。这些是您的 LLM 驱动应用程序的"原语"。您可以完全控制如何组合它们，但需要编写更多的粘合代码。
- 高层次。在这个层次上，您使用高级 API（如 AI 服务）与 LLM 交互，它隐藏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，但是以声明式方式完成。

low level 低阶

ChatModel 接口如下的默认实现的方法：

ChatModel提供的--种极其简便的方法：如下：

default String chat(String userMessage) {
    ChatRequest chatRequest = ChatRequest.builder()
            .messages(UserMessage.from(userMessage))
            .build();

    ChatResponse chatResponse = chat(chatRequest);

    return chatResponse.aiMessage().text();
}

@GetMapping(value = "/langchain4j/hello")
public String hello(@RequestParam(value = "prompt", defaultValue = "你是谁") String prompt)
{
    String result = chatModel.chat(prompt);

    System.out.println("通过langchain4j调用模型返回结果：n"+result);

    return result;
}

high level 高阶

low level 低阶 API 的使用

导入相关的依赖：


    

        
            org.springframework.boot
            spring-boot-starter-web
        
        
        
        
            dev.langchain4j
            langchain4j-open-ai
        
        
        
            dev.langchain4j
            langchain4j
        


        
            junit
            junit
            3.8.1
            test

配置对应大模型的配置类。

package com.rainbowsea.langchain4j02lowhighapi.config;

import dev.langchain4j.model.chat.ChatModel;
import dev.langchain4j.model.openai.OpenAiChatModel;
import org.springframework.context.annotation.Bean;
import org.springframework.context.annotation.Configuration;

/**
 * @Date 2025-05-27 22:04
 * @Description: 知识出处 https://docs.langchain4j.dev/get-started
 */
@Configuration
public class LLMConfig
{
    @Bean(name = "qwen")
    public ChatModel chatModelQwen()
    {
        return OpenAiChatModel.builder()
                .apiKey(System.getenv("aliQwen_api"))
                .modelName("qwen-plus")
                .baseUrl("https://dashscope.aliyunccnblogs.com/compatible-mode/v1")
                .build();
    }

    /**
     * @Description: 知识出处，https://api-docs.deepseek.com/zh-cn/
     */
    @Bean(name = "deepseek")  // 可以在根据@Resoure(name = "deepseek") 导入不同的实体类
    public ChatModel chatModelDeepSeek()
    {
        return
                OpenAiChatModel.builder()
                        .apiKey(System.getenv("deepseek_api"))
                        .modelName("deepseek-chat")
                        //.modelName("deepseek-reasoner")
                        .baseUrl("https://api.deepseek.com/v1")
                        .build();
    }
}

编写 Controller ，如下，其实就是跟我们编写的第一个连接大模型的 Hello World 是一样的

启动测试：

大模型中的Token VS Web开发中的Token

大模型当中的 Token

Web 开发中的 Token

  // http://localhost:9002/lowapi/api02
    @GetMapping(value = "/lowapi/api02")
    public String api02(@RequestParam(value = "prompt", defaultValue = "你是谁") String prompt)
    {
        ChatResponse chatResponse = chatModelDeepSeek.chat(UserMessage.from(prompt));

        String result = chatResponse.aiMessage().text();
        System.out.println("通过langchain4j调用模型返回结果："+result);

        TokenUsage tokenUsage = chatResponse.tokenUsage();
        System.out.println("本次调用消耗Token："+tokenUsage);

        result = result +"tn"+ tokenUsage;

        return result;
    }
}

ChatMessage 其实就是一个 prompt ，就是被大模型封装了一层，让其更好的被大模型读取识别而已。

运行测试：

high level 高阶 API 的详细使用

https://docs.langchain4j.dev/tutorials/ai-services/

翻译：

AI Service 的高阶 API 的使用：

具体的编码步骤如下：https://docs.langchain4j.dev/tutorials/ai-services/#simplest-ai-service

定义 AI Service 接口：

我们知道，按照Java开发一般习惯，有接口就要有实现类比如接口ChatAssistant，就会有实现类ChatAssistantImpl现在用高阶api- AIServics不用你自己写 impl实现类，交给langchain4j给你搞定。（接口名是随意的，你只要见名之意即可）

package com.rainbowsea.langchain4j02lowhighapi.service;

/**
 * 我们知道，按照Java开发一般习惯，有接口就要有实现类
 * 比如接口ChatAssistant，就会有实现类ChatAssistantImpl
 * 现在用高阶api-AIServics不用你自己写impl实现类，交给langchain4j给你搞定
 * 
 * 本次配置用的是langchain4j原生整合，没有引入sprinboot，不需要接口头上配置@AiService注解标签
 */
public interface ChatAssistant {
    String chat(String prompt);
}

LLMConfig类配置当中配置调用大模型的三件套（大模型的 Key，大模型 name，大模型的 url）


import com.rainbowsea.langchain4j02lowhighapi.service.ChatAssistant;
import dev.langchain4j.model.chat.ChatModel;
import dev.langchain4j.model.openai.OpenAiChatModel;
import dev.langchain4j.service.AiServices;
import org.springframework.beans.factory.annotation.Qualifier;
import org.springframework.context.annotation.Bean;
import org.springframework.context.annotation.Configuration;

/**
 * @Date 2025-05-27 22:04
 * @Description: 知识出处 https://docs.langchain4j.dev/get-started
 */
@Configuration
public class LLMConfig
{



    @Bean(name = "qwen")
    public ChatModel chatModelQwen()
    {
        return OpenAiChatModel.builder()
                .apiKey(System.getenv("aliQwen_api"))
                .modelName("qwen-plus")
                .baseUrl("https://dashscope.aliyunccnblogs.com/compatible-mode/v1")
                .build();
    }
}

对我们自我编写的 AI Service 的接口类，配置器实现类的配置(配置指明那个大模型实现我们这个接口类)，配置好后，调用 AiServices.create()方法就好创建好我们自定义的接口实现类。


import com.rainbowsea.langchain4j02lowhighapi.service.ChatAssistant;
import dev.langchain4j.model.chat.ChatModel;
import dev.langchain4j.model.openai.OpenAiChatModel;
import dev.langchain4j.service.AiServices;
import org.springframework.beans.factory.annotation.Qualifier;
import org.springframework.context.annotation.Bean;
import org.springframework.context.annotation.Configuration;

/**
 * @Date 2025-05-27 22:04
 * @Description: 知识出处 https://docs.langchain4j.dev/get-started
 */
@Configuration
public class LLMConfig
{

    @Bean(name = "qwen")
    public ChatModel chatModelQwen()
    {
        return OpenAiChatModel.builder()
                .apiKey(System.getenv("aliQwen_api"))
                .modelName("qwen-plus")
                .baseUrl("https://dashscope.aliyunccnblogs.com/compatible-mode/v1")
                .build();
    }



    // High-Api https://docs.langchain4j.dev/tutorials/ai-services#simplest-ai-service
    @Bean
    public ChatAssistant chatAssistant(@Qualifier("qwen") ChatModel chatModelQwen)
    {
        return AiServices.create(ChatAssistant.class, chatModelQwen);
    }

}

AlService是如何工作的

https://docs.langchain4j.dev/tutorials/ai-services/#how-does-it-work

最后编写对于业务的 Controller 类。直接调用我们的接口类，因为该接口的实现类已经被我们通过调用 AiServices.create()方法就好创建好我们自定义的接口实现类。同时我们也将其加入 @Bean加入到了 IOC 容器当中管理了，所以可以直接，通过 @Resource 注解注入。

package com.rainbowsea.langchain4j02lowhighapi.controller;

import com.rainbowsea.langchain4j02lowhighapi.service.ChatAssistant;
import jakarta.annotation.Resource;
import lombok.extern.slf4j.Slf4j;
import org.springframework.web.bind.annotation.GetMapping;
import org.springframework.web.bind.annotation.RequestParam;
import org.springframework.web.bind.annotation.RestController;

/**
 */
@RestController
@Slf4j
public class HighApiController
{
    @Resource
    private ChatAssistant chatAssistant;

    @GetMapping(value = "/highapi/highapi")
    public String highApi(@RequestParam(value = "prompt", defaultValue = "你是谁") String prompt)
    {
        return chatAssistant.chat(prompt);
    }
}

运行测试：

最后：

“在这个最后的篇章中，我要表达我对每一位读者的感激之情。你们的关注和回复是我创作的动力源泉，我从你们身上吸取了无尽的灵感与勇气。我会将你们的鼓励留在心底，继续在其他的领域奋斗。感谢你们，我们总会在某个时刻再次相遇。”

登录查看全部

参与评论