Java大模型开发入门 (5/15)：开发利器 – 初识Java最流行的LLM框架LangChain4j

前言

在上一篇文章中，我们成功地将大模型能力封装成了一个标准的Spring Boot服务。我们有了Controller、Service，通过依赖注入管理着OpenAIClient。这是一个巨大的进步，我们的AI应用已经具备了企业级开发的雏形。

但是，当我们想实现更复杂的功能时，挑战也随之而来：

多轮对话：如何让AI记住我们之前的谈话内容？我们需要手动管理一个List<ChatMessage>，并在每次请求时都把它传来传去，这非常繁琐且容易出错。
结构化输出：如何确保AI返回的是一个我们可以直接转换为Java对象的JSON，而不是一段随心所欲的文本？
连接外部知识：如何让AI回答关于我们自己公司产品文档的问题？
调用工具：如何让AI在回答问题时，能去调用一个外部API（比如查询实时天气）？

只靠我们目前使用的官方SDK，要实现这些功能，需要编写大量复杂的“胶水代码”。幸运的是，社区已经为我们准备好了一个功能极其强大的“瑞士军刀”——LangChain4j。

今天，我们将正式引入这个Java领域最流行的LLM应用开发框架，看看它是如何将我们从繁杂的底层逻辑中解放出来的。

第一步：什么是LangChain4j？它解决了什么问题？

我们可以用一个简单的类比来理解：

如果说官方SDK（如openai-java-client）是为我们提供了一台性能强劲的汽车引擎，那么LangChain4j就是为我们提供了整车的底盘、变速箱、方向盘和智能驾驶系统。

它不是要替代SDK，而是构建于SDK之上，让我们能更轻松地“驾驶”AI，构建完整的、复杂的应用。

LangChain4j的核心思想是 “链（Chain）” ，也就是将与大模型交互的多个步骤串联起来，形成一个自动化的工作流。它将复杂的AI应用抽象为几个核心组件：

语言模型 (Language Models)：对不同AI服务商（如OpenAI, DeepSeek, Google Gemini）的统一接口。
提示模板 (Prompt Templates)：创建可复用、可动态填充的提示词。
记忆 (Memory)：为对话提供短期或长期的记忆能力。
输出解析器 (Output Parsers)：将模型的文本输出强制转换为结构化的Java对象。
检索器 (Retrievers) 与 文档 (Documents)：用于实现RAG（检索增强生成），让AI能连接外部知识库。

今天，我们先从它最神奇、最简单的功能之一AiServices入手，直观感受它的威力。

第二步：在Spring Boot中集成LangChain4j

LangChain4j与Spring Boot的集成非常成熟，我们只需要引入它的spring-boot-starter。

修改pom.xml
在pom.xml中，添加LangChain4j的Spring Boot Starter依赖。注意：你可以移除上一章添加的openai-java-client依赖，因为langchain4j-open-ai-spring-boot-starter已经包含了它。
```
<dependency>
    <groupId>dev.langchain4j</groupId>
    <artifactId>langchain4j-open-ai-spring-boot-starter</artifactId>
    <version>0.32.0</version> 
</dependency>
```

修改 application.properties
LangChain4j的配置项遵循着清晰的命名空间。我们将之前的配置修改为LangChain4j的格式：

# 服务器端口号
server.port=8080

# LangChain4j Configuration for DeepSeek
langchain4j.open-ai.chat-model.api-key=${DEEPSEEK_API_KEY:}
langchain4j.open-ai.chat-model.base-url=https://api.deepseek.com/v1/
langchain4j.open-ai.chat-model.model-name=deepseek-chat
langchain4j.open-ai.chat-model.temperature=0.7
langchain4j.open-ai.chat-model.max-tokens=1024

仅仅这样配置，LangChain4j的Starter就会自动为我们创建一个配置好的ChatLanguageModel Bean。我们已经不需要自己写AiClientConfig了！

第三步：代码重构 – 见证`AiServices`的魔力

现在，我们将重构上一章的ChatService，让你看看代码可以被简化到什么程度。LangChain4j提供了一个名为AiServices的工厂，它可以将一个Java接口，自动转换成一个可以与AI交互的实现类。

创建一个AI助手接口
在service包下，创建一个新的接口Assistant.java：
```
package com.example.aidemoapp.service;

public interface Assistant {
    String chat(String userMessage);
}
```
这是一个普通的Java接口，只有一个chat方法。

修改配置类
删除上一章的AiClientConfig.java。新建一个AiServiceConfig.java：

package com.example.aidemoapp.config;

import com.example.aidemoapp.service.Assistant;
import dev.langchain4j.memory.chat.ChatMemoryProvider;
import dev.langchain4j.memory.chat.MessageWindowChatMemory;
import dev.langchain4j.model.chat.ChatLanguageModel;
import dev.langchain4j.service.AiServices;
import org.springframework.context.annotation.Bean;
import org.springframework.context.annotation.Configuration;

@Configuration
public class AiServiceConfig {
    
    // 将LangChain4j自动配置好的ChatLanguageModel注入进来
    @Bean
    public Assistant assistant(ChatLanguageModel chatLanguageModel) {
        // AiServices会为Assistant接口创建一个代理实现
        return AiServices.builder(Assistant.class)
                .chatLanguageModel(chatLanguage-model)
                .build();
    }
}

重构ChatService
现在我们的ChatService变得异常简单：

package com.example.aidemoapp.service;

import lombok.RequiredArgsConstructor;
import org.springframework.stereotype.Service;

@Service
@RequiredArgsConstructor
public class ChatService {

    // 直接注入我们定义的Assistant接口
    private final Assistant assistant;

    public String getChatResponse(String userPrompt) {
        // 直接调用接口方法，就像调用一个普通的Java方法一样
        return assistant.chat(userPrompt);
    }
}

ChatController完全不需要任何改动！

第四步：对比与思考

我们来对比一下前后的变化：

之前 (纯SDK)：我们需要在ChatService中手动构建ChatCompletionCreateParams对象，然后调用client.chat().completions().create()，再从复杂的响应对象中解析出结果。
现在 (用LangChain4j)：我们只定义了一个接口Assistant，然后就像调用一个本地方法一样调用assistant.chat()。所有的API请求构建和响应解析都被LangChain4j在幕后优雅地处理了。

这到底发生了什么？

AiServices.create()是一个神奇的工厂。当你调用assistant.chat("你好")时，LangChain4j的代理实现会自动：

创建一个ChatMessage，角色是user，内容是"你好"。
构建一个完整的API请求。
调用我们配置好的ChatLanguageModel（也就是DeepSeek模型）。
等待响应，并自动解析出内容。
将内容作为String返回。

这就是框架的力量：它让你能够用业务逻辑的语言（assistant.chat(...)）来编程，而不是用技术实现的语言。

总结

今天我们只是揭开了LangChain4j神秘面纱的一角，但其强大的生产力已经可见一斑。通过AiServices，我们以一种前所未有的优雅方式重构了我们的AI服务。

我们不再需要自己去管理和创建OpenAIClient，也不再需要手动拼装请求参数。LangChain4j的Spring Boot Starter和AiServices工厂为我们处理了这一切。

但这仅仅是开始。LangChain4j真正的威力在于它那些可组合的模块。如何让我们的Assistant拥有记忆？如何让它返回一个Java对象而不是String？

下一篇预告：
《Java大模型开发入门 (6/15)：对话的灵魂 – 深入理解LangChain4j中的模型、提示和解析器》—— 我们将深入LangChain4j的核心，学习如何通过提示模板（Prompt Templates）和输出解析器（Output Parsers）来驯服AI，让它按照我们的意愿进行思考和输出！

# 开发