LangChain4j入門：Java開發者的AI應用開發指南

🚀 在AI浪潮席卷全球的今天，Java開發者如何快速上手大語言模型應用開發？LangChain4j為我們提供了完美的解決方案！

前言：為什么Java開發者需要LangChain4j？

想象一下，你正在開發一個企業級應用，需要集成ChatGPT來提供智能客服功能。傳統方式需要直接調用OpenAI API，處理復雜的HTTP請求、錯誤重試、上下文管理等問題。而使用LangChain4j，幾行代碼就能搞定：

ChatLanguageModel model = OpenAiChatModel.builder().apiKey(apiKey).modelName("gpt-3.5-turbo").build();String response = model.generate("如何提高客戶滿意度？").content();

這就是LangChain4j的魅力——讓Java開發者能夠像使用Spring Boot一樣簡單地構建AI應用！

📋 本文概覽

LangChain4j是什么，為什么選擇它？
環境搭建和第一個Hello World程序
核心概念解析：LLM vs Chat模型
實戰案例：構建一個智能問答助手
常見問題和最佳實踐

1. LangChain4j：Java生態的AI開發利器

1.1 什么是LangChain4j？

LangChain4j是專為Java開發者設計的大語言模型應用開發框架，它是Python版LangChain在Java生態系統中的完美實現。如果你熟悉Spring Boot的開發體驗，那么LangChain4j會讓你感到非常親切。

核心特性：

🎯 原生Java API：完全符合Java編程習慣
🔒 類型安全：利用Java靜態類型系統，減少運行時錯誤
🔌 多模型支持：OpenAI、Anthropic、Gemini等主流模型
🏗? 模塊化設計：按需引入，避免依賴膨脹
🚀 生產就緒：內置重試、超時、日志等企業級特性

1.2 與原生API調用的對比

傳統方式（直接調用OpenAI API）：

// 需要手動構建HTTP請求
HttpClient client = HttpClient.newHttpClient();
String requestBody = """{"model": "gpt-3.5-turbo","messages": [{"role": "user", "content": "Hello"}],"temperature": 0.7}""";HttpRequest request = HttpRequest.newBuilder().uri(URI.create("https://api.openai.com/v1/chat/completions")).header("Authorization", "Bearer " + apiKey).header("Content-Type", "application/json").POST(HttpRequest.BodyPublishers.ofString(requestBody)).build();// 還需要處理響應解析、錯誤處理等...

LangChain4j方式：

ChatLanguageModel model = OpenAiChatModel.builder().apiKey(apiKey).modelName("gpt-3.5-turbo").temperature(0.7).build();String response = model.generate("Hello").content();

顯而易見，LangChain4j大大簡化了開發復雜度！

2. 環境搭建：5分鐘快速上手

2.1 前置條件

JDK 11+（推薦使用JDK 17或21）
Maven 3.6+ 或 Gradle 7.0+
IDE（推薦IntelliJ IDEA）
OpenAI API Key（或其他模型提供商的密鑰）

2.2 創建項目

Maven項目配置：

<?xml version="1.0" encoding="UTF-8"?>
<project xmlns="http://maven.apache.org/POM/4.0.0"xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"xsi:schemaLocation="http://maven.apache.org/POM/4.0.0 http://maven.apache.org/xsd/maven-4.0.0.xsd"><modelVersion>4.0.0</modelVersion><groupId>com.example</groupId><artifactId>langchain4j-demo</artifactId><version>1.0.0</version><properties><maven.compiler.source>17</maven.compiler.source><maven.compiler.target>17</maven.compiler.target><project.build.sourceEncoding>UTF-8</project.build.sourceEncoding><langchain4j.version>0.27.1</langchain4j.version></properties><dependencies><!-- LangChain4j核心庫 --><dependency><groupId>dev.langchain4j</groupId><artifactId>langchain4j</artifactId><version>${langchain4j.version}</version></dependency><!-- OpenAI集成 --><dependency><groupId>dev.langchain4j</groupId><artifactId>langchain4j-open-ai</artifactId><version>${langchain4j.version}</version></dependency><!-- 日志支持 --><dependency><groupId>ch.qos.logback</groupId><artifactId>logback-classic</artifactId><version>1.4.11</version></dependency></dependencies>
</project>

Gradle項目配置：

plugins {id 'java'
}java {sourceCompatibility = JavaVersion.VERSION_17targetCompatibility = JavaVersion.VERSION_17
}dependencies {implementation 'dev.langchain4j:langchain4j:0.27.1'implementation 'dev.langchain4j:langchain4j-open-ai:0.27.1'implementation 'ch.qos.logback:logback-classic:1.4.11'
}

2.3 API密鑰配置

方式一：環境變量（推薦）

export OPENAI_API_KEY="your-api-key-here"

方式二：配置文件

# application.properties
openai.api.key=your-api-key-here

方式三：系統屬性

java -Dopenai.api.key=your-api-key-here YourMainClass

3. 第一個LangChain4j程序

讓我們創建一個簡單而完整的示例：

package com.example.langchain4j;import dev.langchain4j.data.message.UserMessage;
import dev.langchain4j.model.chat.ChatLanguageModel;
import dev.langchain4j.model.openai.OpenAiChatModel;
import dev.langchain4j.model.output.Response;/*** LangChain4j Hello World示例* 展示基本的模型調用和響應處理*/
public class HelloLangChain4j {public static void main(String[] args) {// 1. 獲取API密鑰String apiKey = System.getenv("OPENAI_API_KEY");if (apiKey == null || apiKey.isEmpty()) {System.err.println("? 請設置OPENAI_API_KEY環境變量");System.exit(1);}// 2. 創建聊天模型ChatLanguageModel model = OpenAiChatModel.builder().apiKey(apiKey).modelName("gpt-3.5-turbo").temperature(0.7)          // 控制創造性.timeout(Duration.ofSeconds(60))  // 設置超時.maxRetries(3)             // 設置重試次數.logRequests(true)         // 啟用請求日志.build();// 3. 發送消息并獲取響應System.out.println("🤖 LangChain4j AI助手啟動成功！");System.out.println("📝 正在生成Java學習建議...\n");UserMessage userMessage = UserMessage.from("作為一名有5年經驗的Java開發者，我想學習AI應用開發，請給我一個學習路徑建議。");Response<String> response = model.generate(userMessage);// 4. 輸出結果System.out.println("💡 AI建議：");System.out.println(response.content());// 5. 輸出元數據信息System.out.println("\n📊 調用統計：");System.out.println("Token使用量: " + response.tokenUsage());System.out.println("完成原因: " + response.finishReason());}
}

運行結果示例：

🤖 LangChain4j AI助手啟動成功！
📝 正在生成Java學習建議...💡 AI建議：
作為有5年Java經驗的開發者，你已經具備了很好的基礎！以下是我推薦的AI應用開發學習路徑：1. **理論基礎（1-2周）**- 了解大語言模型基本原理- 學習Prompt Engineering技巧- 熟悉常見AI應用場景2. **LangChain4j實踐（2-3周）**- 掌握基本API調用- 學習記憶管理和上下文處理- 實踐文檔處理和向量搜索3. **進階應用（3-4周）**- Agent開發和工具集成- RAG（檢索增強生成）應用- 多模態應用開發4. **項目實戰（4-6周）**- 構建智能客服系統- 開發文檔問答應用- 創建個人AI助手建議邊學邊練，多看官方文檔和社區案例！📊 調用統計：
Token使用量: TokenUsage{inputTokenCount=45, outputTokenCount=156, totalTokenCount=201}
完成原因: STOP

4. 核心概念深度解析

4.1 LLM vs Chat模型

LangChain4j區分兩種主要的模型類型，理解它們的區別很重要：

LanguageModel（文本補全模型）：

LanguageModel model = OpenAiLanguageModel.builder().apiKey(apiKey).modelName("gpt-3.5-turbo-instruct")  // 注意模型名稱.build();// 直接文本補全
String prompt = "Java中的多態性是指";
String completion = model.generate(prompt).content();
// 輸出：Java中的多態性是指同一個接口可以有多種不同的實現方式...

ChatLanguageModel（對話模型）：

ChatLanguageModel model = OpenAiChatModel.builder().apiKey(apiKey).modelName("gpt-3.5-turbo")  // 對話模型.build();// 結構化對話
UserMessage message = UserMessage.from("請解釋Java中的多態性");
String response = model.generate(message).content();

4.2 消息類型詳解

LangChain4j支持多種消息類型，模擬真實對話場景：

import dev.langchain4j.data.message.*;// 系統消息：設定AI的角色和行為
SystemMessage systemMsg = SystemMessage.from("你是一位資深的Java架構師，擅長用簡單易懂的方式解釋復雜概念。"
);// 用戶消息：用戶的輸入
UserMessage userMsg = UserMessage.from("什么是Spring Boot的自動配置？");// AI消息：AI的回復
AiMessage aiMsg = AiMessage.from("Spring Boot的自動配置是...");// 組合多條消息進行對話
List<ChatMessage> conversation = Arrays.asList(systemMsg, userMsg);
Response<AiMessage> response = model.generate(conversation);

5. 實戰案例：智能Java學習助手

讓我們構建一個更實用的應用——Java學習助手：

package com.example.langchain4j;import dev.langchain4j.data.message.*;
import dev.langchain4j.model.chat.ChatLanguageModel;
import dev.langchain4j.model.openai.OpenAiChatModel;
import java.util.*;/*** 智能Java學習助手* 提供個性化的Java學習建議和代碼解釋*/
public class JavaLearningAssistant {private final ChatLanguageModel model;private final List<ChatMessage> conversationHistory;public JavaLearningAssistant(String apiKey) {this.model = OpenAiChatModel.builder().apiKey(apiKey).modelName("gpt-3.5-turbo").temperature(0.3)  // 降低隨機性，提高準確性.build();this.conversationHistory = new ArrayList<>();// 設置系統角色SystemMessage systemMessage = SystemMessage.from("""你是一位經驗豐富的Java技術專家和教育者，具有以下特點：1. 擅長用簡單易懂的方式解釋復雜的Java概念2. 能夠提供實用的代碼示例和最佳實踐3. 會根據學習者的水平調整解釋的深度4. 積極鼓勵學習者，提供建設性的建議5. 關注Java生態系統的最新發展請始終保持友好、專業的態度，并確保回答的準確性。""");conversationHistory.add(systemMessage);}/*** 與助手對話*/public String chat(String userInput) {// 添加用戶消息UserMessage userMessage = UserMessage.from(userInput);conversationHistory.add(userMessage);try {// 獲取AI回復Response<AiMessage> response = model.generate(conversationHistory);AiMessage aiMessage = response.content();// 添加AI回復到歷史記錄conversationHistory.add(aiMessage);return aiMessage.text();} catch (Exception e) {return "抱歉，我遇到了一些技術問題。請稍后再試。錯誤信息：" + e.getMessage();}}/*** 獲取Java學習路徑建議*/public String getLearningPath(String currentLevel, String goals) {String prompt = String.format("""請為以下學習者制定一個詳細的Java學習路徑：當前水平：%s學習目標：%s請提供：1. 分階段的學習計劃2. 每個階段的重點內容3. 推薦的學習資源4. 實踐項目建議5. 預估學習時間""", currentLevel, goals);return chat(prompt);}/*** 代碼解釋功能*/public String explainCode(String code, String context) {String prompt = String.format("""請詳細解釋以下Java代碼：背景：%s代碼：```java%s```請從以下角度進行解釋：1. 代碼的整體功能2. 關鍵語法和概念3. 設計模式或最佳實踐4. 可能的改進建議5. 相關的Java特性""", context, code);return chat(prompt);}/*** 清除對話歷史（保留系統消息）*/public void clearHistory() {SystemMessage systemMessage = (SystemMessage) conversationHistory.get(0);conversationHistory.clear();conversationHistory.add(systemMessage);}public static void main(String[] args) {String apiKey = System.getenv("OPENAI_API_KEY");if (apiKey == null) {System.err.println("請設置OPENAI_API_KEY環境變量");return;}JavaLearningAssistant assistant = new JavaLearningAssistant(apiKey);Scanner scanner = new Scanner(System.in);System.out.println("🎓 Java學習助手啟動成功！");System.out.println("💡 你可以問我任何Java相關的問題，或者輸入 'exit' 退出");System.out.println("📚 特殊命令：");System.out.println("   - 'path' : 獲取學習路徑建議");System.out.println("   - 'clear': 清除對話歷史");System.out.println("=" * 50);while (true) {System.out.print("\n👤 你: ");String input = scanner.nextLine().trim();if ("exit".equalsIgnoreCase(input)) {System.out.println("👋 再見！祝你Java學習愉快！");break;}if ("clear".equalsIgnoreCase(input)) {assistant.clearHistory();System.out.println("🧹 對話歷史已清除");continue;}if ("path".equalsIgnoreCase(input)) {System.out.print("請輸入你的當前水平（如：初學者/有基礎/有經驗）: ");String level = scanner.nextLine();System.out.print("請輸入你的學習目標（如：找工作/提升技能/學習框架）: ");String goals = scanner.nextLine();System.out.println("\n🤖 助手: 正在為你制定學習路徑...");String response = assistant.getLearningPath(level, goals);System.out.println(response);continue;}System.out.println("\n🤖 助手: ");String response = assistant.chat(input);System.out.println(response);}scanner.close();}
}

6. 常見問題與最佳實踐

6.1 API密鑰安全管理

? 錯誤做法：

// 永遠不要在代碼中硬編碼API密鑰！
String apiKey = "sk-xxxxxxxxxxxxxxxx";

? 正確做法：

// 方式1：環境變量
String apiKey = System.getenv("OPENAI_API_KEY");// 方式2：配置文件 + 環境變量注入
String apiKey = System.getProperty("openai.api.key", System.getenv("OPENAI_API_KEY"));// 方式3：Spring Boot配置
@Value("${openai.api.key}")
private String apiKey;

6.2 錯誤處理和重試機制

ChatLanguageModel model = OpenAiChatModel.builder().apiKey(apiKey).modelName("gpt-3.5-turbo").timeout(Duration.ofSeconds(60))    // 設置超時.maxRetries(3)                      // 自動重試.logRequests(true)                  // 啟用日志.logResponses(true).build();// 手動錯誤處理
try {Response<String> response = model.generate("你好");System.out.println(response.content());
} catch (Exception e) {System.err.println("調用失敗: " + e.getMessage());// 實現降級邏輯
}

6.3 Token使用優化

// 監控Token使用情況
Response<String> response = model.generate(userMessage);
TokenUsage usage = response.tokenUsage();System.out.println("輸入Token: " + usage.inputTokenCount());
System.out.println("輸出Token: " + usage.outputTokenCount());
System.out.println("總Token: " + usage.totalTokenCount());// 根據Token使用情況調整策略
if (usage.totalTokenCount() > 3000) {System.out.println("?? Token使用量較高，建議優化Prompt");
}