从项目正式提交任务书开始，我开始了学习技术的过程，这段时间重点学习了langchain4j的相关技术知识，下面写一些自己的收获和思考。

一、技术选择

在 Java 生态中，LangChain4j 是一个非常重要的工具，它类似于 Python 里的 LangChain，专门为 Java 开发者设计，无需切换技术栈，即可完成相关的配置和使用，使用方式逻辑也与Java高度吻合，符合开发习惯，所以我们小组最终决定使用 LangChain4j 作为智能体开发的关键技术。

我对LangChain4j的理解：它是Java生态中连接大语言模型与应用业务的工具。

首先，它不做模型训练，也不做底层推理引擎，它做的就是让Java开发者能用最熟悉的方式调用AI能力 。你不需要懂Transformer、不需要知道什么是注意力机制，你只需要像写Spring Boot代码一样写几个接口、加几个注解，就能构建一个能理解自然语言的应用程序。极大提高了开发效率并且降低了学习成本！

LangChain4j的整体架构可以分为几个层次。最底层是对各种LLM提供商（OpenAI、阿里云千问、智谱等）的统一封装，让开发者切换模型就像切换数据库驱动一样简单 。中间层是各种功能组件，比如对话记忆（ChatMemory）、文档加载器（DocumentLoader）、向量存储（EmbeddingStore）等。最上层是AI Service——一种声明式的开发方式，你只需要定义一个接口，框架就会自动帮你生成实现类 。

这种分层设计让我想起了Java生态中的JDBC：底层统一接口，上层可以自由扩展。不同之处在于，LangChain4j的“数据库”是大模型，“SQL”是自然语言。

二、ChatLanguageModel 的学习理解

ChatLanguageModel 是LangChain4j中最底层的接口，也是我们与AI模型交互的直接通道。
我当时写了下面这段最基础的代码：

ChatLanguageModel model = OpenAiChatModel.builder()
    .apiKey(System.getenv("OPENAI_API_KEY"))
    .modelName("gpt-3.5-turbo")
    .temperature(0.7)
    .build();

String response = model.generate("请介绍一下Java的Stream API");

这段代码看起来简单，但充分体现了消息封装的设计思想。generate方法接收的不是一个简单的字符串，而是一个ChatMessage列表 。为什么要这样设计？因为AI对话本质上是一来一回的消息交换，不是一问一答的请求响应。用户发来的UserMessage、AI返回的AiMessage、系统预设的SystemMessage，这些消息类型各有其语义，LangChain4j 把它们封装成了对象，让代码能够更清晰地表达意图。

我踩过的一个坑是temperature参数的理解。刚开始我觉得这个参数无所谓，随便设了个1。结果在写单元测试的时候，同样的输入每次输出都不一样，测试用例直接崩溃了 。后来经过搜索学习才明白，temperature控制的是模型回答的随机性：值越高回答越多样，值越低回答越稳定。在企业级业务场景中，我们通常需要稳定的输出，所以temperature应该设置在0.3以下。

还有一点让我印象深刻的是 LangChain4j 对多模态的支持（虽然本项目并不需要多模态，但作为学习有进行一定了解）。UserMessage不仅可以包含文本，还可以包含图片、PDF等多媒体内容 。我写了一个简单的多模态测试，想让模型识别一张图片，结果发现不是所有模型都支持多模态（qwen-max就不支持），调用直接报错，所以实际项目中一定要先确认模型支持哪些功能。

三、智能体记忆与RAG

如果说 ChatLanguageModel是AI的大脑，那 ChatMemory就是AI的记忆系统

LangChain4j 提供了两种主要的记忆实现：MessageWindowChatMemory和TokenWindowChatMemory 。前者按消息数量来管理记忆窗口，保留最近的N条消息；后者按Token数量来管理，保留最近的N个Token。

除了记忆模块，我还学习了RAG（检索增强生成）机制。这是解决大模型知识时效性问题和幻觉问题的关键技术。

简单来说，RAG就是给大模型配一个“知识库”——当用户提问时，先从知识库里检索相关的内容，然后把检索结果和问题一起交给大模型，让它基于这些内容来回答。这样一来，大模型不仅能回答通用问题，还能回答私有领域的问题，而且回答的内容有据可查，能大大减少“幻觉”现象。这也是本项目落地的重要技术。

其工作流程大致如下：

1. 用户提问

2. 将问题转换成向量

3. 在向量数据库中搜索与问题向量最相似的知识片段

4. 把检索到的片段作为上下文，连同问题一起提交给大模型

5. 大模型基于上下文生成答案

这就是第四周的学习内容，后续将针对 LangChain4j 进行实操落地的学习和实践。