系列篇章💥

No.	文章
1	LangChain4j Java AI 应用开发实战（一）：LangChain4j 快速入门指南

---

---

一、为什么 Java 开发者需要关注 LangChain4j？

（一）AI 应用开发的现状

过去两年，大语言模型（LLM）彻底改变了软件开发的方式。从智能客服到代码助手，从文档分析到数据提取，AI 能力正在成为现代应用的标配。

然而，当你搜索"LLM 应用开发教程"时，90% 的结果都是 Python + LangChain。这让广大 Java 开发者感到困惑：

"难道 Java 生态在 AI 时代落后了吗？"
"我们是否需要重新学习 Python 才能开发 AI 应用？"

答案是否定的！

（二）LangChain4j：Java 开发者的 AI 利器

LangChain4j 是 LangChain 的 Java 实现，它提供了与 Python 版本相同的核心能力，但完全遵循 Java 的设计哲学：

维度	Python LangChain	Java LangChain4j
类型安全	动态类型，运行时错误	静态类型，编译期检查
IDE 支持	基础补全	智能提示、重构、调试
生态系统	PyPI	Maven/Gradle + Spring Boot
企业集成	需要额外适配	天然兼容 Java EE/Spring
性能	解释执行	JVM 优化 + JIT 编译
学习成本	Python 开发者友好	Java 开发者零门槛

（三）真实场景：Java 企业的 AI 转型

想象一下这些场景：

• 银行系统：现有的核心系统是 Java 编写的，如何在不重构的前提下接入 AI 客服？
• 电商平台：Spring Boot 后端需要智能商品推荐，难道要额外部署 Python 微服务？
• 企业内部工具：基于 Java 的 OA 系统想加入文档问答功能，如何快速实现？

LangChain4j 的答案是：直接在现有 Java 项目中引入依赖，像调用普通方法一样使用 AI 能力。

二、环境准备：5 分钟搭建开发环境

（一）前置要求

确保你的开发环境满足以下条件：

# 检查 JDK 版本（需要 17 或更高）
java -version
# 输出示例：openjdk version "17.0.8" 2023-07-18

# 检查 Maven 版本（需要 3.6+）
mvn -version
# 输出示例：Apache Maven 3.9.6

提示：如果你还在使用 JDK 8，建议升级到 JDK 17。LangChain4j 充分利用了 Java 17 的新特性（如 Record、Pattern Matching），能提供更简洁的 API。

（二）创建 Maven 项目

# 创建项目目录
mkdir langchain4j-hello-world
cd langchain4j-hello-world

# 初始化 Maven 项目结构
mkdir -p src/main/java/com/example

创建 pom.xml：

<?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-hello-world</artifactId>
    <version>1.0-SNAPSHOT</version>

    <properties>
        <maven.compiler.source>17</maven.compiler.source>
        <maven.compiler.target>17</maven.compiler.target>
        <project.build.sourceEncoding>UTF-8</project.build.sourceEncoding>
    </properties>

    <dependencyManagement>
        <dependencies>
            <!-- LangChain4j BOM：统一管理版本 -->
            <dependency>
                <groupId>dev.langchain4j</groupId>
                <artifactId>langchain4j-bom</artifactId>
                <version>1.14.0</version>
                <type>pom</type>
                <scope>import</scope>
            </dependency>
        </dependencies>
    </dependencyManagement>

    <dependencies>
        <!-- OpenAI 集成模块 -->
        <dependency>
            <groupId>dev.langchain4j</groupId>
            <artifactId>langchain4j-open-ai</artifactId>
        </dependency>

        <!-- LangChain4j 核心模块 -->
        <dependency>
            <groupId>dev.langchain4j</groupId>
            <artifactId>langchain4j</artifactId>
        </dependency>
    </dependencies>

    <build>
        <plugins>
            <plugin>
                <groupId>org.apache.maven.plugins</groupId>
                <artifactId>maven-compiler-plugin</artifactId>
                <version>3.11.0</version>
                <configuration>
                    <source>17</source>
                    <target>17</target>
                    <encoding>UTF-8</encoding>
                </configuration>
            </plugin>
        </plugins>
    </build>
</project>

（三） API Key 配置

LangChain4j 支持多种大模型提供商，本文以 OpenAI 为例。

演示模式（无需 API Key）

为了让你快速上手，LangChain4j 官方提供了一个免费演示端点：

.baseUrl("http://langchain4j.dev/demo/openai/v1")
.apiKey("demo")
.modelName("gpt-4o-mini")

⚠️ 重要提醒：演示端点仅用于学习和测试，有速率限制且不稳定。生产环境必须使用真实的 API Key。

配置环境变量：

# Windows PowerShell
$env:OPENAI_API_KEY="sk-your-actual-api-key"

# Linux/Mac
export OPENAI_API_KEY="sk-your-actual-api-key"

在代码中读取：

.apiKey(System.getenv("OPENAI_API_KEY"))

安全最佳实践：永远不要将 API Key 硬编码在代码中或提交到 Git 仓库！

三、Hello World：第一个 AI 对话程序

（一）完整代码

创建文件 src/main/java/com/example/T01_ChatModelExamples.java：

package com.example;

import dev.langchain4j.model.chat.ChatModel;
import dev.langchain4j.model.openai.OpenAiChatModel;

public class T01_ChatModelExamples {

    public static void main(String[] args) {

        // 简单示例 默认参数
        ChatModel chatModel = OpenAiChatModel.builder()
                .apiKey("demo")
                .modelName("gpt-4o-mini")
                .baseUrl("http://langchain4j.dev/demo/openai/v1")
                .build();

        String answer = chatModel.chat("你是谁");

        System.out.println(answer);
        //输出：我是一个人工智能助手，旨在回答问题和提供信息。如果你有什么需要了解的，随时可以问我！
    }

}

（二）运行程序

1. 右键点击 T01_ChatModelExamples.java
2. 选择 “Run ‘T01_ChatModelExamples.main()’”
3. 查看控制台输出

预期输出

我是一个人工智能助手，旨在回答问题和提供信息。如果你有什么需要了解的，随时可以问我！

🎉 恭喜！你已经成功运行了第一个 Java AI 程序！

（三）代码解析

让我们拆解这 25 行代码，理解每一部分的作用：

第 1-4 行：导入依赖

package com.example;

import dev.langchain4j.model.chat.ChatModel;
import dev.langchain4j.model.openai.OpenAiChatModel;

• ChatModel：LangChain4j 的核心接口，定义了与大模型交互的标准方法
• OpenAiChatModel：OpenAI 的具体实现类，负责处理 HTTP 请求、响应解析等细节

设计模式：这是典型的策略模式。你可以轻松切换到其他模型（如 DeepSeek、阿里百炼），只需替换实现类，业务代码无需修改。

第 12-16 行：构建 ChatModel 实例

ChatModel chatModel = OpenAiChatModel.builder()
        .apiKey("demo")
        .modelName("gpt-4o-mini")
        .baseUrl("http://langchain4j.dev/demo/openai/v1")
        .build();

这里使用了 Builder 模式，逐步配置模型参数：

参数	说明	示例值
apiKey	API 密钥，用于身份验证	"demo" 或 "sk-xxx"
modelName	模型名称，决定能力和成本	"gpt-4o-mini"
baseUrl	API 端点地址	演示端点或官方端点

扩展阅读：除了这三个基本参数，还可以配置 temperature（创造性）、maxTokens（最大输出长度）等高级参数，我们将在下一篇文章详细讲解。

第 18 行：发送对话请求

String answer = chatModel.chat("你是谁");

这是整个程序的核心：

• 输入：字符串 "你是谁"（用户消息）
• 输出：字符串 answer（模型回复）
• 底层过程：
  1. 将文本封装为 HTTP 请求
  2. 发送到 OpenAI API
  3. 等待响应（同步阻塞）
  4. 解析 JSON 响应，提取回复文本

注意：chat() 方法是同步调用，会阻塞当前线程直到收到完整回复。如果需要流式输出（逐字显示），可以使用 chatStream() 方法，后续文章会详细介绍。

第 20 行：输出结果

System.out.println(answer);

将模型的回复打印到控制台。

四、深入理解：ChatModel 的工作原理

（一）架构概览

┌─────────────┐
│  Java 应用   │
│  (你的代码)  │
└──────┬──────┘
       │ chat("你是谁")
       ▼
┌─────────────────┐
│   ChatModel     │  ← LangChain4j 抽象层
│  (统一接口)      │
└──────┬──────────┘
       │
       ▼
┌─────────────────┐
│ OpenAiChatModel │  ← OpenAI 具体实现
│  (HTTP 客户端)   │
└──────┬──────────┘
       │ HTTPS Request
       ▼
┌─────────────────┐
│  OpenAI API     │  ← 云端大模型服务
│  (gpt-4o-mini)  │
└──────┬──────────┘
       │ JSON Response
       ▼
┌─────────────────┐
│  解析并返回 String │
└─────────────────┘

（二）关键概念解析

（1）ChatModel 接口

ChatModel 是 LangChain4j 的核心抽象，定义了与大模型交互的标准方法：

public interface ChatModel {
    String chat(String userMessage);
    
    // 更多方法...
    ChatResponse chat(ChatRequest request);
    TokenStream chatStream(String userMessage);
}

优势：

• 解耦：业务代码不依赖具体的模型提供商
• 可替换：轻松切换 OpenAI、DeepSeek、Ollama 等
• 可测试：可以使用 Mock 实现进行单元测试

（2）Builder 模式

LangChain4j 大量使用 Builder 模式来配置复杂对象：

OpenAiChatModel.builder()
    .apiKey("xxx")
    .modelName("gpt-4o-mini")
    .baseUrl("https://api.openai.com/v1")
    .temperature(0.7)
    .maxTokens(1000)
    .timeout(Duration.ofSeconds(30))
    .build();

为什么不用构造函数？

• 参数太多（10+ 个），构造函数难以维护
• 大部分参数有默认值，Builder 允许只设置需要的参数
• 代码可读性更好

（3）同步 vs 异步

当前的 chat() 方法是同步阻塞的：

// 同步：等待完整回复
String answer = chatModel.chat("你是谁");
System.out.println(answer);  // 一次性输出全部内容

后续我们会学习流式输出：

// 异步流式：逐字接收
chatModel.chatStream("你是谁")
    .onNext(token -> System.out.print(token))  // 逐字打印
    .start();

---

五、进阶探索：尝试不同的模型提供商

LangChain4j 的最大优势是多模型支持。只需更换实现类，就能切换到不同的模型提供商。

（一）DeepSeek（国产大模型）

import dev.langchain4j.model.deepseek.DeepSeekChatModel;

ChatModel chatModel = DeepSeekChatModel.builder()
        .apiKey(System.getenv("DEEPSEEK_API_KEY"))
        .modelName("deepseek-chat")
        .build();

String answer = chatModel.chat("请用一句话介绍你自己");
System.out.println(answer);

（二）阿里百炼（通义千问）

import dev.langchain4j.community.model.dashscope.QwenChatModel;

ChatModel chatModel = QwenChatModel.builder()
        .apiKey(System.getenv("DASHSCOPE_API_KEY"))
        .modelName("qwen-plus")
        .build();

String answer = chatModel.chat("杭州有哪些著名景点？");
System.out.println(answer);

（三）Ollama（本地模型）

import dev.langchain4j.model.ollama.OllamaChatModel;

ChatModel chatModel = OllamaChatModel.builder()
        .baseUrl("http://localhost:11434")
        .modelName("llama3")
        .build();

String answer = chatModel.chat("什么是机器学习？");
System.out.println(answer);

优势：完全离线运行，数据隐私有保障

六、总结

本文我们完成了以下目标：

✅ 了解了 LangChain4j 的价值和优势
✅ 搭建了开发环境（JDK 17 + Maven）
✅ 运行了第一个 AI 对话程序（25 行代码）
✅ 理解了 ChatModel 的工作原理
✅ 尝试了多种模型提供商的切换

核心要点回顾：

1. LangChain4j 让 Java 开发者无需学习 Python 即可开发现代 AI 应用
2. ChatModel 是统一抽象，屏蔽了不同模型提供商的差异
3. Builder 模式简化了复杂对象的配置
4. 演示端点适合学习，生产环境必须使用真实 API Key

---

🎯🔖更多专栏系列文章：AI大模型提示工程完全指南、AI大模型探索之路（零基础入门）、AI大模型预训练微调进阶、AI大模型开源精选实践、AI大模型Spring AI开发实战🔥🔥🔥 其他专栏可以查看博客主页📑

😎 作者介绍：资深程序老猿，从业10年+、互联网系统架构师，目前专注于AIGC的探索（CSDN博客之星|AIGC领域优质创作者）
📖专属社群：欢迎关注【小兵的AI视界】公众号或扫描下方👇二维码，回复‘入群’ 即刻上车，获取邀请链接。
💘领取三大专属福利：1️⃣免费赠送AI+编程📚500本，2️⃣AI技术教程副业资料1套，3️⃣DeepSeek资料教程1套🔥（限前500人）
如果文章内容对您有所触动，别忘了点赞、⭐关注，收藏！加入我们，一起携手同行AI的探索之旅，开启智能时代的大门！