LangChain4j简介

pcsms_PoTVPezd · 发表于昨天 22:22

作者：CSDN博客
LangChain4j

LangChain4j 是 LangChain 的 Java 版本，旨在为 Java 开发者提供构建大型语言模型（LLM）应用的框架。它简化了 LLM 与 Java 应用程序的集成，支持多种主流模型（如 OpenAI、阿里百炼、百度文心等），并提供丰富的工具链，如聊天记忆管理、提示模板、检索增强生成（RAG）、工具调用（Function Calling）和智能代理（Agent）等
OpenAI API 请求与响应参数详解

请求信息

响应信息

LangChain4j快速入门

获取ApiKey

阿里云百炼获取ApiKey：https://bailian.console.aliyun.com/?utm_content=se_1021829511&tab=model#/api-key
创建ApiKey

给ApiKey设置环境变量

引入依赖

langchain4j-open-ai依赖

<dependency><groupId>dev.langchain4j</groupId><artifactId>langchain4j-open-ai-spring-boot-starter</artifactId><version>1.0.1-beta6</version></dependency>

复制代码

junit5依赖

<dependency><groupId>org.junit.jupiter</groupId><artifactId>junit-jupiter</artifactId><version>5.10.1</version></dependency>

复制代码

LangChain4j官方demo

使用官方提供的演示模型

/**
* 官方提供的演示ai模型
*/@Testvoidofficial(){OpenAiChatModel model =OpenAiChatModel.builder().baseUrl("http://langchain4j.dev/demo/openai/v1").apiKey("demo").modelName("gpt-4o-mini").build();String answer = model.chat("你是谁？");System.out.println(answer);}

复制代码

运行后结果

使用通义千问（qwen-plus）

/**
* 接入通义千问（qwen-plus）
*/@TestvoidgetApiKey(){//获取环境变量配置的API-KEYString key =System.getenv("API-KEY");OpenAiChatModel model =OpenAiChatModel.builder().baseUrl("https://dashscope.aliyuncs.com/compatible-mode/v1")//基地址.apiKey(key)//密钥.modelName("qwen-plus")//使用模型.build();//构建//调用chat方法进行交互String mes = model.chat("你是谁？");System.out.println(mes);}

复制代码

运行后如果获取不到环境变量，需要重启编译器（idea）

LangChain4j配置日志信息

日志依赖

<dependency><groupId>ch.qos.logback</groupId><artifactId>logback-classic</artifactId><version>1.5.18</version></dependency>

复制代码

代码

设置logRequests和logResponses

OpenAiChatModel model =OpenAiChatModel.builder().baseUrl("https://dashscope.aliyuncs.com/compatible-mode/v1")//基地址.apiKey(key)//密钥.modelName("qwen-plus")//使用模型.logRequests(true)//请求.logResponses(true)//响应.build();//构建

复制代码

结果

Spring整合LangChain4j

使用环境
SpringBoot：3.2.4
引入依赖

<dependency><groupId>dev.langchain4j</groupId><artifactId>langchain4j-open-ai-spring-boot-starter</artifactId><version>1.0.0-beta3</version></dependency>

复制代码

yaml文件配置

server:port:8100#配置langchain4jlangchain4j:open-ai:chat-model:api-key: ${API-KEY}#使用环境变量配置base-url: https://dashscope.aliyuncs.com/compatible-mode/v1 #基地址model-name: qwen-plus #模型log-requests:true#请求log-responses:true#响应#配置日志级别 logging:level:dev.langchain4j: debug

复制代码

配置日志一定要开启log-requests和log-responses并且设置日志级别
Controller代码

importdev.langchain4j.model.chat.ChatLanguageModel;importorg.springframework.beans.factory.annotation.Autowired;importorg.springframework.web.bind.annotation.GetMapping;importorg.springframework.web.bind.annotation.RequestParam;importorg.springframework.web.bind.annotation.RestController;@RestControllerpublicclassChatController{@AutowiredChatLanguageModel chatLanguageModel;@GetMapping("/chat")publicStringmodel(@RequestParam(value ="message", defaultValue ="Hello")String message){return chatLanguageModel.chat(message);}}

复制代码

运行

会话功能

AiService工具

引入依赖

<dependency><groupId>dev.langchain4j</groupId><artifactId>langchain4j-spring-boot-starter</artifactId><version>1.0.1-beta6</version></dependency>

复制代码

声明接口

importdev.langchain4j.service.spring.AiService;importdev.langchain4j.service.spring.AiServiceWiringMode;@AiService(
wiringMode =AiServiceWiringMode.EXPLICIT,//手动装配
chatModel ="openAiChatModel"//指定模型)publicinterfaceConsultantService{publicStringchat(String mes);}

复制代码

在Controller中注入使用

importorg.example.service.ConsultantService;importorg.springframework.beans.factory.annotation.Autowired;importorg.springframework.web.bind.annotation.GetMapping;importorg.springframework.web.bind.annotation.RequestParam;importorg.springframework.web.bind.annotation.RestController;@RestControllerpublicclassChatController{@AutowiredprivateConsultantService consultantService;@GetMapping("chat")publicStringchat(@RequestParamString mes){String chat = consultantService.chat(mes);return chat;}}

复制代码

流式调用

引入依赖

<dependency><groupId>org.springframework.boot</groupId><artifactId>spring-boot-starter-webflux</artifactId></dependency><dependency><groupId>dev.langchain4j</groupId><artifactId>langchain4j-reactor</artifactId><version>1.0.1-beta6</version></dependency>

复制代码

修改yml配置

server:port:8100#配置langchain4jlangchain4j:open-ai:streaming-chat-model:#流式调用配置api-key: ${API-KEY}#使用环境变量配置base-url: https://dashscope.aliyuncs.com/compatible-mode/v1 #基地址model-name: qwen-plus #模型log-requests:true#请求log-responses:true#响应chat-model:#阻塞调用配置api-key: ${API-KEY}#使用环境变量配置base-url: https://dashscope.aliyuncs.com/compatible-mode/v1 #基地址model-name: qwen-plus #模型log-requests:true#请求log-responses:true#响应#配置日志级别 logging:level:dev.langchain4j: debug

复制代码

流式调用只需要关注streaming-chat-model参数
修改接口

修改接口放回值，并且添加流式模型

importdev.langchain4j.service.spring.AiService;importdev.langchain4j.service.spring.AiServiceWiringMode;importreactor.core.publisher.Flux;@AiService(
wiringMode =AiServiceWiringMode.EXPLICIT,//手动装配
chatModel ="openAiChatModel",//阻塞指定模型
streamingChatModel ="openAiStreamingChatModel"//流式指定模型)publicinterfaceConsultantService{publicFlux<String>chat(String mes);}

复制代码

Controller代码

importorg.example.service.ConsultantService;importorg.springframework.beans.factory.annotation.Autowired;importorg.springframework.web.bind.annotation.GetMapping;importorg.springframework.web.bind.annotation.RequestParam;importorg.springframework.web.bind.annotation.RestController;importreactor.core.publisher.Flux;@RestControllerpublicclassChatController{@AutowiredprivateConsultantService consultantService;// @GetMapping(value = "chat",produces = "text/html;charset=utf-8") //produces设置字符集@GetMapping(value ="chat")publicFlux<String>chat(@RequestParamString mes){Flux<String> chat = consultantService.chat(mes);return chat;}}

复制代码

效果

还在输出中

输出完成

消息注解

@SystemMessage

用于标记系统消息，通常用于设置AI助手的角色或行为
使用
添加@SystemMessage注解，并且设置系统提示词，

importdev.langchain4j.service.SystemMessage;importdev.langchain4j.service.spring.AiService;importdev.langchain4j.service.spring.AiServiceWiringMode;importreactor.core.publisher.Flux;@AiService(
wiringMode =AiServiceWiringMode.EXPLICIT,//手动装配
chatModel ="openAiChatModel",//阻塞指定模型
streamingChatModel ="openAiStreamingChatModel"//流式指定模型)publicinterfaceConsultantService{@SystemMessage("你是一名心理咨询师")publicFlux<String>chat(String mes);}

复制代码

结果

@UserMessage

用于定义用户输入或 AI 需要处理的查询。它通常与 @SystemMessage 结合使用，构建完整的 AI 对话逻辑。
使用
1.定义用户的输入（如问题、指令）。
2.支持模板化输入（使用 {{variable}} 语法动态插入变量）。

@UserMessage("1.友好且专业的语气回答2.简短回答，{{it}}")//协助用户设置词条，it为默认参数表示用户消息publicFlux<String>chat(String mes);

复制代码

结果：

引入外部文本系统提示词

在resource目录下创建system.txt文件

使用system.txt文件

@SystemMessage(fromResource ="system.txt")//提供文本设置publicFlux<String>chat(String mes);

复制代码

动态变量（{{variable}} 语法）

如果不使用@V注解的话，默认就是{{it}}

@UserMessage("1.友好且专业的语气回答2.简短回答，{{mes}}")//协助用户设置词条publicFlux<String>chat(@V("mes")String mes);

复制代码

会话记忆

在 LangChain4j 中，会话记忆（Conversation Memory）是指 AI 能够记住之前的对话内容，从而实现多轮对话的上下文感知能力。
ChatMemory接口介绍

配置会话记忆对象提供者

@ConfigurationpublicclassComponentConfig{@BeanpublicChatMemorychatMemory(){returnMessageWindowChatMemory.builder().maxMessages(5)// 保留最近5条消息.build();//构建}}

复制代码

@AiService添加参数chatMemory

@AiService(
wiringMode =AiServiceWiringMode.EXPLICIT,//手动装配
chatModel ="openAiChatModel",//阻塞指定模型
streamingChatModel ="openAiStreamingChatModel",//流式指定模型
chatMemory ="chatMemory"//指定消息记忆)

复制代码

会话记忆隔离

如果不实现会话隔离，所有人使用的会话记忆是共用的
核心隔离机制
@MemoryId 会话隔离，最基础的隔离方式，为每个对话会话分配唯一ID
配置会话记忆对象提供者

@BeanpublicChatMemoryProviderchatMemoryProvider(){returnnewChatMemoryProvider(){@OverridepublicChatMemoryget(Object o){//这个o就是消息ID唯一标识returnMessageWindowChatMemory.builder().id(o)//唯一标识.maxMessages(5).build();}};}

复制代码

ConsultantService修改

@AiService添加参数

@AiService(
wiringMode =AiServiceWiringMode.EXPLICIT,//手动装配
chatModel ="openAiChatModel",//阻塞指定模型
streamingChatModel ="openAiStreamingChatModel",//流式指定模型
chatMemoryProvider ="chatMemoryProvider")

复制代码

为chat方法添加@MemoryId注解，在默认只有一个参数mes的情况下可以不添加@UserMessage

@SystemMessage(fromResource ="system.txt")//提供文本设置publicFlux<String>chat(@MemoryIdString memoryId,@UserMessageString mes);

复制代码

controller修改

@RestControllerpublicclassChatController{@AutowiredprivateConsultantService consultantService;@GetMapping(value ="chat",produces ="text/html;charset=utf-8")//produces设置字符集publicFlux<String>chat(@RequestParamString memoryId,@RequestParamString mes){Flux<String> chat = consultantService.chat(memoryId,mes);return chat;}}

复制代码

会话记忆持久化

如果我们重启了服务器，之前和用户会话记忆全部都会消失，因为会话记忆全部都在服务器内存当中，没有保存，可以将数据存储在mysql中或其它地方
使用了mybatis-plus
配置mysql

sql表，存储会话历史消息

CREATETABLE`messages`(`id`intNOTNULLAUTO_INCREMENT,`memory_id`varchar(128)CHARACTERSET utf8mb4 COLLATE utf8mb4_0900_ai_ci NOTNULL,`json_text`textCHARACTERSET utf8mb4 COLLATE utf8mb4_0900_ai_ci NOTNULL,PRIMARYKEY(`id`)USINGBTREE)ENGINE=InnoDBAUTO_INCREMENT=2076209155CHARACTERSET= utf8mb4 COLLATE= utf8mb4_0900_ai_ci ROW_FORMAT = Dynamic;

复制代码

yml配置

spring:datasource:type: com.mysql.cj.jdbc.MysqlDataSource
driver-class-name: com.mysql.cj.jdbc.Driver
url: jdbc:mysql://localhost:3306/ai_demo
username: root
password:123

复制代码

提供ChatMemoryStore接口的实现类

importcom.baomidou.mybatisplus.core.conditions.query.QueryWrapper;importdev.langchain4j.data.message.ChatMessage;importdev.langchain4j.data.message.ChatMessageDeserializer;importdev.langchain4j.data.message.ChatMessageSerializer;importdev.langchain4j.store.memory.chat.ChatMemoryStore;importorg.example.pojo.Messages;importorg.example.service.MessagesService;importorg.springframework.beans.factory.annotation.Autowired;importorg.springframework.stereotype.Repository;importjava.util.List;@RepositorypublicclassMysqlChatMemoryStoreimplementsChatMemoryStore{@AutowiredMessagesService messagesService;/**
* @param o 为 memoryId
* @return
*/@OverridepublicList<ChatMessage>getMessages(Object o){//获取QueryWrapper qw =newQueryWrapper<>();
qw.eq("memory_id",o);Messages one = messagesService.getOne(qw);List<ChatMessage> chatMessages =List.of();if(one !=null)
chatMessages =ChatMessageDeserializer.messagesFromJson(one.getJsonText());return chatMessages;}@OverridepublicvoidupdateMessages(Object o,List<ChatMessage> list){//更新会话消息//把list数据转换为json数据String s =ChatMessageSerializer.messagesToJson(list);//把json数据存储到mysql中Messages messages =newMessages();
messages.setMemoryId(o.toString());
messages.setJsonText(s);QueryWrapper qw =newQueryWrapper<>();
qw.eq("memory_id",o);
messagesService.saveOrUpdate(messages,qw);}@OverridepublicvoiddeleteMessages(Object o){QueryWrapper qw =newQueryWrapper<>();
qw.eq("memory_id",o);
messagesService.remove(qw);}}

复制代码

配置ChatMemoryStore接口的实现类

@ConfigurationpublicclassComponentConfig{@AutowiredMysqlChatMemoryStore mysqlChatMemoryStore;@BeanpublicChatMemoryProviderchatMemoryProvider(){returnnewChatMemoryProvider(){@OverridepublicChatMemoryget(Object o){//这个o就是消息ID唯一标识returnMessageWindowChatMemory.builder().id(o)//唯一标识.maxMessages(5).chatMemoryStore(mysqlChatMemoryStore)//配置提供ChatMemoryStore接口.build();}};}}

复制代码

RAG（检索增强生成）知识库

RAG（Retrieval-Augmented Generation）是一种结合信息检索与文本生成的技术架构，广泛应用于问答系统、对话机器人和知识密集型任务中。下面我将全面介绍RAG知识库的核心概念、技术实现和最佳实践。

快速入门

引入依赖

<dependency><groupId>dev.langchain4j</groupId><artifactId>langchain4j-easy-rag</artifactId><version>1.0.1-beta6</version></dependency>

复制代码

创建知识文档

创建md类型文件，其它的文件也行

里面是一些近几年的高考数据

构建向量数据库操作对象

//构建向量数据库操作对象@BeanpublicEmbeddingStorestore(){//加载文档中的内容进入内存List<Document> text =ClassPathDocumentLoader.loadDocuments("text");//构建向量数据库操作对象InMemoryEmbeddingStore store =newInMemoryEmbeddingStore();//构建一个EmbeddingStoreIngestor对象完成数据切割、向量化、存储EmbeddingStoreIngestor build =EmbeddingStoreIngestor.builder().embeddingStore(store).build();
build.ingest(text);return store;}

复制代码

构建向量数据库检索对象

//构建向量数据库检索对象@BeanpublicContentRetrievercontentRetriever(EmbeddingStore store){returnEmbeddingStoreContentRetriever.builder().embeddingStore(store).maxResults(3)//最大数据.minScore(0.6)//相似度.build();}

复制代码

@AiService注解添加contentRetriever配置

@AiService(
wiringMode =AiServiceWiringMode.EXPLICIT,//手动装配
chatModel ="openAiChatModel",//阻塞指定模型
streamingChatModel ="openAiStreamingChatModel",//流式指定模型
chatMemoryProvider ="chatMemoryProvider",
contentRetriever ="contentRetriever"//配置向量数据库检索对象)

复制代码

RAG核心API

文档加载器

1. 文件系统加载器

FileSystemDocumentLoader - 加载本地系统中的文档

List<Document> text =FileSystemDocumentLoader.loadDocuments("C:\\Users\\Xiri\\Desktop\\Learn_LangChain4j\\LangChain-RAG\\src\\main\\resources\\text");

复制代码

2.类路径（classpath）加载文档

指定类路径下的文件路径（相对 resources 目录的路径）

List<Document> text =ClassPathDocumentLoader.loadDocuments("text");

复制代码

3. URL 加载器（网络加载）

//网络链接加载//湖北省2025年普通高校招生录取控制分数线网址Document text =UrlDocumentLoader.load("https://jyt.hubei.gov.cn/zfxxgk/zc_GK2020/qtzdgkwj_GK2020/202506/t20250626_5706550.shtml",newApacheTikaDocumentParser());

复制代码

ApacheTikaDocumentParser文本解析器（几乎解析所有格式文档）
询问：湖北省2025年普通高校招生录取控制分数线

和官网对比

文档解析器

1.默认解析器

ApacheTikaDocumentParser可以解析大部分文件

newApacheTikaDocumentParser()

复制代码

2.文本解析器

newTextDocumentParser();

复制代码

3.PDF文件解析器

引入依赖

<dependency><groupId>dev.langchain4j</groupId><artifactId>langchain4j-document-parser-apache-pdfbox</artifactId><version>1.0.1-beta6</version></dependency>

复制代码

使用ApachePdfBoxDocumentParser解析器

Document text =FileSystemDocumentLoader.loadDocument("C:\\Users\\Xiri\\Desktop\\Learn_LangChain4j\\LangChain-RAG\\src\\main\\resources\\text\\2025hbgk.pdf",newApachePdfBoxDocumentParser());

复制代码

4.办公文档解析器

<dependency><groupId>dev.langchain4j</groupId><artifactId>langchain4j-document-parser-apache-poi</artifactId><version>1.0.1-beta6</version></dependency>

复制代码

ApachePoiDocumentParser解析器

newApachePoiDocumentParser()

复制代码

使用解析器

使用ApachePdfBoxDocumentParser解析器

//构建向量数据库操作对象@BeanpublicEmbeddingStorestore()//名字配置为store，如果配置名为embeddingStore会重名，有一个默认的{//使用解析器Document text =FileSystemDocumentLoader.loadDocument("C:\\Users\\Xiri\\Desktop\\Learn_LangChain4j\\LangChain-RAG\\src\\main\\resources\\text\\2025hbgk.pdf",newApachePdfBoxDocumentParser());//构建向量数据库操作对象InMemoryEmbeddingStore store =newInMemoryEmbeddingStore();//构建一个EmbeddingStoreIngestor对象完成数据切割、向量化、存储EmbeddingStoreIngestor build =EmbeddingStoreIngestor.builder().embeddingStore(store).build();
build.ingest(text);//设置文本return store;}

复制代码

文档分割器

默认使用DocumentSplitters.recursive()
DocumentSplitters.recursive() 是 LangChain4j 提供的递归文档分割器的核心 API，用于将长文档智能拆分为语义连贯的文本片段
构建文本分割器对象

//构建文档分割器对象DocumentSplitter recursive =DocumentSplitters.recursive(500,//每个片段最大能容纳的字符100//两个片段之间重叠字符个数);

复制代码

设置文本分割器对象

@BeanpublicEmbeddingStorestore()//名字配置为store，如果配置名为embeddingStore会重名，有一个默认的{Document text =FileSystemDocumentLoader.loadDocument("C:\\Users\\Xiri\\Desktop\\Learn_LangChain4j\\LangChain-RAG\\src\\main\\resources\\text\\2025hbgk.pdf",newApachePdfBoxDocumentParser());//构建文档分割器对象DocumentSplitter recursive =DocumentSplitters.recursive(500,//每个片段最大能容纳的字符100//两个片段之间重叠字符个数);//构建向量数据库操作对象InMemoryEmbeddingStore store =newInMemoryEmbeddingStore();//构建一个EmbeddingStoreIngestor对象完成数据切割、向量化、存储EmbeddingStoreIngestor build =EmbeddingStoreIngestor.builder().embeddingStore(store).documentSplitter(recursive)//设置文档分割器.build();
build.ingest(text);//设置文本return store;}

复制代码

关键参数documentSplitter配置

向量模型

向量模型将数据（如单词、句子、文档）映射到高维向量空间，每个维度代表数据的某种特征（如词频、语义等）。相似的数据在向量空间中距离较近，反之则较远
例如：
“猫”的向量可能是 [0.8, 0.2, 0.6]，而“狗”的向量是 [0.7, 0.3, 0.5]，两者余弦相似度高；
“桌子”的向量可能是 [0.1, 0.9, 0.0]，与“猫”差异显著。
余弦相似度：
最常用的相似度计算方法，通过向量夹角余弦值衡量相关性（范围：0~1）
配置向量模型

找一个文本向量模型使用，并且配置

#配置langchain4jlangchain4j:open-ai:embedding-model:#向量模型api-key: ${API-KEY}#使用环境变量配置base-url: https://dashscope.aliyuncs.com/compatible-mode/v1 #基地址model-name: text-embedding-v1 #文本向量模型log-requests:true#请求log-responses:true#响应

复制代码

设置向量模型

@AutowiredEmbeddingModel embeddingModel;

复制代码

//构建向量数据库操作对象@BeanpublicEmbeddingStorestore()//名字配置为store，如果配置名为embeddingStore会重名，有一个默认的{Document text =FileSystemDocumentLoader.loadDocument("C:\\Users\\Xiri\\Desktop\\Learn_LangChain4j\\LangChain-RAG\\src\\main\\resources\\text\\2025hbgk.pdf",newApachePdfBoxDocumentParser());//构建文档分割器对象DocumentSplitter recursive =DocumentSplitters.recursive(500,//每个片段最大能容纳的字符100//两个片段之间重叠字符个数);//构建向量数据库操作对象InMemoryEmbeddingStore store =newInMemoryEmbeddingStore();//构建一个EmbeddingStoreIngestor对象完成数据切割、向量化、存储EmbeddingStoreIngestor build =EmbeddingStoreIngestor.builder().embeddingStore(store).documentSplitter(recursive)//设置文档分割器.embeddingModel(embeddingModel)//设置向量模型.build();
build.ingest(text);//文本return store;}//构建向量数据库检索对象@BeanpublicContentRetrievercontentRetriever(EmbeddingStore store){returnEmbeddingStoreContentRetriever.builder().embeddingStore(store).maxResults(3)//最大数据.minScore(0.6)//相似度.embeddingModel(embeddingModel)//设置向量模型.build();}

复制代码

存储和检索都使用向量模型：
设置EmbeddingStoreIngestor和EmbeddingStoreContentRetriever的embeddingModel方法
运行

看到向量数据就代表成功了

向量数据库

之前向量数据库都是放在内存上了，服务器关机就没有了，使用Chroma持久化
运行Chroma

使用Chroma：0.4.20
运行Chroma

引入依赖

<dependency><groupId>dev.langchain4j</groupId><artifactId>langchain4j-chroma</artifactId><version>1.0.1-beta6</version></dependency>

复制代码

创建Bean

//构建Chroma向量数据库@BeanpublicChromaEmbeddingStorechromaEmbeddingStore(){returnChromaEmbeddingStore.builder().baseUrl("http://localhost:8000")// Chroma 服务地址.collectionName("my-collection")// 向量集合名称.logRequests(true)//请求日志.logResponses(true)//响应日志.build();}

复制代码

配置

//构建一个EmbeddingStoreIngestor对象完成数据切割、向量化、存储EmbeddingStoreIngestor build =EmbeddingStoreIngestor.builder().embeddingStore(chromaEmbeddingStore()).documentSplitter(recursive)//设置文档分割器.embeddingModel(embeddingModel)//设置向量模型.build();
build.ingest(text);

复制代码

returnEmbeddingStoreContentRetriever.builder().embeddingStore(chromaEmbeddingStore()).maxResults(3)//最大数据.minScore(0.6)//相似度.embeddingModel(embeddingModel)//设置向量模型.build();

复制代码

配置EmbeddingStoreIngestor和EmbeddingStoreContentRetrieverembeddingStore方法为之前创建的Bean：chromaEmbeddingStore()
结果

补充：只有第一次加载的时候需要完成数据切割、向量化、存储，之后不需要，可以将store方法的bean注释掉
Tools工具

创建工具方法

importdev.langchain4j.agent.tool.P;importdev.langchain4j.agent.tool.Tool;importorg.springframework.stereotype.Component;@ComponentpublicclassAiTool{@Tool("预约高考志愿填报信息服务")publicvoidaddData(@P("姓名")String name,@P("性别")String sex,@P("手机号")String phone
){System.err.println("姓名："+name+" 性别："+sex+" 手机号："+phone);}@Tool("取消预约高考志愿填报")publicvoidcancel(){System.err.println("已取消预约");}}

复制代码

配置工具方法

@AiService(
wiringMode =AiServiceWiringMode.EXPLICIT,//手动装配
chatModel ="openAiChatModel",//阻塞指定模型
streamingChatModel ="openAiStreamingChatModel",//流式指定模型
chatMemoryProvider ="chatMemoryProvider",
contentRetriever ="contentRetriever"//配置向量数据库检索对象,
tools ="aiTool"//配置AI工具类,使用名字注入)

复制代码

给@AiService注解的tools属性配置以上创建的工具方法
效果

查看2025年高考分数线

给他提供用户信息帮忙预约

预约成功后发现ai调用了addData方法

原文地址：https://blog.csdn.net/qq_64851111/article/details/149699076

25位大厂高管转战生成式AI创业！吸金猛，不

LangChain4j简介

LangGraph概念全解

关于我们

产品与服务

解决方案

产品与服务