LangChain4j 是 LangChain 的 Java 实现版本，由 langchain4j 官方团队开发，
其目标是将 LangChain 的核心概念和功能移植到 Java 生态系统中，使 Java 开发者能够更方便地构建基于大语言模型的应用程序


LangChain4j 通过提供标准化接口和组件，简化了 Java 开发者构建复杂 LLM 应用的流程，
覆盖了从模型调用到工具集成的全链路功能，尤其适合企业级 Java 项目




1. 大语言模型集成

支持与多种 LLM 提供商无缝对接，包括：

OpenAI（GPT-3.5、GPT-4 等）
Hugging Face
Cohere
Azure OpenAI
自定义私有模型

通过统一接口调用不同模型，支持流式响应、模型参数配置（如温度、最大 tokens 等） ；


2. 提示模板管理

定义可复用的提示模板，支持变量注入和动态参数 ；
PromptTemplate template = PromptTemplate.from("请总结以下文本：{input}");
Prompt prompt = template.format(Map.of("input", "待总结的内容"));

3. 链（Chains）编排
将多个 LLM 操作或工具组合为工作流，例如：
简单链：依次执行多个模型调用 ；
检索增强生成（RAG）链：结合向量检索和 LLM 生成答案 ；
路由链：根据输入动态选择执行路径 ；



4. 记忆（Memory）机制
支持会话记忆，使 LLM 能够在多轮对话中保持上下文连贯性 ；
内置多种记忆类型：
简单内存（SimpleMemory）
对话缓冲区（ConversationBufferMemory）
摘要记忆（ConversationSummaryMemory）



5. 工具调用
将外部工具（如计算器、API、数据库查询等）集成到 LLM 工作流中 ；
通过工具描述自动触发工具调用，增强模型的能力边界 ；


Tool calculator = Tool.builder()
    .name("calculator")
    .description("用于执行数学计算")
    .function(input -> executeCalculation(input))
    .build();

6. 向量存储与检索

支持与向量数据库（如 Chroma、Pinecone、Weaviate 等）集成 ；
实现语义相似度检索，为 RAG 提供支持 ；


VectorStore vectorStore = ChromaVectorStore.builder()
    .apiKey("your-api-key")
    .build();

7. 文档处理
文档加载（支持 PDF、CSV、文本等格式） ；
文本分割（按语义或固定长度） ；
文档索引与检索 ；


8. 回调与追踪
支持记录和监控链执行过程，便于调试和优化 ；
可集成 OpenTelemetry 等追踪系统 ；


9. 多模态支持
处理文本以外的模态（如图片、音频），结合视觉或音频模型 ；



10. 依赖注入与模块化设计
基于 Spring 或手动配置，支持组件化开发和依赖管理 ；
示例：简单问答链
// 初始化模型
OpenAiChatModel model = OpenAiChatModel.builder()
    .apiKey(System.getenv("OPENAI_API_KEY"))
    .temperature(0.7)
    .build();

// 创建提示模板
PromptTemplate template = PromptTemplate.from("问题：{question}\n答案：");

// 构建链
Chain chain = Chains.llm(model).prompt(template).build();

// 执行链
String answer = chain.run("什么是量子计算？");
System.out.println(answer);






https://docs.langchain4j.info/

https://github.com/langchain4j/langchain4j-examples

https://gitee.com/JackCaoo/langchain4j-examples