LangChain4j 是一个为 Java 和 Kotlin 开发者设计的类库，它简化了将大型语言模型（LLMs）集成到应用程序中的过程。它是 LangChain 概念的一个 Java 实现，专注于构建基于 LLM 的应用，例如聊天机器人、问答系统、自动化代理等。

---

🧠 LangChain4j 核心概念

LangChain4j 主要围绕以下几个核心组件构建：

1. Model

• 表示语言模型接口。
• 支持多种模型类型：
  • LanguageModel：基础文本生成模型。
  • ChatLanguageModel：用于对话交互，支持消息历史。
  • EmbeddingModel：用于生成文本向量嵌入。
• 提供了与多个服务的集成，如：
  • OpenAI
  • Azure OpenAI
  • Anthropic (Claude)
  • Google Gemini / Vertex AI
  • HuggingFace Inference API
  • Ollama（本地部署）
  • 自定义模型适配器

2. PromptTemplate

• 用于构建动态提示模板。
• 使用变量替换机制来生成最终提示。
• 示例：

  PromptTemplate promptTemplate = PromptTemplate.from("Tell me a {{adjective}} joke about {{topic}}.");
  Prompt prompt = promptTemplate.apply(Map.of("adjective", "funny", "topic", "chickens"));
  

3. OutputParser

• 将模型输出解析为结构化数据。
• 支持多种格式：
  • JSON
  • XML
  • CSV
  • 自定义格式（正则表达式、特定语法等）

4. Retrieval

• 支持从外部知识库中检索信息。
• 集成 VectorStore（向量数据库），如：
  • Qdrant
  • Weaviate
  • Chroma（通过 REST 接口）
• 可结合 EmbeddingModel 进行语义搜索。

5. Agent

• 允许模型根据当前状态决定下一步动作。
• 支持工具调用（tool calling），如查询数据库、执行脚本、访问 API 等。
• Agent 类型包括：
  • ReAct（Reasoning + Acting）
  • Plan-and-Execute（先规划再执行）
  • Self-Ask with Search（自我提问+搜索引擎）

6. Memory

• 管理对话历史记录。
• 支持不同类型的记忆方式：
  • ConversationHistory：简单的历史记录。
  • WindowMemory：滑动窗口记忆。
  • TokenWindowMemory：基于 token 数量限制的记忆。
  • PersistentMemory：持久化存储（可结合 Redis、DB 等）。

7. Tool

• 外部功能的封装，供 Agent 调用。
• 支持同步和异步调用。
• 工具可以是自定义 Java 方法或远程 API。

---

📦 主要模块（Maven）

LangChain4j 是模块化的，主要 Maven 子项目如下：

模块名	功能描述
langchain4j-core	核心抽象和接口
langchain4j-model-openai	OpenAI 模型集成
langchain4j-azure-openai	Azure OpenAI 集成
langchain4j-anthropic	Anthropic Claude 模型支持
langchain4j-google-vertex-ai	Google Vertex AI 集成
langchain4j-ollama	本地运行 Ollama 模型
langchain4j-huggingface	HuggingFace 模型集成
langchain4j-retrievers	检索器实现
langchain4j-vector-store-*	向量数据库支持（如 Qdrant、Weaviate）
langchain4j-memory	记忆管理模块
langchain4j-agents	Agent 和 Tool 框架

---

🧪 示例代码（OpenAI + Chat）

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

public class ChatExample {
    public static void main(String[] args) {
        ChatLanguageModel model = OpenAiChatModel.withApiKey("your-api-key");

        String response = model.generate("What is the capital of France?");
        System.out.println(response);
    }
}

---

🤝 与其他框架对比

特性	LangChain4j	Python LangChain	LlamaIndex (Python)
语言支持	Java, Kotlin	Python	Python
模型支持	OpenAI, Anthropic, Gemini, Ollama 等	广泛支持各种模型	主要支持 Llama 系列模型
集成能力	强（Spring Boot、Micronaut 等）	强	中等
内存与状态管理	丰富	一般	较弱
Agent 支持	支持 ReAct 等	支持多种策略	不如 LangChain 强
社区活跃度	正在快速增长	极其活跃	增长较快

---

✅ 优势

• 面向 JVM 生态，适合企业级 Java/Kotlin 应用。
• 模块化架构，易于扩展和定制。
• 支持主流 LLMs 和本地模型（Ollama）。
• 提供完整的开发流程支持：Prompt → Model → Output Parsing → Memory → Retrieval → Agents。

---

❌ 局限

• 社区相对较小，文档仍在完善中。
• 相比 Python 的 LangChain，生态资源较少。
• 一些高级特性还在持续迭代中（如多模态支持）。

---

📚 官方文档 & 资源

• GitHub: https://github.com/langchain4j/langchain4j
• 文档: https://docs.langchain4j.dev/
• 示例项目: https://github.com/langchain4j/langchain4j-examples

---

🧩 适用场景

LangChain4j 适用于以下场景：

• 构建智能客服或聊天机器人
• 创建 RAG 系统
• 构建自动化任务代理（Agent）
• 数据增强与问答系统
• 结合 Spring Boot 构建生产级 LLM 应用

---