企业官网建设流程全解析

LangChain4j 第一个对话程序：手写 LLM 调用链路，看清模型怎么"开口"

作者：鱼宵 ｜ LangChain4j实战精通营 · 第 1 篇

上个月有个学员跑通 Spring AI 第一个 AI 接口后懵了：整个工程没出现一个"模型"类，配好 yml 就聊上天了。他反问我：那模型到底怎么被调起来的？我没急着解释，直接把另一个工程丢给他——没有 yml，模型是我手写@Beannew 出来的，每个参数都摆在你眼前。他跑了一遍，说这下看清"模型怎么开口"了。

这个工程就是 LangChain4j。和 Spring AI"配好 yml 拎包入住"不同，这门课第一课就把模型对象亲手new出来：HTTP 请求怎么发、Key 怎么管、温度和 maxTokens 是干嘛的，一个都藏不住。代码全在仓库lesson-01/，clone 下来重跑一遍，十分钟后你也有一个能对话的控制台程序——最后那两道挑战题，不亲手改一次，你真以为调模型有多玄乎。

一、核心原理：一次 LLM 调用背后发生了什么

一句话先撂这儿：你写的那行chatModel.chat("你好")，背后是框架帮你拼了一个 HTTP POST 请求，模型在远端推理完，再把 JSON 答案解析成 Java 字符串递回给你。

1. 框架帮你干了哪段脏活

不写框架直接调模型，你得自己干这些事：拼 JSON 请求体、管 HTTP 连接、处理各家厂商的接口差异、把返回 JSON 里choices[0].message.content那串字抠出来。就像自己做饭全流程包圆，用框架就是点菜——你只管下单（写业务），后厨脏活归它。

一次调用的链路是这样：

你的 Java 代码 chatModel.chat("你好") ↓ 框架把消息打包成 JSON HTTP POST https://api.deepseek.com/chat/completions ↓ 模型在远端推理（这里花 token、花钱、花时间） HTTP 响应 JSON（里面装着回答文本） ↓ 框架解析 你的 Java 代码拿到 String 回答

面试能把这条链路讲顺，就等于讲清了"框架到底帮我封装了什么"。

2. 为什么 DeepSeek 能直接用 OpenAI 的客户端

这是这门课第一个"反直觉"的点：我代码里写的是OpenAiChatModel，连的却是 DeepSeek。原因是协议兼容——DeepSeek 对外的接口路径、请求体、响应体格式，跟 OpenAI 一模一样。所以 OpenAI 的客户端换个baseUrl就能连它。

打个比方：OpenAiChatModel像万能充电线，插座规格是 OpenAI 协议，插谁家都行，你只要换"充电头"三件套——base-url（服务地址）+ api-key（密钥）+ model（模型名）。这也是为什么这门课全程只教你连 DeepSeek，切模型却只改三个环境变量。

3. 手写 Bean vs yml 自动装配：两门课的对照点

Spring AI 那门课（第 1 篇）是"往 classpath 丢 starter，yml 写spring.ai.openai.*，框架自动把ChatClient创建好"。这门课反过来——模型对象是我在LlmConfig里手写@Bean造出来的：

说白了，yml 自动装配是"精装房拎包入住"，手写 Bean 是"自己挑家具摆一遍"。教学阶段先摆一遍，以后住进去才不心慌。

4. SystemPrompt：给模型发一本入职手册

这门课第二个重点概念是SystemPrompt——发给模型的第一段"人设说明书"，比用户问题优先级还高。新员工上岗先读手册就知道自己是谁，模型也一样：没手册是通用助手，给了手册就"入戏"。玩法二就是让它演 Java 面试官，第四节有实测。

二、动手：十分钟跑通第一个对话程序

环境：Windows + JDK 17 + Maven 3.9+。会@SpringBootApplication、看得懂@Bean就行。

第 1 步：30 秒检查环境。

java-version# 期望 True（JDK17 在不在）[bool][Environment]::GetEnvironmentVariable('DEEPSEEK_API_KEY')# 期望 True（Key 配了没，只看存在性别打印值）$env:JAVA_HOME="C:\Program Files\Java\jdk-17"# 本机用户级 JAVA_HOME 指向 JDK8，必须覆盖

第 2 步：编译工程。

cd langchain4j-journey\lesson-01$env:JAVA_HOME="C:\Program Files\Java\jdk-17"mvn clean install-DskipTests

看到BUILD SUCCESS即通过。第一次会下载 LangChain4j 1.21.0 的依赖，耐心等。

第 3 步：跑玩法一（交互问答）。

java-jar target\lesson-01-1.0.0.jar

看到你问：就敲问题回车，最多问 3 轮，输exit提前退。

第 4 步：跑玩法二（角色扮演：Java 面试官）。

java-jar target\lesson-01-1.0.0.jar roleplay

注意区别只在启动参数roleplay，代码一个字没改。

三、关键代码：两个类，看清模型怎么被"造"出来

工程是纯控制台 Spring Boot 项目（没加 web 依赖，控制台课不需要 HTTP 接口），真正要看的就两个类。

第一段：LlmConfig.java——模型是怎么被手写出来的。

packagecom.langchain4j.lesson01;importdev.langchain4j.model.openai.OpenAiChatModel;importorg.springframework.context.annotation.Bean;importorg.springframework.context.annotation.Configuration;/** * 模型配置类：全课程统一套路——用 @Bean 手动把模型对象 new 出来。 * 和 Spring AI 的 yml 自动装配正好相反，这里每个参数都看得见。 * 安全红线：API Key 只从环境变量读，绝不写进代码 / yml / README / 日志。 */@ConfigurationpublicclassLlmConfig{@BeanpublicOpenAiChatModelopenAiChatModel(){returnOpenAiChatModel.builder()// 服务地址：默认 DeepSeek，环境变量 LLM_BASE_URL 可覆盖（换 OpenAI/通义）.baseUrl(System.getenv().getOrDefault("LLM_BASE_URL","https://api.deepseek.com"))// API Key：只从环境变量读，写死 Key = 把钱包密码贴墙上.apiKey(System.getenv("DEEPSEEK_API_KEY"))// 模型名：默认 deepseek-chat，环境变量 LLM_MODEL 可覆盖.modelName(System.getenv().getOrDefault("LLM_MODEL","deepseek-chat"))// 输出上限 200 token：教学演示控成本，长回答会被拦腰截断（实测里能看到）.maxTokens(200)// 温度 0.7：0=严谨死板，1=天马行空，聊天用 0.7 比较自然.temperature(0.7).build();}}

这段就是"手写派"的精髓：builder 上每行都是一个你能叫出名字的参数。getOrDefault是故意的——环境变量优先、默认值兜底，这就是"切模型只改配置不改代码"。

第二段：ChatDemoApplication.java——一次 LLM 调用到底长什么样。

packagecom.langchain4j.lesson01;importdev.langchain4j.model.chat.ChatModel;importorg.springframework.boot.CommandLineRunner;importorg.springframework.boot.SpringApplication;importorg.springframework.boot.autoconfigure.SpringBootApplication;importjava.util.Scanner;/** * 第 1 课主程序。两种玩法用启动参数区分： * 无参 / chat —— 交互问答（控制台敲问题） * roleplay —— 角色扮演（Java 面试官，演示 SystemPrompt） */@SpringBootApplicationpublicclassChatDemoApplicationimplementsCommandLineRunner{// 注入的是接口 ChatModel（1.21.0 起由旧名 ChatLanguageModel 改名），// 实际对象是 OpenAiChatModel——面向接口，以后换实现业务代码一行不动。privatefinalChatModelchatModel;publicChatDemoApplication(ChatModelchatModel){this.chatModel=chatModel;}publicstaticvoidmain(String[]args){SpringApplication.run(ChatDemoApplication.class,args);}@Overridepublicvoidrun(String...args){Stringmode=args.length>0?args[0]:"chat";if("roleplay".equalsIgnoreCase(mode)){rolePlayDemo();}else{chatDemo();}}/** 玩法一：交互问答，最多 3 轮，输 exit 退出。 */privatevoidchatDemo(){System.out.println("========== LangChain4j 第 1 课：交互问答 ==========");System.out.println("（输入你的问题回车即可，输入 exit 退出，最多问 3 轮）");Scannerscanner=newScanner(System.in);intround=0;while(round<3){System.out.print("你问：");System.out.flush();// 不 flush 的话，输入前看不到提示语if(!scanner.hasNextLine())break;// 管道关闭就退出，保证程序能自然结束Stringquestion=scanner.nextLine().trim();if(question.isEmpty()||"exit".equalsIgnoreCase(question))break;round++;System.out.println(question);// ★★ 全课程最关键的一行：问进去，答出来，背后是一次完整的 HTTP 调用Stringanswer=chatModel.chat(question);System.out.println("AI 答："+answer);System.out.println("---------- 第 "+round+" 轮结束 ----------");}System.out.println("========== 对话结束 ==========");}/** 玩法二：角色扮演。SystemPrompt 就是这里拼进去的。 */privatevoidrolePlayDemo(){System.out.println("========== LangChain4j 第 1 课：角色扮演（Java 面试官） ==========");// 人设说明书：先于用户问题发给模型，优先级最高StringsystemPrompt="你是资深 Java 技术面试官，语气专业但友好。"+"每次回答先用一句话点评候选人的回答，再追问一个更深入的问题。";String[]questions={"请问什么是 Java 里的 final 关键字？","HashMap 的底层数据结构是什么？"};for(inti=0;i<questions.length;i++){System.out.println("面试官问："+questions[i]);// 把"人设 + 问题"拼在一段发给模型（第 2 课会用正规的消息体系替代这种手拼）Stringanswer=chatModel.chat(systemPrompt+"\n问题："+questions[i]);System.out.println("AI 答："+answer);System.out.println("---------- 第 "+(i+1)+" 题结束 ----------");}System.out.println("========== 面试演练结束 ==========");}}

盯着chatModel.chat(question)这一行看三秒——你以后写的所有 AI 业务，底层都是它。框架在这行里把拼请求、发 HTTP、解析 JSON 全包了。

四、实测输出：同一份代码，加一段人设判若两人

以下是 2026-10-05 本机真实运行（DeepSeek 实测，已省略 Spring Boot 启动 banner）。

玩法一：交互问答。

========== LangChain4j 第 1 课：交互问答 ========== （输入你的问题回车即可，输入 exit 退出，最多问 3 轮） 你问：用一句话介绍你自己 AI 答：我是DeepSeek，由深度求索公司创造的AI助手，随时准备为你提供帮助！ ---------- 第 1 轮结束 ---------- 你问：今天郑州天气适合做什么？ AI 答：我无法直接查询今天的实时天气，所以没法告诉你郑州今天具体适不适合出门。不过你可以这样快速判断： **先看天气，再决定做什么：** | 天气情况 | 适合做的事 | |---------|-----------| | ☀️ 晴/多云，温度适宜 | 去公园（人民公园、碧沙岗）、黄河风景区、逛街、骑行 | | 🌧️ 下雨 | 博物馆（河南博物院）、商场、咖啡馆、看电影、在家休息 | | 🌫️ 雾霾/空气差 | 室内活动为主，减少户外运动 | | 🌡️ 高温（35℃+） | 室内场馆、傍晚再出门、注意防暑 | | 🥶 寒冷/大风 | 室内活动，出门注意保暖 | **建议你打开手机天气App看一眼：** - 温度多少？ - 有没有雨/霾？ - 风力大不大？ **郑州比较值得去的地方（按天气选）： ---------- 第 2 轮结束 ---------- ========== 对话结束 ==========

看出两个门道没：

1. 第二问末尾那句加粗的"郑州比较值得去的地方（按天气选）："下面没下文了——这不是 bug，是.maxTokens(200)生效，输出到 200 token 被拦腰截断。生产环境按业务调大就行。
2. 模型张口就说"我无法直接查询今天的实时天气"——它不联网、不知道今天天气，第 6 课给它装工具（Function Calling）才能查真实数据。

玩法二：同一个模型，只多了一段 systemPrompt。

========== LangChain4j 第 1 课：角色扮演（Java 面试官） ========== 面试官问：请问什么是 Java 里的 final 关键字？ AI 答：你的回答可以从 final 修饰变量、方法、类这三个基本用法展开，这是很扎实的切入点。 那我追问一下：当 final 修饰一个引用类型变量时，比如 `final List<String> list = new ArrayList<>();`，为什么我们仍然可以往 list 里 add 元素？这跟 final 的语义到底是怎么对应的？ ---------- 第 1 题结束 ---------- 面试官问：HashMap 的底层数据结构是什么？ AI 答：点评：这是很基础的问题，答好了能体现你对集合框架的基本功。 追问：那你能具体说说，JDK 1.8 之后 HashMap 在什么条件下会把链表转成红黑树，又会在什么条件下退化回链表吗？ ---------- 第 2 题结束 ---------- ========== 面试演练结束 ==========

对比玩法一的"热情助手"口吻，这里它先点评一句、再追着问——SystemPrompt 的约束力实测摆在这。同一个模型、同一套代码，差别就是chat()前多拼了一段人设字符串。

排查提示：报 401 是 Key 环境变量没生效；402 是 DeepSeek 余额不足；连接超时多半是公司代理挡了 api.deepseek.com。

五、挑战题：改个参数，看看会怎样

1. ⭐把温度拨到 0 和 1.5：LlmConfig里.temperature(0.7)分别改成0.0和1.5，重编译，同一个问题"用 10 个字介绍你自己"连跑两次。你会发现 0.0 的回答几乎每次一字不差，1.5 的每次说法都不一样。答案就在LlmConfig.java那行 builder 上。
2. ⭐把 maxTokens 那行删掉：注释掉.maxTokens(200)重跑，再问一次"郑州天气适合做什么"——这回小作文能写完了。体会一下为什么生产环境反而要设上限（成本失控）。
3. ⭐⭐加一道面试题：在rolePlayDemo的questions数组里加第三题（比如"什么是 volatile？"），重跑roleplay，看面试官是不是还保持"先点评再追问"的派头。答案就在ChatDemoApplication.java那个数组里。

六、生产环境进阶：三个加分项

1. Key 只走环境变量，这是红线。整个工程 grep 一遍，代码、yml、日志里都不该出现真实 Key，只能出现System.getenv("DEEPSEEK_API_KEY")。Key 是钱袋子，贴进代码提交到 Git，等于把钱包照片发群里。

2. maxTokens 是天然成本刹车。它是单次输出上限，回答超长会被截断。演示用 200 控成本，生产按业务调大，同时也是防止模型"没完没了"的闸。

3. 切模型三件套，代码零改动。OpenAI =https://api.openai.com/v1+gpt-4o-mini；通义 =https://dashscope.aliyuncs.com/compatible-mode/v1+qwen-plus。三家都兼容 OpenAI 协议，改LLM_BASE_URL/LLM_MODEL加对应 Key 就能换供应商。

七、面试回答模板

面试官：一次 LLM 调用背后发生了什么？

一句话：你的代码调chatModel.chat(问题)，框架把消息打包成 JSON，HTTP POST 到模型服务，模型推理完返回 JSON，框架再解析成字符串还给你。展开讲：拼请求、发 HTTP、解析响应三段全是框架封装的，业务代码只管给问题、拿答案。DeepSeek 兼容 OpenAI 协议，OpenAI 客户端换个 baseUrl 就能连它。（指向本课第一节 + lesson-01 的ChatDemoApplication.java）

追问：为什么 DeepSeek 能直接用 OpenAI 的 Java 客户端？

因为它的接口路径、请求体、响应体格式和 OpenAI 完全一致，这叫"兼容 OpenAI 协议"。换模型只动三处：base-url、api-key、model 名，业务代码一行不改。（指向本课第 2 小节）

追问：LangChain4j 和 Spring AI 在模型装配上有什么区别？

Spring AI 靠 starter + yml 自动装配，配好spring.ai.openai.*注入 ChatClient 就能用，像精装房拎包入住；LangChain4j 手写@Beanbuilder 出模型，每个参数看得见，更轻、厂商覆盖更广。纯 Spring 栈图省心选前者，要多模型灵活切选后者。（指向本课第 3 小节 + Spring AI 系列第 1 篇）

追问：temperature 和 maxTokens 各管什么？

temperature 管"创造性"：0 严谨固定（适合抽取分类）、0.7 自然闲聊、1+ 发散易跑偏；maxTokens 管"输出上限"，超了就截断，同时是成本刹车。（指向本课LlmConfig.java）

八、总结表

九、关于这个系列

本文是「Java 后端实战精通营」系列第 1 篇，原则：实战驱动、由浅到深、面试向，每篇文章的结论都可以亲手验证。

👉LangChain4j 实战精通营（10 课）：https://gitee.com/j67mk2/langchain4j-journey

• 本文对应源码位置：lesson-01/（纯控制台工程，内含手写模型 Bean 的LlmConfig+ 交互/角色扮演两个玩法的ChatDemoApplication）

系列文章一览（按发布顺序）：

下一篇预告：《LangChain4j 提示词工程：模板 + few-shot + 温度，提示词从写死到复用》——本课你还在systemPrompt + "\n问题：" + question这种手拼字符串，下一课把它升级成带{{占位符}}的正规模板，再塞几个示例（few-shot）让模型照猫画虎。

跑完有任何报错，把终端输出发评论区，一起排查。

标签建议：LangChain4j、大模型、DeepSeek
摘要建议（≤256 字）：调大模型非得配 yml 黑魔法？LangChain4j 这门课反着来——手写 @Bean 把模型对象造出来，base-url / api-key / temperature 每个参数都摊在你眼前。本文带你用最小控制台工程跑通第一个对话程序，逐行拆解一次 LLM 调用的 HTTP 链路，实测对比 SystemPrompt 怎么让同一个模型从"热情助手"秒变"Java 面试官"，附 3 道改参数挑战题与面试回答模板，源码在 lesson-01 可 clone 直接跑。