企业官网建设流程全解析

如何在Java项目里用LangChain4j接上AI对话与智能体

【免费下载链接】langchain4j-examples项目地址: https://gitcode.com/GitHub_Trending/la/langchain4j-examples

想给一个现成的 Java 服务加上"AI 助手"，最先卡住你的往往不是提示词，而是供应商碎片化：OpenAI、Gemini、本地的 Ollama，各家 SDK 写法不一，代码一改供应商就得重写。langchain4j-examples 是 LangChain4j 库的官方示例集，把最小对话调用、多智能体编排、RAG（检索增强生成：先从文档库里检索，再让大模型基于检索结果作答）拆成一个个可以直接运行的 Java 类。仓库可以这样克隆：

git clone https://gitcode.com/GitHub_Trending/la/langchain4j-examples

Java 调 LLM 的第一段对话

tutorials/ 模块从最朴素的调用开始，_00_HelloWorld.java全部逻辑就是几行 builder：

ChatModel model = OpenAiChatModel.builder().apiKey(key).modelName(GPT_4_O_MINI).build();

之后model.chat("Say Hello World")即可拿到回复。同目录还按编号覆盖了模型参数、流式输出、少样本提示、工具调用等主题。这里的关键点是：换用 Gemini、Azure 或 Ollama 时，只有 builder 这段要动，其余业务代码不变——各家供应商都被收敛到同一个ChatModel接口后面，这是整个示例集想让你先建立的认知。

把对话、工具、记忆包装成 AI 服务接口

裸调chat()的表达力有限。LangChain4j 的AiServices允许你用 Java 接口声明 AI 能力，由框架在运行时填充实现。other-examples/下的ServiceWithToolsExample.java给出了最短路径：

Assistant a = AiServices.builder(Assistant.class).chatModel(model).tools(new Calculator()).build();

Calculator的方法上标注@Tool后，模型在对话中会自己判断何时调用这些方法。customer-support-agent-example/模块把它做成了完整服务：@AiService标注的CustomerSupportAgent接口，配合@MemoryId隔离不同用户的对话历史，再叠加 Spring Boot 的依赖注入，就是一个能查预订、取消订单的租车客服机器人，接口上的@SystemMessage直接写了业务规则。同样的思路在javafx-example/模块里被搬进了桌面窗口：

让多步智能体工作流跑起来

单轮对话撑不起"先生成简历、再让多个评审打分、最后给出录用建议"这类业务。agentic-tutorial/是一个围绕简历生成与评审场景的完整智能体教程，单个智能体只需一行：

CvGenerator agent = AgenticServices.agentBuilder(CvGenerator.class).chatModel(model).build();

模块内的 README 按编号排布，从基础智能体一路讲到 supervisor 编排，覆盖六类拓扑：顺序（sequenceBuilder）、带退出条件的循环、并行（parallelBuilder）、条件分支、组合嵌套、人类参与。以并行为例，三个评审智能体（HR、经理、团队成员视角）同时读同一份简历：

var review = AgenticServices.parallelBuilder().subAgents(hr, manager, team).executor(pool).build();

output回调里从共享状态读出三份CvReview，平均出总分并合并评语。流程中需要人来拍板时，humanInTheLoopBuilder()可以像普通步骤一样插进工作流，阻塞等人工确认后继续——这在录用决策这类场景里基本是必选项。

修复文档问答里的追问问题

第一版 RAG 常在同一个地方翻车：用户追问"他是什么时候出生的？"，这句话里没有实体，直接拿去做向量检索大概率检索不到。rag-examples/的_3_advanced/目录从"查询压缩"讲起：

QueryTransformer qt = new CompressingQueryTransformer(chatModel);

CompressingQueryTransformer会先把当前问题和上文对话压缩成一个自包含的查询（改写为"John Doe 何时出生"之类），再交给EmbeddingStoreContentRetriever检索。同目录还有重排序、元数据过滤、多个检索器组合等技巧，每种技巧都是独立示例类，可以按需单独运行；向量库则能换成 pgvector、Chroma、Qdrant 等*-example模块里演示的任意一种。

从单个示例到可运行服务

上手顺序可以直接跟着模块走：先在tutorials/里跑通一类供应商的模型调用，确认 key 和网络没问题；再到other-examples/看工具调用如何被触发；业务涉及多步任务时，按数字顺序读agentic-tutorial/。整个仓库是 Maven 多模块工程，每个模块有独立的pom.xml，只取某个场景时单独打开对应模块即可，不必整仓构建。

【免费下载链接】langchain4j-examples项目地址: https://gitcode.com/GitHub_Trending/la/langchain4j-examples