介绍

欢迎！

LangChain4j 的目标是简化 LLM（大语言模型）在 Java 应用中的集成。

实现方式如下：

1. 统一 API LLM 提供商（如 OpenAI 或 Google Vertex AI）和嵌入存储（如 Pinecone 或 Milvus）通常使用专有 API。LangChain4j 提供了一个统一的 API，避免了对每种服务学习和实现特定 API 的繁琐工作。 您可以轻松切换 LLM 提供商或嵌入存储，无需重写代码。目前，LangChain4j 支持 15+ 流行的 LLM 提供商 和 20+ 嵌入存储。
2. 全面工具箱 自 2023 年初以来，社区已经开发了大量基于 LLM 的应用，总结了通用抽象、模式和技术。LangChain4j 将这些内容打磨为一个即用型包。 工具箱包含从低级的提示模板、聊天记忆管理和函数调用，到高级模式如 Agent 和 RAG 的功能。 每种抽象均提供接口及基于常见技术的现成实现。无论您是在构建聊天机器人，还是开发完整 RAG 管道的应用，LangChain4j 都为您提供多种选项。
3. 丰富示例 这些 示例 展示了如何快速构建各种基于 LLM 的应用，为您提供灵感并帮助您快速上手。

LangChain4j 于 2023 年初在 ChatGPT 热潮中启动。我们注意到市面上缺乏与 Python 和 JavaScript 对应的 Java LLM 库和框架，因此决定填补这一空白！ 尽管名称中有 "LangChain"，本项目融合了来自 LangChain、Haystack、LlamaIndex 和社区的理念，结合了我们自己的创新。

我们密切关注社区动态，旨在快速引入新技术和集成，确保您始终与时俱进。 该库目前正在积极开发中，尽管部分功能仍在完善，但核心功能已经就绪，您可以立即开始构建基于 LLM 的应用！

为了便于集成，LangChain4j 还提供与 Quarkus 和 Spring Boot 的集成。

---

LangChain4j 功能

• 集成 15+ LLM 提供商
• 集成 20+ 嵌入（向量）存储
• 集成 15+ 嵌入模型
• 集成 5 个图像生成模型
• 集成 2 个评分（重排序）模型
• 集成 OpenAI 的内容审核模型
• 支持多模态输入（文本和图像）
• AI 服务（高级 LLM API）
• 提示模板
• 持久化和内存型 聊天记忆 算法：消息窗口、Token 窗口
• LLM 响应流式传输
• 通用 Java 类型和自定义 POJO 的输出解析器
• 工具（函数调用）
• 动态工具（执行动态生成的 LLM 代码）
• RAG（检索增强生成）：
  • 数据摄取：
    • 导入多种文档类型（TXT、PDF、DOC、PPT、XLS 等）
    • 使用多种分割算法将文档分割为小段
    • 文档后处理
    • 嵌入分段并存储到嵌入存储
  • 检索：
    • 查询变换（扩展、压缩）
    • 向量存储检索与重排序
    • 查询路由
• 文本分类
• Token 化及 Token 数量估算工具
• Kotlin 扩展：基于协程的异步非阻塞处理

---

两层抽象

LangChain4j 提供两种抽象层级：

1. 低级抽象 提供最大自由度，可直接使用核心组件（如 ChatLanguageModel、UserMessage、AiMessage 等）。适合需要自定义逻辑的开发者，但需要更多编写代码。
2. 高级抽象 提供高层 API（如 AI 服务），隐藏复杂性与样板代码，同时支持声明式调整行为。

LangChain4j库结构

LangChain4j 具有模块化设计，包括以下内容：

1. langchain4j-core模块 定义了核心抽象（例如ChatLanguageModel和EmbeddingStore）及其API。
2. 主要langchain4j模块 包含有用的工具，如文档加载器、聊天记忆实现，以及高级功能，例如AI服务。
3. 各种langchain4j-{integration}模块 每个模块提供与不同LLM提供商和嵌入存储的集成。这些模块可以独立使用。如需更多功能，只需引入主要的langchain4j依赖项。

---

LangChain4j 仓库

• 主仓库
• Quarkus扩展
• Spring Boot集成
• 社区集成
• 示例
• 社区资源
• 内嵌式嵌入

---

使用场景

可能会问：为什么需要这些功能？以下是一些示例：

1. 自定义AI聊天机器人 您希望实现一个访问您数据并按您的需求行为的自定义AI聊天机器人，例如：
   • 客户支持聊天机器人：
     • 礼貌地回答客户问题
     • 接受/更改/取消订单
   • 教育助手：
     • 教授各种主题
     • 解释不清楚的部分
     • 评估用户的理解或知识
2. 处理大量非结构化数据 您希望处理大量非结构化数据（文件、网页等），并从中提取结构化信息，例如：
   • 从客户评论和支持聊天记录中提取洞见
   • 从竞争对手的网站中提取有趣信息
   • 从求职者简历中提取洞见
3. 生成信息 例如：
   • 为每位客户定制的电子邮件
   • 应用或网站内容：
     • 博客文章
     • 故事
4. 转换信息 例如：
   • 总结
   • 校对和重写
   • 翻译