当前位置：首页 > news >正文

【微服务】SpringBoot整合LangChain4j 操作AI大模型实战详解

news 来源：原创 2025/8/7 14:12:09

一、前言

二、Langchain4j概述

2.1 Langchain4j 介绍

2.1.1 Langchain4j 是什么

2.1.2 主要特点

2.2 Langchain4j 核心组件介绍

2.3 Langchain4j 核心优势

2.4 Langchain4j 核心应用场景

三、SpringBoot 整合 LangChain4j 组件使用

3.1 前置准备

3.1.1 获取apikey

3.1.2 导入基础依赖

3.1.3 添加配置文件

3.2 对话能力使用

3.2.1 Low Level API使用

3.2.3 High Level API使用

3.2.4 设置角色

3.3 会话记忆

3.3.1 Low Level API的实现

3.3.2 High Level API的实现

3.4 Function Calling

3.4.1 核心概念

3.4.2 应用场景

3.4.3 案例代码

3.5 联网搜索能力

3.5.1 注册并获取apikey

3.5.2 添加依赖

3.5.3 添加配置信息

3.5.4 添加配置类

3.5.5 接口效果测试

四、写在文末

一、前言

当下随着各种AI大模型的纷纷登场，AI赋能为业务的拓展和商业价值的延伸带来了无限的可能，于是各大厂商陆续推出对主流AI大模型的接入和支持，方便普通用户或开发者快速体验最新的大模型能力，以DeepSeek为例，像阿里云，硅基流动，腾讯云等多家互联网云厂商，强势接入DeepSeek，让使用者快速尝鲜。与此同时，为了应用开发者能够基于自身的业务快速对接各类AI大模型API能力，更灵活的拓展自身的业务能力。本篇以Langchain4j为例进行说明，详细介绍下如何基于Springboot ，利用Langchain4j的通用能力，完成对主流大模型的使用能力。从而实现微服务自身价值的提升。

二、Langchain4j概述

2.1 Langchain4j 介绍

LangChain4j作为一款专注于AI大模型集成的开源库，近年来受到了广泛关注。它旨在为开发者提供一种简单且高效的方式来接入和利用各种AI大模型，从而提升应用程序的智能化水平。LangChain4j的核心优势在于其高度的灵活性和易用性，使得开发者可以在不改变现有架构的前提下，快速实现AI功能的集成。

入口：LangChain4j

github地址： GitCode - 全球开发者的开源社区,开源代码托管平台

2.1.1 Langchain4j 是什么

LangChain4j 是一个基于 Java 的框架，旨在简化与大型语言模型（LLMs）的集成和应用开发。它提供了丰富的工具和组件，帮助开发者快速构建基于 LLM 的应用程序，如聊天机器人、问答系统、文本生成等。

2.1.2 主要特点

LangChain4j 主要具备如下特点：

模块化设计
- LangChain4j 采用模块化架构，允许开发者根据需要选择和使用特定功能，如模型集成、数据加载、链式调用等。
多模型支持：
- 支持多种 LLM 提供商，如 OpenAI、Hugging Face 等，方便切换和集成不同模型。
链式调用：
- 提供链式调用功能，允许将多个任务串联，如文本生成后自动进行情感分析。
数据加载与处理：
- 内置多种数据加载器和处理器，支持从不同来源加载数据并进行预处理。
扩展性好
- 提供丰富的 API 和扩展点，开发者可以自定义组件以满足特定需求。
社区活跃
- 拥有活跃的社区和详细的文档，便于开发者获取支持和学习。

2.2 Langchain4j 核心组件介绍

Langchain4j 的强大之处正是在于其内置了丰富的可以做到开箱即用的组件能力，相比Spring AI，Langchain4j 的组件更加丰富，在使用的时候也更灵活，下面是一张关于Langchain4j 的组件全景图。

下面对其中核心组件做简单的说明。

Models

Models是LangChain中用于生成文本或执行其他任务的AI模型。
Models 通常是预训练语言模型（如GPT-3、GPT-4等），用于生成文本、回答问题、翻译、总结等任务。
LangChain允许你通过API调用这些模型，并将它们集成到更复杂的应用中。

Prompts

Prompts 是用户提供给模型的输入文本，用于引导模型生成特定的输出。
Prompts可以是简单的文本，也可以是结构化的模板。
Prompts用于控制模型的输出，使其生成符合预期的结果。
通过设计好的Prompts，可以引导模型执行特定的任务，如问答、翻译、生成代码等。

Vector Store

Vector Store 是用于存储和检索文本向量的数据库。
文本向量是通过将文本嵌入到高维空间中生成的数值表示。
Vector Store 用于快速检索与查询文本相似的文本片段，类似于搜索引擎ES的功能，在文档检索、推荐系统、语义搜索等任务中非常有用。

Document Loaders

Document Loaders 是用于从不同来源，如文件、数据库、API等加载文档的工具。
Document Loaders 用于将外部数据加载到LangChain中，以便进一步处理。例如，可以从PDF、Word文档、网页等加载文本数据。

Text Splitters

Text Splitters 用于将长文本分割成较小的片段或块。
Text Splitters用于处理长文本，使其适合模型的输入长度限制。这在处理大型文档或长篇文章时非常有用，可以确保模型能够处理整个文本。

Output Parsers

Output Parsers用于将模型的输出解析为结构化数据或特定格式。
Output Parsers用于处理模型的原始输出，将其转换为更易用的格式，如JSON、字典、列表等。这对于后续的数据处理和分析非常有用。

Tools

Tools是LangChain中用于执行特定任务的函数或接口。它们可以是内置的工具，也可以是自定义的工具。
Tools用于扩展模型的能力，例如调用外部API、执行计算、查询数据库等。通过Tools，模型可以与环境进行交互，执行更复杂的任务。

2.3 Langchain4j 核心优势

LangChain4j 是一个专为 Java 开发者设计的框架，旨在简化与大型语言模型（LLMs）的集成和应用开发。它的核心优势主要体现在以下几个方面：

Java 原生支持

LangChain4j 是专为 Java 生态系统设计的，与 Java 开发工具和框架无缝集成。
对于 Java 开发者来说，无需学习其他语言（如 Python）即可使用 LLM 的强大功能。
支持 Spring Boot 等主流 Java 框架，便于快速集成到现有项目中。

模块化与灵活性

采用模块化设计，开发者可以根据需求选择特定功能，如模型集成、数据加载、链式调用等。
提供丰富的扩展点，支持自定义组件和插件，满足个性化需求。

多模型支持

支持多种主流 LLM 提供商，如 OpenAI、Hugging Face、Cohere 等。
提供统一的 API 接口，方便切换不同模型，降低对单一供应商的依赖。

链式调用（Chains）

支持将多个任务串联成链，实现复杂的任务流程。
例如，可以将文本生成、情感分析、翻译等任务组合成一个链式调用，简化开发流程。

数据加载与处理

内置多种数据加载器，支持从文件、数据库、API 等来源加载数据。
提供数据预处理工具，如文本清洗、分词、格式化等，便于后续分析和处理。

高性能与可扩展性

针对 Java 的高性能特性进行优化，适合处理大规模数据和复杂任务。
支持分布式计算和异步调用，适合高并发场景。

丰富的工具和实用功能

提供多种实用工具，如日志记录、配置管理、缓存机制等。
内置对 Prompt 工程的支持，帮助开发者更好地设计和优化提示词（Prompts）。

活跃的社区与文档支持

拥有活跃的开发者社区，提供及时的技术支持和问题解答。
提供详细的文档和示例代码，帮助开发者快速上手。

企业级支持

提供对安全性和合规性的支持，适合企业级应用开发。
支持模型微调和自定义训练，满足特定业务需求。

跨平台与云原生支持

支持在本地、云端或混合环境中部署。
与 Kubernetes、Docker 等云原生技术兼容，适合现代微服务架构。

LangChain4j 的核心优势在于其 Java 原生支持、模块化设计、多模型兼容性 和 强大的链式调用功能。这些特性使其成为 Java 开发者构建基于 LLM 的智能应用的理想选择。无论是开发聊天机器人、问答系统，还是进行文本生成和数据分析，LangChain4j 都能提供高效、灵活的解决方案。

2.4 Langchain4j 核心应用场景

LangChain4j 是一个功能强大的 Java 框架，专为集成和应用大型语言模型（LLMs）而设计。它的灵活性和模块化特性使其适用于多种应用场景。如下列举了LangChain4j 的几个核心应用场景

智能聊天机器人

场景描述：开发基于 LLM 的聊天机器人，用于客户服务、娱乐、教育等领域。
LangChain4j 优势：
- 支持多轮对话管理。
- 可集成多种 LLM 提供商（如 OpenAI、Hugging Face）。
- 提供上下文管理功能，确保对话连贯性。

问答系统

场景描述：构建智能问答系统，用于知识库查询、技术支持、法律咨询等。
LangChain4j 优势：
- 支持从结构化或非结构化数据中提取答案。
- 提供语义搜索和上下文理解能力。
- 可与其他数据源（如数据库、API）集成。

文本生成

场景描述：自动生成文章、故事、代码、营销文案等。
LangChain4j 优势：
- 支持多种生成模型（如 GPT、BERT）。
- 提供 Prompt 工程工具，优化生成效果。
- 支持批量生成和自定义模板。

数据分析与挖掘

场景描述：利用 LLM 进行文本数据分析，如情感分析、主题提取、趋势预测等。
LangChain4j 的优势：
- 提供数据加载和预处理工具。
- 支持与数据分析工具（如 Apache Spark、Pandas）集成。
- 可处理大规模文本数据。

自动化文档处理

场景描述：自动处理文档，如合同分析、报告生成、文档摘要等。
LangChain4j 的优势：
- 支持从 PDF、Word 等格式中提取文本。
- 提供文本摘要和关键信息提取功能。
- 可与其他文档处理工具（如 OCR）集成。

代码生成与辅助开发

场景描述：利用 LLM 生成代码、修复 Bug、优化代码结构等。
LangChain4j 的优势：
- 支持多种编程语言的代码生成。
- 提供代码补全和错误检测功能。
- 可集成到 IDE 中，提升开发效率。

个性化推荐系统

场景描述：基于用户行为和偏好，生成个性化推荐（如商品、内容、服务）。
LangChain4j 的优势：
- 支持自然语言理解，精准捕捉用户需求。
- 可与其他推荐算法（如协同过滤）结合。
- 提供实时推荐功能。

多语言支持与翻译

场景描述：开发多语言翻译工具，支持实时翻译、文档翻译等。
LangChain4j 的优势：
- 支持多种语言的翻译模型。
- 提供上下文感知翻译功能。
- 可集成到多语言应用中。

教育与培训

场景描述：开发智能教育工具，如自动批改作业、生成试题、提供学习建议等。
LangChain4j 的优势：
- 支持自然语言交互，提供个性化学习体验。
- 可生成高质量的教育内容。
- 支持多语言教学。

医疗与健康

场景描述：构建智能医疗助手，用于疾病诊断、药物推荐、健康咨询等。
LangChain4j 的优势：
- 支持医学文本分析和理解。
- 可集成医疗知识库。
- 提供高精度的自然语言处理能力。

总的来说，LangChain4j 核心应用场景涵盖了从 聊天机器人、问答系统 到 文本生成、数据分析 等多个领域。其模块化设计、多模型支持和强大的链式调用功能，使其成为构建智能应用的理想选择。无论是企业级应用还是个人项目，LangChain4j 都能提供高效、灵活的解决方案。

三、SpringBoot 整合 LangChain4j 组件使用

3.1 前置准备

3.1.1 获取apikey

LangChain4j ，可以理解为一个类似JDBC的底层SDK，支持与多种大模型进行对接使用，本文将使用阿里云百炼平台集成的大模型进行对接，所以，首先你需要在阿里云百炼平台注册一个账户并获取到apikey，百炼平台入口：https://bailian.console.aliyun.com/ ，在模型广场中，该平台对接了很多种主流大模型，只需要在程序中配置对应的模型名称，以及apikey即可；

比如下文以deepseek为例进行说明，首先从模型广场找到第一个DeepSeek R1 ，进入之后，找到下面的位置，拷贝模型名称

然后，在个人账户那里，查看API-KEY，进去之后创建一个API-KEY即可，每个账户免费可以创建10个API-KEY

3.1.2 导入基础依赖

创建一个springboot工程，然后导入下面基本依赖，主要是springboot核心依赖，以及LangChain4j 相关的组件依赖

<properties><maven.compiler.source>17</maven.compiler.source><maven.compiler.target>17</maven.compiler.target><project.build.sourceEncoding>UTF-8</project.build.sourceEncoding><langchain.version>1.0.0-beta1</langchain.version>
</properties><parent><groupId>org.springframework.boot</groupId><artifactId>spring-boot-starter-parent</artifactId><version>3.2.4</version><relativePath/>
</parent><dependencies><dependency><groupId>org.springframework.ai</groupId><artifactId>spring-ai-tika-document-reader</artifactId><version>1.0.0-M3</version></dependency><dependency><groupId>com.alibaba</groupId><artifactId>fastjson</artifactId><version>2.0.35</version></dependency><dependency><groupId>org.springframework.boot</groupId><artifactId>spring-boot-starter-web</artifactId></dependency><dependency><groupId>org.projectlombok</groupId><artifactId>lombok</artifactId><scope>provided</scope></dependency><!-- https://mvnrepository.com/artifact/com.alibaba/dashscope-sdk-java --><dependency><groupId>com.alibaba</groupId><artifactId>dashscope-sdk-java</artifactId><version>2.16.9</version></dependency><dependency><groupId>dev.langchain4j</groupId><artifactId>langchain4j-community-dashscope-spring-boot-starter</artifactId></dependency><dependency><groupId>dev.langchain4j</groupId><artifactId>langchain4j</artifactId><version>${langchain.version}</version></dependency><dependency><groupId>org.slf4j</groupId><artifactId>slf4j-simple</artifactId><version>1.7.32</version> <!-- 使用最新版本 --></dependency></dependencies><dependencyManagement><dependencies><dependency><groupId>dev.langchain4j</groupId><artifactId>langchain4j-community-bom</artifactId><version>${langchain.version}</version><type>pom</type><scope>import</scope></dependency></dependencies></dependencyManagement><repositories><repository><id>spring-milestones</id><name>Spring Milestones</name><url>https://repo.spring.io/milestone</url><snapshots><enabled>false</enabled></snapshots></repository>
</repositories><build><finalName>boot-docker</finalName><plugins><plugin><groupId>org.springframework.boot</groupId><artifactId>spring-boot-maven-plugin</artifactId></plugin></plugins>
</build>

3.1.3 添加配置文件

在springboot工程配置文件中添加下面的信息

这里直接通过第三方云平台对接大模型，只需要配置两个参数，即apikey和模型名称即可；
如果是本地搭建的大模型，也同样调整下该参数即可；

server:port: 8081langchain4j:community:dashscope:chat-model:api-key: 你的apikeymodel-name: deepseek-r1

3.2 对话能力使用

即聊天对话组件，对话组件是langchain4j最基本也是非常重要的基础组件，利用这个组件，应用可以完成与大模型的常规对话能力，在langchain4j的对话模型API中，提供了Low Level API与High Level API；

Low Level API，提供的API能力更偏向底层，使用起来更为灵活，开发者可控制性更强；
High Level API，封装性更高，调用更简单，但缺点是不够灵活，可控性差点；

3.2.1 Low Level API使用

在工程中添加一个接口，参考下面的代码：

import dev.langchain4j.data.message.UserMessage;
import dev.langchain4j.model.chat.ChatLanguageModel;
import lombok.RequiredArgsConstructor;
import org.springframework.web.bind.annotation.GetMapping;
import org.springframework.web.bind.annotation.RequestMapping;
import org.springframework.web.bind.annotation.RequestParam;
import org.springframework.web.bind.annotation.RestController;@RestController
@RequestMapping("/langchain/api")
@RequiredArgsConstructor
public class ChatController {final ChatLanguageModel chatLanguageModel;//localhost:8081/langchain/api/chat?message=你好，你是谁@GetMapping("/chat")public Object lowChat(@RequestParam(value = "message") String message) {String text = chatLanguageModel.chat(UserMessage.from(message)).aiMessage().text();return text;//return chatLanguageModel.chat(message);}
}

chatLanguageModel.chat()这个方法中，支持传入的是一组ChatMessage类型的参数，通过源码可以看到，ChatMessage是一个接口，当前的SDK内置了5种实现，每一种都有特定的使用场景：

UserMessage：
- 这是来自用户的消息。包含文本，但某些LLM也支持文本和图像的混合
AiMessage：
- 这是由 AI 生成的消息，响应 UserMessage。generate 方法返回包装在 Response 中的 AiMessage。AiMessage 可以包含文本响应（String）或执行工具的请求（ToolExecutionRequest）。
ToolExecutionResultMessage：
- ToolExecutionRequest 的结果。
SystemMessage：
- 定义AI的系统角色信息。

工程启动后，调用一下接口可以看到下面的效果

3.2.3 High Level API使用

首先提供一个Assistant接口，并添加一个chat()方法

public interface Assistant {String chat(String message);
}

将上述Assistant作为一个bean初始化到spring容器中，添加如下的配置类

package com.congge.config;import com.congge.service.Assistant;
import dev.langchain4j.model.chat.ChatLanguageModel;
import dev.langchain4j.service.AiServices;
import lombok.RequiredArgsConstructor;
import org.springframework.context.annotation.Bean;
import org.springframework.context.annotation.Configuration;@Configuration
@RequiredArgsConstructor
public class AssistantConfig {final ChatLanguageModel chatLanguageModel;@Beanpublic Assistant assistant(){return AiServices.builder(Assistant.class).chatLanguageModel(chatLanguageModel).build();}}

下面再提供另一个接口，使用一下High Level API的方式进行对话

final Assistant assistant;//localhost:8081/langchain/api/high/chat?message=你好，你是谁
@GetMapping("/high/chat")
public Object highChat(@RequestParam(value = "message") String message) {String text = assistant.chat(message);return text;
}

调用一下上面的接口，看到下面的响应内容

3.2.4 设置角色

设置角色也叫角色扮演，利用这个特性，在将问题投递给大模型之前，先为大模型设置一个特定的角色，比如“你是一个资深导演”，或者“请模仿XXX风格”，这样可以让大模型在给出回答的时候缩小范围，从而给出给符合角色身份的回答，看下面的代码示例。

/*** 设定身份* localhost:8081/langchain/api/role/chat?message=你是如何评价秦始皇这个皇帝的* @param message* @return*/
@GetMapping("/role/chat")
public Object roleChat(@RequestParam(value = "message") String message) {String text = chatLanguageModel.chat(List.of(SystemMessage.systemMessage("假如你是一位中文历史专家，请以该身份回答问题"),UserMessage.userMessage(message))).aiMessage().text();return text;
}

调用一下接口，看到下面的效果，从回答的结果来看，明显具有一定的专业性，这就是设置身份带来的效果

如果是在High Level API中，首先在上述自定义接口的方法上面添加 @SystemMessage 注解，补充角色设定的文案

接口逻辑不用动，然后再次调用上述的那个接口测试一下，给出下面的回答

3.3 会话记忆

即memory，还记得在刚开始使用AI大模型的时候，很多初次接触的同学对于AI大模型能够进行对话觉得不可思议，简单来说，就是利用了会话记忆，即将对话的上下文进行了存储，这样在回答用户的提问时就能进行参考。

Langchain4j内置了两个chatMemory的实现

MessageWindowChatMemory ，基于内存的会话记忆实现，如果服务被重启，会话记忆将会丢失；
TokenWindowChatMemory，基于token的实现；

3.3.1 Low Level API的实现

参考下面的代码

//基于消息数量的窗口内存，这里设置最大保存数量为15个，表示会话记忆最多能存储15条消息
private final ChatMemory chatMemory = MessageWindowChatMemory.withMaxMessages(15);final ChatLanguageModel chatLanguageModel;/*** localhost:8081/api/memory/low/chat?message=jdk8之后创建线程有哪些方式* localhost:8081/api/memory/low/chat?message=在以上的方式中，你更推荐使用哪种方式* @param message* @return*/
@GetMapping("/low/chat")
public Object lowChat(@RequestParam(value = "message") String message) {chatMemory.add(UserMessage.from(message));ChatResponse chat = chatLanguageModel.chat(chatMemory.messages());chatMemory.add(chat.aiMessage());return chat.aiMessage().text();
}

在这里准备两个具有上下文连贯性的问题

jdk8之后创建线程有哪些方式
在以上的方式中，你更推荐使用哪种方式

启动工程后，调用第一个接口，给出下面的回答

基于上面的回答，我们再用第二个问题请求接口，从回答的结果不难看出，第二个问题的回答是参考了第一次的回答内容

3.3.2 High Level API的实现

基于High Level API的实现，需要对自定义的接口做一下改造，首先在Assistant接口增加一个方法，并使用@MemoryId进行参数标准

MemoryId，可以理解为一个会话的唯一标识，在与大模型对话时候可以实现不同会话的隔离，这里就是利用了这个思想进行实现

再在AssistantConfig类中初始化Assistant的bean的时候添加会话记忆的配置信息

@Bean
public Assistant assistant(){return AiServices.builder(Assistant.class).chatMemoryProvider(memoryId -> MessageWindowChatMemory.withMaxMessages(15)).chatLanguageModel(chatLanguageModel).build();
}

增加一个接口

final Assistant assistant;/*** localhost:8081/api/memory/high/chat?memoryId=1&message=jdk8之后创建线程有哪些方式* localhost:8081/api/memory/high/chat?memoryId=1&message=在以上的方式中，你更推荐使用哪种方式* @param message* @return*/
@GetMapping("/high/chat")
public Object highChat(@RequestParam(value = "memoryId") String memoryId,@RequestParam(value = "message") String message) {return assistant.chat(memoryId, message);
}

按照上述同样的方式分别再调用下两个接口，第一次调用效果如下：

第二次调用时候，从回答效果来看，是参考了第一次的内容的

3.4 Function Calling

Function Calling 也叫结构化输入，在 LangChain4j 中，Function Calling 是一种强大的功能，允许开发者将语言模型（如 OpenAI 的 GPT）与外部工具或 API 集成。通过 Function Calling，语言模型可以决定何时调用外部函数，并将函数的返回结果整合到生成的响应中。这种机制非常适合构建需要动态获取数据或执行特定任务的应用程序。

3.4.1 核心概念

模型决定调用函数

语言模型根据用户输入的内容，决定是否需要调用外部函数。
如果需要调用函数，模型会生成一个包含函数名称和参数的 JSON 对象。

执行外部函数

应用程序接收到模型生成的 JSON 对象后，调用相应的外部函数或 API。
外部函数执行完成后，将结果返回给应用程序。

整合函数结果

应用程序将函数的结果传递给语言模型。
语言模型根据函数结果生成最终的响应。

3.4.2 应用场景

Function Calling 主要有如下应用场景：

动态数据获取：
1. 例如，用户询问天气时，模型可以调用天气 API 获取实时数据。
执行特定任务：
1. 例如，用户要求发送邮件时，模型可以调用邮件发送 API。
复杂逻辑处理：
1. 例如，用户需要计算复杂的数学公式时，模型可以调用计算引擎。

3.4.3 案例代码

参考下面的代码，核心思路如下：

自定义工具方法，添加@Tool注解；
将上述方法所在类配置到全局bean；
执行调用的位置使用即可；

自定义工具方法

public class DataCalculator {@Tooldouble add(int a, int b) {return a + b;}@Tooldouble squareRoot(double x) {return Math.sqrt(x);}
}

自定义对话接口，里面有一个提问的方法

public interface MathGenius {String ask(String question);
}

添加一个配置类，将上述的DataCalculator 配置进去

package com.congge.config;import com.congge.util.DataCalculator;
import com.congge.util.MathGenius;
import dev.langchain4j.model.chat.ChatLanguageModel;
import dev.langchain4j.service.AiServices;
import lombok.RequiredArgsConstructor;
import org.springframework.context.annotation.Bean;
import org.springframework.context.annotation.Configuration;@Configuration
@RequiredArgsConstructor
public class MathGeniusConfig {final ChatLanguageModel chatLanguageModel;@Beanpublic MathGenius mathGenius(){return AiServices.builder(MathGenius.class).tools(new DataCalculator()).chatLanguageModel(chatLanguageModel).build();}}

自定义接口

    final MathGenius mathGenius;//http://localhost:8081/api/func/high/chat@GetMapping("/high/chat")public String highChat() {String answer = mathGenius.ask("What is the square root of 475695037565?");return answer;}

调用一下接口，效果如下

或者换一个问题，可以看到，在实际进行计算的时候底层会根据工具类中提供的方法，结合问题自动进行选择和识别

3.5 联网搜索能力

大模型的联网搜索能力是大模型实现多模态基础，同时也是后续实现各种Agent应用的基础，下面看一个具体的案例，用于联网搜索天气。

3.5.1 注册并获取apikey

首先需要注册： Google Search API for real-time SERP scraping ，并申请到API key

登录进去之后，进入主页，会默认给你分配一个apikey
网站提供了多个厂商的信息，你可以选择其中一个使用，本例使用baidu提供的服务；

3.5.2 添加依赖

要结合LangChain4j 的联网搜索能力，需要在pom中添加如下依赖

<dependency><groupId>dev.langchain4j</groupId><artifactId>langchain4j-web-search-engine-searchapi</artifactId><version>${langchain.version}</version>
</dependency>

3.5.3 添加配置信息

将第一步申请到的apikey配置到工程的配置文件中

search:apiKey: 你的apikeyengine: baidu

3.5.4 添加配置类

为了在对话API中能够用上联网搜索能力，还需要将web-search-engine-searchapi的能力配置到全局的bean中，添加如下的自定义配置类

@Configuration
@RequiredArgsConstructor
public class WebSearchInit {final SearchConfig searchConfig;@Beanpublic SearchApiWebSearchEngine initWebSearchEngine() {return SearchApiWebSearchEngine.builder().engine(searchConfig.getEngine()).apiKey(searchConfig.getApiKey()).build();}
}

然后再在AssistantConfig配置类中把WebSearchTool加进去

@Bean
public Assistant assistant(SearchApiWebSearchEngine engine){return AiServices.builder(Assistant.class).chatMemoryProvider(memoryId -> MessageWindowChatMemory.withMaxMessages(15)).tools(new WebSearchTool(engine)).chatLanguageModel(chatLanguageModel).build();
}

3.5.5 接口效果测试

上面的准备工作都做完之后，使用之前的一个对话接口，调用一下，咨询一下今天某个城市的天气如何，可以看到，能够进行联网搜索查到今天的南京的天气信息

四、写在文末

本文通过较大的篇幅详细介绍了langchain4J的使用，并通过案例代码演示了其核心组件的使用，希望对看到的同学有用哦，本篇到此结束，感谢观看。

一、前言

二、Langchain4j概述

2.1 Langchain4j 介绍

2.1.1 Langchain4j 是什么

2.1.2 主要特点

2.2 Langchain4j 核心组件介绍

2.3 Langchain4j 核心优势

2.4 Langchain4j 核心应用场景

三、SpringBoot 整合 LangChain4j 组件使用

3.1 前置准备

3.1.1 获取apikey

3.1.2 导入基础依赖

3.1.3 添加配置文件

3.2 对话能力使用

3.2.1 Low Level API使用

3.2.3 High Level API使用

3.2.4 设置角色

3.3 会话记忆

3.3.1 Low Level API的实现

3.3.2 High Level API的实现

3.4 Function Calling

3.4.1 核心概念

3.4.2 应用场景

3.4.3 案例代码

3.5 联网搜索能力

3.5.1 注册并获取apikey

3.5.2 添加依赖

3.5.3 添加配置信息

3.5.4 添加配置类

3.5.5 接口效果测试

四、写在文末

相关文章：