LangChain4j 框架是什么?
LangChain4j 于 2023 年初在 ChatGPT 的炒作中开始开发。思想来源于 Python 和 JavaScript LLM 库,并加入创新思想,开发一款Java语言版本的 LLMs 库。
LangChain4j 的目标是简化Java 应用程序集成LLMs
所以 LangChain4j 就是一个通过抽象统一API、提供便捷可用的工具箱来简化 Java 应用程序集成LLMs的框架。
统一的API:LangChain4j 目前支持 15+ 热门LLM提供商和 15+ 嵌入商店。
目前市面上存在多种大模型、嵌入模型。模型使用的接口并不统一,当接入时需要对其API细节进行了解。所以LangChain4j统一API,封装内部细节,无缝从一个模型替换为另外一个模型而无需修改代码。
全面的工具箱:工具箱包括各种工具,从低级提示模板、聊天记忆管理和输出解析到高级模式,如 AI 服务和 RAG。
通过识别常见的抽象、模式和技术,LangChain4j 已将这些提炼成一个现成的工具包。
大量的示例:LangChain4j提供大量的使用示例,与 Quarkus 和 Spring Boot 的集成等。
LangChain4j 与 Spring AI 的宗旨基本一致,都是为简化 Java 应用快速接入 LLMs 而生,只是其各自侧重点、框架的能力有所不同而已。
LangChain4j 能干什么?
集成了 15+个 语言大模型 15+ LLM providers
集成了 15+个 向量数据库 15+ embedding (vector) stores
集成了 10+个 嵌入模型 10+ embedding models
集成了 4个 图片大模型 4 cloud and local image generation models
集成了 2个 评分重排名模型 2 scoring (re-ranking) models
集成 1个 OpenAI 审核模型
支持文本和图像作为输入(多模态)
更高层次的抽象 AI Services
支持提示词模板、持久性和内存中聊天记忆算法的实现:消息窗口和令牌窗口 chat memory
支持同步/流式响应,支持常见 Java 类型和自定义 POJO 的输出解析器
支持工具(函数调用)Tools (function calling), 动态工具(执行动态生成LLM的代码)
支持检索增强生成技术 RAG (Retrieval-Augmented-Generation):
数据导入/索引:
从多个来源(文件系统、URL、GitHub、Azure Blob 存储、Amazon S3 等)导入各种类型的文档(TT、PDF、DOC、PPT、XLS 等)。
使用多种算法将文档拆分为更小的片段。
对文档和片段进行后处理
使用嵌入模型生成嵌入片段
将嵌入保存到向量数据库
(简单/高级)检索
查询转换(扩展、压缩)「 expansion, compression 」
查询路由 「 Routing of queries 」
从向量存储或任何自定义源中检索
重排名 「 Re-ranking 」
倒数排名融合 「 Reciprocal Rank Fusion 」
自定义 RAG 流程中的每个步骤
支持文本分类
用于标记化和估计标记计数的工具
从LangChain4j这些特性来看,目前(2024/07/02)比 Spring AI 框架稍强。
LangChain4j 框架有什么?
组件
image.png LangChain4j 包含如下组件
基础组件
大语言模型
提示词模板
格式化解析
上下文记忆
RAG
文档加载
文档切分
嵌入模型
向量存储 向量数据库
Chains
Ai Services 高层次抽象模块
类库
LangChain4j采用模块化设计,包括:
langchain4j-core 模块,用于定义核心抽象。如ChatLanguageModel和EmbeddingStore及其 API。
langchain4j 模块,包含有用的工具,如 ChatMemory、OutputParser 以及高级功能,如 AiServices。
langchain4j-{integration} 模块,每个模块都提供与各种LLM提供商的集成,以及嵌入存储集成到LangChain4j中。也可以单独使用这些模块。
langchain4j-spring-{integration}-spring-boot-starter 模块,与Spring boot项目集成,开箱即用。「 目前支持的还不完善 」。langchain4j-spring,从模块的划分看,langchain4j略微混乱,应该像Spring AI 分别划分模块,如Models模块、Embeddings模块。
API抽象层级
在 API 抽象分为 Low Level 和 High Level 两种;
Low Level:在这个级别上,您可以最自由地访问所有低级组件,例如 ChatLanguageModel 、 UserMessage 、 AiMessage 、 EmbeddingStore 等 Embedding。我们称之为胶水代码,可以任何组合使用。
High Level:在此级别,您可以使用高级 API 进行交互LLMs,例如 AiServices ,它向您隐藏了所有复杂性和样板。
LangChain4j 入门示例
在集成 OpenAI 经测试出现问题,无法解析返回的json数据报错,已经提交了issue,所以暂时无法演示接入OpenAI了,那我们演示接入Ollama本地大模型qwen:7b。
引入依赖
pom
复制代码
<dependency>
<groupId>dev.langchain4j</groupId>
<artifactId>langchain4j-ollama-spring-boot-starter</artifactId>
<version>${langchain4j.version}</version>
</dependency>
1
2
3
4
5
6
7
yml配置
yml
复制代码
langchain4j:
ollama:
chat-model:
base-url: http://localhost:11434
model-name: qwen:7b
1
2
3
4
5
6
7
代码实现
java
复制代码
package org.ivy.controller;
import dev.langchain4j.model.chat.ChatLanguageModel;
import org.springframework.web.bind.annotation.GetMapping;
import org.springframework.web.bind.annotation.RequestMapping;
import org.springframework.web.bind.annotation.RestController;
@RequestMapping("/ll/")
@RestController
public class ChatController {
private final ChatLanguageModel chatLanguageModel;
public ChatController(ChatLanguageModel chatLanguageModel) {
this.chatLanguageModel = chatLanguageModel;
}
@GetMapping("chat")
public String chat(String prompt) {
return chatLanguageModel.generate(prompt);
}
}
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
在 langchain4j 0.31.0 版本,提供Spring boot集成的Starter仅支持OpenAI和Ollama两个。其它还是的使用传统的方式进行。
验证效果
image.png
代码示例
Github 示例代码:github.com/Fj-ivy/lang…
源代码以及官方文档说明;
Github 地址
官方文档
总结说明
对LangChain4j整体进行学习,总体感觉LangChain4j官方文档以及源码组织形式比Spring AI框架会混乱一些。一旦摸清门路,使用起来也是相当方便的。
————————————————
版权声明:本文为博主原创文章,遵循 CC 4.0 BY-SA 版权协议,转载请附上原文出处链接和本声明。
原文链接:https://blog.csdn.net/2301_81940605/article/details/140200824