3. LangChain4j + 低阶 和 高阶 API的详细说明
@
目录
LangChain4j + 低阶 和 高阶 API的详细说明
https://docs.langchain4j.dev/get-started/
https://docs.langchain4j.dev/tutorials/chat-and-language-models/
LLM 目前有两种 API 类型：
LanguageModel。它们的 API 非常简单 - 接受String作为输入并返回String作为输出。 这种 API 现在正在被聊天 API（第二种 API 类型）所取代。- ChatModel。这些接受多个
ChatMessage作为输入并返回单个AiMessage作为输出。ChatMessage通常包含文本，但某些 LLM 也支持其他模态（例如，图像、音频等）。 这类聊天模型的例子包括 OpenAI 的gpt-4o-mini和 Google 的gemini-1.5-pro。
LangChain4j 不会再扩展对 LanguageModel 的支持， 因此在所有新功能中，我们将使用 ChatModel API。
ChatModel 是 LangChain4j 中与 LLM 交互的低级 API，提供最大的能力和灵活性。 还有一个高级 API（AI 服务），我们将在介绍完基础知识后再讨论。
除了 ChatModel 和 LanguageModel 外，LangChain4j 还支持以下类型的模型：
EmbeddingModel- 这种模型可以将文本转换为Embedding。ImageModel- 这种模型可以生成和编辑Image。ModerationModel- 这种模型可以检查文本是否包含有害内容。ScoringModel- 这种模型可以对查询的多个文本片段进行评分（或排名）， 本质上确定每个文本片段与查询的相关性。这对 RAG 很有用。 这些将在后面介绍。
现在，让我们仔细看看 ChatModel API。
public interface ChatModel { String chat(String userMessage); ... } 如您所见，有一个简单的 chat 方法，它接受 String 作为输入并返回 String 作为输出，类似于 LanguageModel 。 这只是一个便捷方法，让您可以快速轻松地进行试验，而无需将 String 包装在 UserMessage 中。
LangChain4j在两个抽象层(低阶 / 高阶)提供不同的 api
- LangChain4j 在两个抽象层次上运行：
- 低层次。在这个层次上，您拥有最大的自由度和访问所有低级组件的权限，如 ChatModel,、UserMessage、AiMessage、EmbeddingStore、Embedding等。 这些是您的 LLM 驱动应用程序的"原语"。 您可以完全控制如何组合它们，但需要编写更多的粘合代码。
- 高层次。在这个层次上，您使用高级 API（如 AI 服务）与 LLM 交互， 它隐藏了所有复杂性和样板代码。 您仍然可以灵活地调整和微调行为，但是以声明式方式完成。
low level 低阶
ChatModel 接口如下的默认实现的方法：
ChatModel提供的--种极其简便的方法：如下：
default String chat(String userMessage) { ChatRequest chatRequest = ChatRequest.builder() .messages(UserMessage.from(userMessage)) .build(); ChatResponse chatResponse = chat(chatRequest); return chatResponse.aiMessage().text(); } @GetMapping(value = "/langchain4j/hello") public String hello(@RequestParam(value = "prompt", defaultValue = "你是谁") String prompt) { String result = chatModel.chat(prompt); System.out.println("通过langchain4j调用模型返回结果：n"+result); return result; } high level 高阶
low level 低阶 API 的使用
导入相关的依赖：
<dependencies> <dependency> <groupId>org.springframework.boot</groupId> <artifactId>spring-boot-starter-web</artifactId> </dependency> <!--langchain4j-open-ai 基础--> <!--所有调用均基于 OpenAI 协议标准，实现一致的接口设计与规范LangChain4j 提供与许多 LLM 提供商的集成 从最简单的开始方式是从 OpenAI 集成开始https://docs.langchain4j.dev/get-started --> <dependency> <groupId>dev.langchain4j</groupId> <artifactId>langchain4j-open-ai</artifactId> </dependency> <!--langchain4j 高阶--> <dependency> <groupId>dev.langchain4j</groupId> <artifactId>langchain4j</artifactId> </dependency> <dependency> <groupId>junit</groupId> <artifactId>junit</artifactId> <version>3.8.1</version> <scope>test</scope> </dependency> </dependencies> 配置对应大模型的配置类。
package com.rainbowsea.langchain4j02lowhighapi.config; import dev.langchain4j.model.chat.ChatModel; import dev.langchain4j.model.openai.OpenAiChatModel; import org.springframework.context.annotation.Bean; import org.springframework.context.annotation.Configuration; /** * @Date 2025-05-27 22:04 * @Description: 知识出处 https://docs.langchain4j.dev/get-started */ @Configuration public class LLMConfig { @Bean(name = "qwen") public ChatModel chatModelQwen() { return OpenAiChatModel.builder() .apiKey(System.getenv("aliQwen_api")) .modelName("qwen-plus") .baseUrl("https://dashscope.aliyuncs.com/compatible-mode/v1") .build(); } /** * @Description: 知识出处，https://api-docs.deepseek.com/zh-cn/ */ @Bean(name = "deepseek") // 可以在根据@Resoure(name = "deepseek") 导入不同的实体类 public ChatModel chatModelDeepSeek() { return OpenAiChatModel.builder() .apiKey(System.getenv("deepseek_api")) .modelName("deepseek-chat") //.modelName("deepseek-reasoner") .baseUrl("https://api.deepseek.com/v1") .build(); } } 编写 Controller ，如下，其实就是跟我们编写的第一个连接大模型的 Hello World 是一样的
启动测试：
大模型中的Token VS Web开发中的Token
大模型当中的 Token
Web 开发中的 Token
// http://localhost:9002/lowapi/api02 @GetMapping(value = "/lowapi/api02") public String api02(@RequestParam(value = "prompt", defaultValue = "你是谁") String prompt) { ChatResponse chatResponse = chatModelDeepSeek.chat(UserMessage.from(prompt)); String result = chatResponse.aiMessage().text(); System.out.println("通过langchain4j调用模型返回结果："+result); TokenUsage tokenUsage = chatResponse.tokenUsage(); System.out.println("本次调用消耗Token："+tokenUsage); result = result +"tn"+ tokenUsage; return result; } } 
ChatMessage 其实就是一个 prompt ，就是被大模型封装了一层，让其更好的被大模型读取识别而已。
运行测试：
high level 高阶 API 的详细使用
翻译：
AI Service 的高阶 API 的使用：
具体的编码步骤如下：https://docs.langchain4j.dev/tutorials/ai-services/#simplest-ai-service
- 定义 AI Service 接口：
我们知道，按照Java开发一般习惯，有接口就要有实现类 比如接口ChatAssistant，就会有实现类ChatAssistantImpl现在用高阶api- AIServics不用你自己写 impl实现类，交给langchain4j给你搞定。（接口名是随意的，你只要见名之意即可）
package com.rainbowsea.langchain4j02lowhighapi.service; /** * 我们知道，按照Java开发一般习惯，有接口就要有实现类 * 比如接口ChatAssistant，就会有实现类ChatAssistantImpl * 现在用高阶api-AIServics不用你自己写impl实现类，交给langchain4j给你搞定 * <p> * 本次配置用的是langchain4j原生整合，没有引入sprinboot，不需要接口头上配置@AiService注解标签 */ public interface ChatAssistant { String chat(String prompt); } LLMConfig类配置当中配置调用大模型的三件套（大模型的 Key，大模型 name，大模型的 url）
import com.rainbowsea.langchain4j02lowhighapi.service.ChatAssistant; import dev.langchain4j.model.chat.ChatModel; import dev.langchain4j.model.openai.OpenAiChatModel; import dev.langchain4j.service.AiServices; import org.springframework.beans.factory.annotation.Qualifier; import org.springframework.context.annotation.Bean; import org.springframework.context.annotation.Configuration; /** * @Date 2025-05-27 22:04 * @Description: 知识出处 https://docs.langchain4j.dev/get-started */ @Configuration public class LLMConfig { @Bean(name = "qwen") public ChatModel chatModelQwen() { return OpenAiChatModel.builder() .apiKey(System.getenv("aliQwen_api")) .modelName("qwen-plus") .baseUrl("https://dashscope.aliyuncs.com/compatible-mode/v1") .build(); } } - 对我们自我编写的 AI Service 的接口类，配置器实现类的配置(配置指明那个大模型实现我们这个接口类)，配置好后，调用
AiServices.create()方法就好创建好我们自定义的接口实现类。
import com.rainbowsea.langchain4j02lowhighapi.service.ChatAssistant; import dev.langchain4j.model.chat.ChatModel; import dev.langchain4j.model.openai.OpenAiChatModel; import dev.langchain4j.service.AiServices; import org.springframework.beans.factory.annotation.Qualifier; import org.springframework.context.annotation.Bean; import org.springframework.context.annotation.Configuration; /** * @Date 2025-05-27 22:04 * @Description: 知识出处 https://docs.langchain4j.dev/get-started */ @Configuration public class LLMConfig { @Bean(name = "qwen") public ChatModel chatModelQwen() { return OpenAiChatModel.builder() .apiKey(System.getenv("aliQwen_api")) .modelName("qwen-plus") .baseUrl("https://dashscope.aliyuncs.com/compatible-mode/v1") .build(); } // High-Api https://docs.langchain4j.dev/tutorials/ai-services#simplest-ai-service @Bean public ChatAssistant chatAssistant(@Qualifier("qwen") ChatModel chatModelQwen) { return AiServices.create(ChatAssistant.class, chatModelQwen); } } AlService是如何工作的
https://docs.langchain4j.dev/tutorials/ai-services/#how-does-it-work
- 最后编写对于业务的 Controller 类。直接调用我们的接口类，因为该接口的实现类已经被我们通过调用
AiServices.create()方法就好创建好我们自定义的接口实现类。同时我们也将其加入@Bean加入到了 IOC 容器当中管理了，所以可以直接，通过@Resource注解注入。
package com.rainbowsea.langchain4j02lowhighapi.controller; import com.rainbowsea.langchain4j02lowhighapi.service.ChatAssistant; import jakarta.annotation.Resource; import lombok.extern.slf4j.Slf4j; import org.springframework.web.bind.annotation.GetMapping; import org.springframework.web.bind.annotation.RequestParam; import org.springframework.web.bind.annotation.RestController; /** */ @RestController @Slf4j public class HighApiController { @Resource private ChatAssistant chatAssistant; @GetMapping(value = "/highapi/highapi") public String highApi(@RequestParam(value = "prompt", defaultValue = "你是谁") String prompt) { return chatAssistant.chat(prompt); } } 运行测试：
最后：
“在这个最后的篇章中，我要表达我对每一位读者的感激之情。你们的关注和回复是我创作的动力源泉，我从你们身上吸取了无尽的灵感与勇气。我会将你们的鼓励留在心底，继续在其他的领域奋斗。感谢你们，我们总会在某个时刻再次相遇。”
![洛谷 P11345 [KTSC 2023 R2] 基地简化 题解](http://www.itfaba.com/wp-content/themes/kemi/timthumb.php?src=http://www.itfaba.com/wp-content/themes/kemi/img/random/3.jpg&w=218&h=124&zc=1)
