核心概念：链 (Chain)

LangChain4j 的核心思想是将复杂的任务拆解为一系列可组合的步骤（链接），形成一个“链”。这有助于模块化、复用和更清晰的逻辑。

基本使用步骤

1. 添加依赖 在你的 Maven 或 Gradle 项目中引入 LangChain4j 的核心库以及你计划使用的 LLM 提供商的适配器库（如 OpenAI, HuggingFace, LocalAI 等）。例如，对于 OpenAI：

   <!-- Maven -->
   <dependency>
       <groupId>dev.langchain4j</groupId>
       <artifactId>langchain4j-open-ai</artifactId>
       <version>0.28.0</version> <!-- 请使用最新版本 -->
   </dependency>
   

2. 配置 LLM 客户端 创建一个连接到你选择的 LLM 服务的客户端实例。这通常需要提供 API 密钥或其他认证信息。

   import dev.langchain4j.model.openai.OpenAiChatModel;
   
   // 使用 OpenAI (需要 OPENAI_API_KEY 环境变量)
   OpenAiChatModel model = OpenAiChatModel.builder()
           .modelName("gpt-3.5-turbo") // 指定模型
           .temperature(0.3) // 控制随机性
           .build();
   

3. 创建并执行链 最简单的链是直接向模型发送消息并获取回复。

   String userMessage = "Java-LangChain4j 的基本使用是怎样的？";
   String response = model.generate(userMessage);
   System.out.println(response);
   

4. 使用 Prompt Templates (提示模板) 为了更结构化地生成输入，可以使用提示模板。模板中可以用 {{variable}} 的形式定义占位符。

   import dev.langchain4j.model.openai.OpenAiChatModel;
   import dev.langchain4j.model.input.Prompt;
   import dev.langchain4j.model.input.structured.StructuredPrompt;
   import dev.langchain4j.model.input.template.Template;
   
   // 定义模板
   Template template = Template.from("请用 {{language}} 解释 {{framework}} 的基本使用。");
   
   // 填充模板变量
   Prompt prompt = template.render("language", "中文", "framework", "Java-LangChain4j");
   
   // 发送给模型
   String response = model.generate(prompt.text());
   System.out.println(response);
   

5. 结构化输出 有时我们希望模型的输出是结构化的（如 JSON 对象）。可以结合提示模板和 @StructuredPrompt 注解来引导模型。

   import dev.langchain4j.model.output.Response;
   import dev.langchain4j.model.output.structured.Description;
   import dev.langchain4j.model.output.structured.StructuredOutput;
   
   @StructuredOutput
   public class FrameworkInfo {
       @Description("框架的名称")
       public String name;
       @Description("核心概念，用逗号分隔")
       public String coreConcepts;
       @Description("一个简单的使用示例代码片段")
       public String exampleCode;
   }
   
   // 在提示中要求结构化输出
   Template template = Template.from("请提供关于 {{framework}} 的基本信息，包括名称、核心概念和一个简单示例代码。\n{{format_instructions}}");
   // ... 填充模板，特别注意 format_instructions 需要描述 FrameworkInfo 的结构
   Prompt prompt = ...;
   
   // 获取结构化响应
   Response<FrameworkInfo> response = model.generate(prompt, FrameworkInfo.class);
   FrameworkInfo info = response.content();
   System.out.println("名称: " + info.name);
   System.out.println("核心概念: " + info.coreConcepts);
   System.out.println("示例:\n" + info.exampleCode);
   

常见应用场景

• 问答系统：基于特定文档或知识库回答问题。
• 摘要生成：总结长文本内容。
• 文本生成：撰写邮件、故事、代码等。
• 数据提取：从非结构化文本中提取结构化信息。
• 翻译：文本翻译。
• 聊天机器人：构建对话接口。

注意事项

• API 成本与限制：注意 LLM API 的调用成本和速率限制。
• 提示工程：提示 (Prompt) 的质量对输出结果影响巨大，需要精心设计。
• 错误处理：网络错误、API 限制、模型错误等都需要妥善处理。
• 内容安全：对模型生成的内容进行必要的安全检查和过滤。
• 模型选择：不同的模型在能力、成本和速度上有差异，需根据需求选择。
• 并发：OpenAiChatModel 等客户端通常是线程安全的，可以安全地在多线程环境中使用。

以上介绍了 LangChain4j 最基础的使用方式。实际应用中，你会接触到更复杂的链结构（如 SequentialChain、ConditionalChain）、记忆管理、工具调用（让模型使用外部工具或函数）等高级功能。建议从官方文档和示例开始深入学习。