在企业级实际开发中，单纯的大模型调用远远不够——比如复杂的提示词工程、多数据源上下文整合、大模型与业务系统的深度联动、向量数据库适配等场景，Spring AI的封装就显得不够灵活。

今天这篇，我们就延续整套技术栈（Java17+/Spring Boot3+Gradle），结合 LangChain4j这个强大的大模型开发框架，手把手教大家打造企业级大模型应用，全程基于开源示例源码开发，所有代码可直接拉取运行，还会衔接前文的AI实战经验，帮大家快速打通“大模型调用→业务落地”的最后一公里！

先划重点：本文所有实战内容均与开源源码完全同步，注释完整、步骤清晰，无需从零封装，新手也能快速上手，同时补充LangChain4j与Spring AI的选型对比，帮你在实际项目中快速决策！

一、先搞懂：LangChain4j是什么？为什么企业级开发优先选它？

很多同学会疑惑：已经有了Spring AI，为什么还要学LangChain4j？其实两者定位完全不同，核心差异一句话说清：Spring AI是“Spring生态的大模型调用工具”，LangChain4j是“大模型应用开发框架”。

LangChain4j 是专为Java开发者设计的大模型应用开发框架，封装了提示词工程、上下文管理、多模型适配、向量存储、工具调用等核心能力，能帮我们快速构建复杂的大模型应用，而非单纯的“调用大模型接口”。

核心优势（贴合企业级开发场景）

• ✅ 轻量灵活：无侵入式集成Spring Boot3，配置简单，可与Spring AI共存，按需选型

• ✅ 功能强大：内置提示词模板、聊天记忆、工具调用、向量存储适配，覆盖企业级大模型应用全场景

• ✅ 多模型适配：无缝对接通义千文、GPT、文心一言等所有主流大模型，切换无需修改核心代码

• ✅ 源码友好：纯Java编写，API设计简洁，与我们前序实战的技术栈完美兼容，学习成本低

• ✅ 生态完善：支持对接向量数据库（Chroma、Milvus）、业务数据库，轻松实现大模型与业务系统联动

LangChain4j vs Spring AI（选型不踩坑）

对比维度	LangChain4j	Spring AI
定位	大模型应用开发框架（侧重复杂应用构建）	Spring生态大模型调用工具（侧重简单调用）
核心能力	提示词工程、工具调用、向量存储、复杂上下文管理	大模型接口封装、简单流式响应、基础聊天记忆
适用场景	企业级复杂大模型应用（如智能客服、知识库问答）	轻量级AI功能（如简单问答、文本生成）
集成成本	略高（功能多，需了解核心组件）	极低（Spring自动配置，一行代码调用）

简单来说：小项目、轻需求，用Spring AI最快；大项目、复杂需求，优先选LangChain4j——这也是我们今天聚焦LangChain4j的核心原因，帮大家搞定企业级大模型应用开发。

二、实战准备：技术栈+源码拉取（完全延续前序体系）

本次实战全程复用前序推文的技术栈，仅新增LangChain4j相关依赖，保证技术体系的统一性，无需学习新的陌生组件，快速上手！

1. 完整技术栈清单

组件类型	具体技术/版本	核心作用	复用/新增
基础环境	Java17+、Gradle8.5+	项目构建和运行	完全复用
核心框架	Spring Boot3.4.5	微服务/项目核心框架	完全复用
大模型框架	LangChain4j 0.32.0	构建企业级大模型应用	新增
大模型服务	阿里云通义千文（qwen-plus）	提供AI问答/生成能力	完全复用（衔接上一篇）
大模型SDK	阿里云DashScope SDK2.13.0	通义千文官方调用SDK	完全复用
响应式框架	Spring WebFlux	实现AI流式响应，提升体验	完全复用
工具类	Lombok1.18.30	简化代码编写	完全复用

2. 源码拉取（核心前提）

本次实战所有代码均基于开源示例工程开发，源码已做好完整封装，可直接拉取、配置、运行，无需手动编写核心代码：

bash # 拉取开源源码（需安装Git，无Git可直接下载ZIP） # 拉取完成后，用IntelliJ IDEA打开项目，等待Gradle自动同步依赖 # 无需手动下载依赖，IDE会自动处理，同步完成后即可开始配置

开源源码地址（可直接复制访问）：私信 demo-langchain4j

3. 核心依赖配置（Gradle，源码已内置）

源码中已做好完整的依赖管理，无需手动添加，核心依赖如下（重点关注LangChain4j相关），可对照源码查看：

groovy plugins { id ‘java’ id ‘org.springframework.boot’ version ‘3.4.5’ id ‘io.spring.dependency-management’ version ‘1.1.4’ } group = ‘com.devxz’ version = ‘0.0.1-SNAPSHOT’ java { sourceCompatibility = ‘17’ } repositories { mavenCentral() } dependencies { // Spring Boot核心依赖（WebFlux响应式） implementation ‘org.springframework.boot:spring-boot-starter-webflux’ // LangChain4j核心依赖（大模型应用框架） implementation ‘dev.langchain4j:langchain4j-core:0.32.0’ // LangChain4j对接通义千文（核心依赖） implementation ‘dev.langchain4j:langchain4j-alibaba-dashscope:0.32.0’ // LangChain4j聊天记忆（内存实现，可替换为Redis/MongoDB） implementation ‘dev.langchain4j:langchain4j-memory:0.32.0’ // LangChain4j提示词模板（简化提示词工程） implementation ‘dev.langchain4j:langchain4j-prompt-template:0.32.0’ // 通义千文官方SDK（避免依赖冲突，源码已做排除处理） implementation(‘com.alibaba:dashscope-sdk-java:2.13.0’) { exclude group: ‘org.slf4j’, module: ‘slf4j-simple’ } // 工具类 implementation ‘org.projectlombok:lombok:1.18.30’ annotationProcessor ‘org.projectlombok:lombok:1.18.30’ // 测试依赖 testImplementation ‘org.springframework.boot:spring-boot-starter-test’ } tasks.named(‘test’) { useJUnitPlatform() }

三、核心实战：3步跑通LangChain4j大模型应用（源码实操）

开源源码已做好完整封装，我们只需完成“配置API Key→启动项目→测试接口”3步，即可跑通所有核心功能，全程5分钟搞定，新手也能轻松上手！

步骤1：配置通义千文API Key（核心凭证）

与上一篇Spring AI实战一致，LangChain4j调用通义千文也需要阿里云API Key，已申请过的同学可直接复用，未申请的同学参考以下步骤：

1访问阿里云百炼控制台：https://dashscope.aliyun.com/

1注册/登录阿里云账号，完成个人实名认证（无需企业认证）；

1进入「应用管理」，创建新应用，直接获取API Key（保存好，后续配置用）；

1打开源码中的「src/main/resources/application.yml」，替换API Key，其余配置默认即可：
spring:
application:
name: langchain4j-demo

LangChain4j配置（核心）

langchain4j:
alibaba-dashscope:
api-key: 你的阿里云通义千文API Key# 替换为真实API Key
model: qwen-plus # 模型选择，可切换qwen-turbo/qwen-max
timeout: 30000 # 调用超时时间30秒

服务端口（默认8080，可自定义）

server:
port: 8080

日志配置（便于排查问题）

logging:
level:
dev.langchain4j: DEBUG
com.devxz: DEBUG

步骤2：启动项目（两种方式，按需选择）

源码主启动类已做好配置，无需修改，支持两种启动方式，与前序实战完全一致：

方式1：IDE直接启动（推荐开发测试）

在IDEA中找到主类「com.devxz.Application.java」，右键「Run Application」，等待控制台输出「Started Application in X seconds」，即表示项目启动成功。

java package com.devxz; import org.springframework.boot.SpringApplication; import org.springframework.boot.autoconfigure.SpringBootApplication; @SpringBootApplication public class Application { public static void main(String[] args) { SpringApplication.run(Application.class, args); } }

java package com.devxz; import org.springframework.boot.SpringApplication; import org.springframework.boot.autoconfigure.SpringBootApplication; @SpringBootApplication public class Application { public static void main(String[] args) { SpringApplication.run(Application.class, args); } }

方式2：Gradle命令行启动（推荐服务器/生产）

bash # 清理项目缓存，避免依赖冲突 ./gradlew clean build # 启动项目 ./gradlew bootRun

步骤3：测试核心接口（源码已内置，直接调用）

项目启动后，默认端口8080，源码内置4个核心接口，覆盖LangChain4j的核心能力，可通过curl、Postman或浏览器直接测试，接口设计简洁，参数清晰：

接口1：基础问答接口（simple/chat）

功能：最基础的大模型调用，与Spring AI的简单问答类似，但LangChain4j做了更优的提示词优化，回答更精准。

bash curl “http://localhost:8080/simple/chat?message=讲解一下LangChain4j和Spring AI的核心区别”

预期效果：接口返回清晰的区别对比，语言简洁、逻辑严谨，贴合技术提问场景。：

接口2：模板化问答接口（template/chat）

功能：基于LangChain4j的提示词模板能力，参数化生成指定格式内容，比Spring AI的模板化更灵活，支持复杂模板。

bash curl “http://localhost:8080/template/chat?subject=LangChain4j&count=4”

预期效果：生成4条关于LangChain4j的核心特性宣传语，每条不超过20字，符合模板要求（模板可在源码中自定义）。

接口3：流式响应接口（stream/chat）

功能：基于LangChain4j+WebFlux实现流式响应，比Spring AI的流式更流畅，支持自定义流式推送频率，前端可直接实现打字机效果。

bash curl -N “http://localhost:8080/stream/chat?message=详细讲解LangChain4j的提示词模板用法”

预期效果：终端实时分段输出AI回答，逐字推送，直至回答完成，无卡顿、无中断。

接口4：上下文连续对话接口（memory/chat）

功能：基于LangChain4j内置的聊天记忆组件，支持上下文连续对话，比Spring AI的内存记忆更强大，支持记忆过期、记忆清理、记忆长度限制。

bash # 第一次对话：建立上下文 curl “http://localhost:8080/memory/chat?sessionId=user456&message=你好，我是一名Java开发者，想学习LangChain4j” # 第二次对话：基于上下文提问 curl “http://localhost:8080/memory/chat?sessionId=user456&message=我刚才说我是什么职业，想学习什么？”

预期效果：第二次提问，AI能准确识别历史上下文，回答“你的职业是Java开发者，想学习LangChain4j”，实现无缝连续对话。

测试截图：

带缓冲的聊天页面截图：

四、源码核心结构解析（易扩展，可复用）

开源源码采用分层解耦设计，完全遵循Spring Boot最佳实践，结构清晰，注释完整，后续扩展二次开发非常方便，核心结构如下（对照源码查看，一目了然）：

plain text src/main/java/com/devxz/ ├── Application.java # 主启动类，无业务逻辑，仅负责启动项目 ├── controller/ │ └── LangChain4jController.java # 接口控制器，所有核心接口入口，参数接收和结果返回 ├── config/ │ └── LangChain4jConfig.java # LangChain4j核心配置类，封装大模型、记忆、模板组件 ├── service/ │ ├── LangChain4jService.java # 核心业务服务，封装所有LangChain4j调用逻辑 │ └── TemplateService.java # 提示词模板服务，封装模板加载、参数替换逻辑 └── util/ └── PromptUtil.java # 提示词工具类，存放自定义提示词模板 src/main/resources/ └── application.yml # 全局配置文件，API Key、模型、端口等配置

核心组件解析（源码重点）

我们重点解析LangChain4j的核心配置和服务封装，让大家不仅能跑通项目，还能理解底层原理，轻松二次开发：

1. LangChain4j核心配置（LangChain4jConfig.java）

源码中已做好自动配置，封装了大模型实例、聊天记忆实例，可直接复用，核心代码如下：

java package com.devxz.config; import dev.langchain4j.memory.chat.MessageWindowChatMemory; import dev.langchain4j.model.chat.ChatLanguageModel; import dev.langchain4j.model.aliyun.dashscope.AliyunDashScopeChatModel; import org.springframework.beans.factory.annotation.Value; import org.springframework.context.annotation.Bean; import org.springframework.context.annotation.Configuration; @Configuration public class LangChain4jConfig { // 从配置文件读取API Key和模型名称 @Value(“$spring.langchain4j.alibaba-dashscope.api-key")privateStringapiKey;@Value("${spring.langchain4j.alibaba-dashscope.model}”) private String modelName; /** * 配置通义千文大模型实例（LangChain4j封装） */ @Bean public ChatLanguageModel chatLanguageModel() { return AliyunDashScopeChatModel.builder() .apiKey(apiKey) .modelName(modelName) .timeout(30000) .build(); } /** * 配置聊天记忆（MessageWindowChatMemory） * 限制最大记忆消息数为10条，避免记忆过长导致提示词溢出 */ @Bean public MessageWindowChatMemory chatMemory() { return MessageWindowChatMemory.withMaxMessages(10); } }

2. 核心服务封装（LangChain4jService.java）

所有LangChain4j的调用逻辑都封装在此，接口层直接调用，解耦清晰，核心代码（简化版，完整代码见源码）：

java package com.devxz.service; import dev.langchain4j.chat.ChatClient; import dev.langchain4j.memory.chat.MessageWindowChatMemory; import dev.langchain4j.model.chat.ChatLanguageModel; import dev.langchain4j.model.output.Response; import dev.langchain4j.prompt.Prompt; import dev.langchain4j.prompt.PromptTemplate; import org.springframework.stereotype.Service; import reactor.core.publisher.Flux; import java.util.Map; import java.util.concurrent.ConcurrentHashMap; @Service public class LangChain4jService { // 注入大模型实例和聊天记忆 private final ChatLanguageModel chatLanguageModel; private final MessageWindowChatMemory chatMemory; // 用ConcurrentHashMap存储不同会话的记忆（线程安全） private final MapsessionMemory = new ConcurrentHashMap<>(); // 构造器注入 public LangChain4jService(ChatLanguageModel chatLanguageModel, MessageWindowChatMemory chatMemory) { this.chatLanguageModel = chatLanguageModel; this.chatMemory = chatMemory; } /** * 基础问答 */ public String simpleChat(String message) { // 构建ChatClient，直接调用大模型 ChatClient chatClient = ChatClient.builder() .chatLanguageModel(chatLanguageModel) .build(); // 发起同步调用，返回AI回答 Responseresponse = chatClient.generate(message); return response.content(); } /** * 模板化问答（核心：LangChain4j提示词模板） */ public String templateChat(String subject, int count) { // 定义提示词模板（可抽取到配置文件，更灵活） String template = “请为{subject}生成{count}条宣传语，每条不超过20字，简洁有吸引力”; // 构建模板，替换参数 PromptTemplate promptTemplate = PromptTemplate.from(template); Prompt prompt = promptTemplate.apply(Map.of(“subject”, subject, “count”, count)); // 调用大模型 return chatLanguageModel.generate(prompt.text()).content(); } // 流式响应、上下文对话方法见源码，封装逻辑类似，注释完整 }

五、实战避坑指南（解决开发中90%的问题）

结合源码实操和前序实战经验，整理了4个最常见的坑点，包含现象和解决方案，遇到问题直接对照排查，无需踩坑：

坑点1：API Key配置错误，调用失败

现象：调用接口返回401、“API Key无效”、“认证失败”等提示；

解决方案：检查application.yml中的api-key是否为阿里云百炼控制台生成的真实Key，无空格、无拼写错误，确认API Key未过期。

坑点2：依赖冲突（最常见，源码已规避）

现象：项目启动失败，提示“SLF4J绑定异常”“依赖版本冲突”；

原因：DashScope SDK自带的slf4j-simple日志依赖，与Spring Boot默认日志框架冲突；

解决方案：源码中已通过exclude排除冲突依赖，无需手动处理；若自行添加依赖，需注意排除slf4j-simple。

坑点3：流式响应中断、卡顿

现象：流式接口调用时，内容推送中途停止，或推送速度极慢；

解决方案：调大application.yml中的timeout配置（如30000ms→50000ms），避免大模型响应超时；检查网络连接，避免波动。

坑点4：上下文对话无记忆

现象：多次调用记忆接口，AI无法识别历史上下文；

解决方案：确认两次调用使用相同的sessionId（会话唯一标识）；检查ChatMemory配置，确保maxMessages设置合理（非0）。

六、扩展建议：从Demo到企业级项目（源码可直接扩展）

本次开源源码是基础Demo，基于此可快速扩展为企业级大模型应用，推荐以下3个核心扩展方向，贴合实际业务需求：

1. 聊天记忆持久化（核心）

当前源码采用内存记忆，项目重启后记忆丢失，可扩展为：将聊天记忆存储到Redis、MongoDB中，实现持久化，支持分布式部署，源码中可直接替换ChatMemory实现。

2. 集成向量数据库，实现知识库问答

LangChain4j完美支持向量数据库（Chroma、Milvus等），可将企业文档、业务手册导入向量库，实现“知识库问答”（如用户提问业务相关问题，AI基于知识库回答），贴合企业实际需求。

3. 工具调用，实现大模型与业务系统联动

利用LangChain4j的工具调用能力，让大模型可以调用业务接口（如查订单、查库存），实现“AI提问→调用业务接口→返回结果”的闭环，真正融入企业业务系统（衔接我们前序的订单-库存微服务）。

学AI大模型的正确顺序，千万不要搞错了

🤔2026年AI风口已来！各行各业的AI渗透肉眼可见，超多公司要么转型做AI相关产品，要么高薪挖AI技术人才，机遇直接摆在眼前！

有往AI方向发展，或者本身有后端编程基础的朋友，直接冲AI大模型应用开发转岗超合适！

就算暂时不打算转岗，了解大模型、RAG、Prompt、Agent这些热门概念，能上手做简单项目，也绝对是求职加分王🔋

📝给大家整理了超全最新的AI大模型应用开发学习清单和资料，手把手帮你快速入门！👇👇

学习路线:

✅大模型基础认知—大模型核心原理、发展历程、主流模型（GPT、文心一言等）特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架（LangChain等）实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经

以上6大模块，看似清晰好上手，实则每个部分都有扎实的核心内容需要吃透！

我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】