以下是 Java 版本的 LangChain 核心功能示例（基于 Spring Boot + LangChain4j 库）：

---

1. LangChain4j 简介

LangChain4j 是 LangChain 的 Java 实现，提供类似的模块化 AI 应用开发能力。

依赖配置（Maven）

<dependency><groupId>dev.langchain4j</groupId><artifactId>langchain4j</artifactId><version>0.25.0</version>
</dependency>
<dependency><groupId>dev.langchain4j</groupId><artifactId>langchain4j-open-ai</artifactId><version>0.25.0</version>
</dependency>

---

2. 核心功能示例

(1) 基础 LLM 调用

import dev.langchain4j.model.openai.OpenAiChatModel;public class BasicLlmExample {public static void main(String[] args) {OpenAiChatModel model = OpenAiChatModel.builder().apiKey("your-openai-key").modelName("gpt-3.5-turbo").build();String answer = model.generate("用中文解释LangChain");System.out.println(answer);}
}

输出：

LangChain 是一个用于构建大语言模型（LLM）应用的框架...

---

(2) Prompt 模板

import dev.langchain4j.model.openai.OpenAiChatModel;
import dev.langchain4j.model.input.Prompt;
import dev.langchain4j.model.input.PromptTemplate;public class PromptExample {public static void main(String[] args) {OpenAiChatModel model = OpenAiChatModel.withApiKey("your-openai-key");PromptTemplate template = PromptTemplate.from("用不超过{{max_words}}个字回答：{{question}}");Prompt prompt = template.apply(Map.of("max_words", "50", "question", "什么是人工智能？"));String answer = model.generate(prompt.text());System.out.println(answer);}
}

输出：

人工智能是模拟人类智能的计算机系统，能学习、推理和解决问题。

---

(3) 对话记忆（Memory）

import dev.langchain4j.memory.ChatMemory;
import dev.langchain4j.memory.chat.MessageWindowChatMemory;
import dev.langchain4j.model.openai.OpenAiChatModel;
import dev.langchain4j.service.AiServices;public class MemoryExample {interface Assistant {String chat(String message);}public static void main(String[] args) {ChatMemory memory = MessageWindowChatMemory.withMaxMessages(10);Assistant assistant = AiServices.builder(Assistant.class).chatLanguageModel(OpenAiChatModel.withApiKey("your-openai-key")).chatMemory(memory).build();System.out.println(assistant.chat("你好！")); // 输出：你好！有什么可以帮您？System.out.println(assistant.chat("我是张三")); // 能记住上下文}
}

---

(4) 数据增强（RAG 流程）

import dev.langchain4j.data.document.Document;
import dev.langchain4j.data.document.loader.FileSystemDocumentLoader;
import dev.langchain4j.data.document.splitter.DocumentSplitters;
import dev.langchain4j.model.embedding.AllMiniLmL6V2EmbeddingModel;
import dev.langchain4j.store.embedding.EmbeddingStore;
import dev.langchain4j.store.embedding.inmemory.InMemoryEmbeddingStore;public class RagExample {public static void main(String[] args) {// 1. 加载文档Document document = FileSystemDocumentLoader.loadDocument("path/to/file.txt");// 2. 分割文本List<TextSegment> segments = DocumentSplitters.recursive(300, 0).split(document);// 3. 向量化存储EmbeddingModel embeddingModel = new AllMiniLmL6V2EmbeddingModel();EmbeddingStore<TextSegment> embeddingStore = new InMemoryEmbeddingStore<>();embeddingStore.addAll(embeddingModel.embedAll(segments));// 4. 检索增强问答String question = "文档的主要内容是什么？";List<EmbeddingMatch<TextSegment>> relevantSegments = embeddingStore.findRelevant(embeddingModel.embed(question), 3);}
}

---

(5) 工具调用（Agent）

import dev.langchain4j.service.UserMessage;
import dev.langchain4j.service.AiServices;
import dev.langchain4j.service.Tool;public class AgentExample {interface Calculator {@Tool("计算两个数的和")double add(double a, double b);}interface Assistant {String ask(String question);}public static void main(String[] args) {Calculator calculator = new Calculator() {@Overridepublic double add(double a, double b) {return a + b;}};Assistant assistant = AiServices.builder(Assistant.class).chatLanguageModel(OpenAiChatModel.withApiKey("your-key")).tools(calculator).build();String answer = assistant.ask("计算 123 加 456 等于多少？");System.out.println(answer); // 输出：123 + 456 = 579}
}

---

3. 关键组件对比（Python vs Java）

功能	Python (LangChain)	Java (LangChain4j)
LLM 调用	OpenAI()	OpenAiChatModel
Prompt 模板	PromptTemplate	PromptTemplate
对话记忆	ConversationBufferMemory	MessageWindowChatMemory
向量存储	FAISS.from_documents()	InMemoryEmbeddingStore
Agent	initialize_agent()	AiServices.builder()

---

4. 适用场景

• 企业级应用：适合需要集成到 Spring Boot 服务的场景
• 高并发系统：Java 的线程模型更适合高负载
• 已有 Java 技术栈：无需切换 Python 生态

如果需要更复杂的示例（如 Spring Boot 集成），可以进一步扩展！