如何快速接入大模型?Python语言有LangChain等优秀框架,在Java语言也出现了Spring AI、LangChain4j框架,本文开始将进入 LangChain4j的世界一探究竟。
本文所有示例均基于
langchain4j 0.32.0
版本,LangChain4j 框架在快速发展阶段,大家多参考官方文档。
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+ 嵌入模型。
目前市面上存在多种大模型、嵌入模型。模型定义、接口规范并不统一,当接入大模型时需要对其API细节进行了解。所以LangChain4j统一接入大模型API,封装内部细节,可以无缝从一个大模型对接切换到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 Services 和 RAG。
通过识别重复代码、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,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?
集成能力
- 集成 15+个 语言大模型 15+ LLM providers
- 集成 15+个 向量数据库 15+ embedding (vector) stores
- 集成 10+个 嵌入模型 10+ embedding models
- 集成 4个 图片大模型 4 cloud and local image generation models
- 集成 2个 评分重排名模型 2 scoring (re-ranking) models
- 集成 2个 代码执行引擎,支持动态函数调用(Function Calling)
- 集成 1个 OpenAI 审核模型,实现输入/输出有害信息审核
功能能力
- 同步、流式聊天模式,支持多种格式化输出方法「基本类型、自定义Pojo等」
- 提示词模板、聊天记忆chat memory
- 支持工具(函数调用 Function Calling)Tools (function calling)
- 更高层次的抽象 AI Services
- 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
- 数据导入/索引:
- 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
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。
入门示例
我们使用LowLevel API 演示接入 Ollama 本地大模型
qwen:7b
。如果想使用OpenAI,官方非常暖心就怕你没有,提供 String apiKey = "demo"; 直接使用这个apiKey,官方并且声明非常安全,不会记录用户的请求数据。
引入依赖
<dependency>
<groupId>dev.langchain4j</groupId>
<artifactId>langchain4j-ollama-spring-boot-starter</artifactId>
<version>${langchain4j.version}</version>
</dependency>
yml配置
langchain4j:
ollama:
chat-model:
base-url: http://localhost:11434
model-name: qwen:7b
代码实现
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);
}
}
示例基于 LangChain4j 0.32.0 版本!
验证效果
代码示例
- 示例代码:langchain4j-examples chat
- LangChain4j 源代码:Github 地址
- 官方文档:文档地址
总结
本文主要对LangChain4j框架是什么,LangChain4j有什么并且能干什么进行了说明,并接入Ollama qwen:7b大模型实现简单的对话功能,后续文章继续对LangChain4j框架进行讲解!