Langchain4j - Chat Memory 以及记忆持久化的实现案例

Chat Memory 简介

解决的问题

在开发大模型应用时,大模型本身是无状态的(它不会记得你上一句说了什么)。为了让它能像人类一样联想上下文,我们需要赋予它 “记忆力”。在 LangChain4j 中,这个功能被称为 Chat Memory(聊天记忆)。它的底层原理非常简单粗暴:把历史对话存在内存或数据库中,每次用户发送新消息时,把历史记录和新消息打包一起发送给大模型。


Langchain4j - Skill 简单案例

Skill 简介

是什么?

Agent Skill 本质上是给 AI 打包好的 “专业能力模块”,一个包含指令、脚本和资源的文件夹,让 AI 从 “会聊天” 变成 “会干活”。它解决了传统 Prompt 每次重复输入、输出不稳定的痛点,把工作流程固化成可复用的技能包。在技术形态上,一个 Skill 通常是以标准化的 Markdown / YAML 文件形式存在(例如包含元数据的 SKILL.md),它集成了:

  • 触发意图:定义什么场景下该激活此技能。
  • 流程规范:告诉 LLM 具体的步骤逻辑(如:“重构代码时,必须先跑单元测试,再遵循 DRY 原则,最后检查类型定义”)。
  • 上下文知识:特定项目或领域的专有信息。
  • 可执行脚本/工具引用:附带的本地 Python/Shell 脚本或命令行调用范式。


Langchain4j - 提示词工程、多模态、以及 Tool Calling

提示词工程介绍

在 LangChain4j 的低阶与高阶 API 中,提示词工程被高度结构化地抽象为了以 ChatMessage 为核心的消息流模型。这与市面上大多数原生大模型(如 OpenAI 结构、Anthropic 结构)的 Chat Completions 协议实现了完美对接。理解了提示词这套结构,就掌握了控制大模型灵魂的方向盘。


Langchain4j - 基础工程的构建以及两套API测试案例

Langchain4j 简介

生态定位

在 Java 庞大的企业级生态中,LangChain4j 是 “Java 领域大模型应用开发的第一基础设施”,它就是 Java 版的 LangChain(Python)。在 Java 开发中,如果作一个类比,它就类似于 JDBC 或 Spring Data。大模型厂商(OpenAI、智谱、阿里、DeepSeek、以及本地 Ollama 下的各类大模型)就像各种不同的关系型数据库(MySQL、Oracle、PostgreSQL),其原生 API 各不相同。LangChain4j 抹平了这些差异,提供了一套统一的 Java 抽象接口。它不自己做模型,它只做大模型与企业级 Java 架构之间的 “粘合剂” 与 “立交桥”。

简而言之,LangChain4j 的出现,让 Java 工程师不需要再去卷底层的 Python 算法,而是用最熟悉的面向接口编程、依赖注入、POJO 映射这套标准组合拳,快速把 AI 能力组装进现有的微服务体系中。