当前位置：首页 > ops >正文

Java大模型开发入门 (6/15)：对话的灵魂 - 深入理解LangChain4j中的模型、提示和解析器

ops 2025/6/15 13:11:51

前言

在上一篇文章中，我们见证了@AiService注解的惊人威力。仅仅通过定义一个Java接口，我们就实现了一个功能完备的AI聊天服务。这感觉就像魔法一样！

但作为专业的工程师，我们知道“任何足够先进的技术，都与魔法无异”。今天，我们的任务就是揭开这层魔法的面纱，深入理解其背后支撑我们与AI进行高质量对话的三大支柱：

语言模型 (Models)：AI的“大脑”，我们如何理解并与它交互。
提示模板 (Prompt Templates)：控制我们对AI“说什么”的艺术，实现动态、可复用的指令。
输出解析器 (Output Parsers)：驯服AI的“输出”，让它返回我们需要的Java对象，而不仅仅是文本。

掌握了这三者，你将从一个简单的AI“调用者”，蜕变为一个能精确控制AI行为的“指挥家”。

第一部分：再探模型 (Models) - AI的“大脑”

在application.properties中，我们配置了langchain4j.open-ai.chat-model.*等属性，并通过LangChain4jConfig创建了一个ChatLanguageModel类型的Bean。

ChatLanguageModel是LangChain4j中的一个核心接口，它代表了所有聊天式AI模型（如GPT-3.5/4, DeepSeek-Chat）的统一抽象。你可以把它想象成Java JDBC规范中的DataSource接口，它为所有不同厂商的数据库提供了统一的访问标准。

我们配置的OpenAiChatModel是这个接口的一个具体实现。如果我们想换成Google的Gemini模型，只需引入langchain4j-google-vertex-ai依赖，并创建一个VertexAiChatModel的Bean即可，而我们上层的业务代码（如Assistant接口）几乎无需改动。这就是面向接口编程的威力。

核心概念：

ChatLanguageModel: 用于一次请求-响应的交互。
StreamingChatLanguageModel: ChatLanguageModel的子接口，用于流式响应。AI的回答会一个词一个词地“流”回来，能极大地提升用户体验，我们将在后续文章中探讨它。

第二部分：提示模板 (Prompt Templates) - 控制AI的“输入”

在上一篇中，我们使用了简单的assistant.chat(userMessage)。LangChain4j只是将userMessage作为用户提问直接发给了AI。但如果我们想让AI扮演特定角色，或者根据多个动态参数来提问呢？这时就需要提示模板。

在LangChain4j中，我们可以通过@UserMessage注解和{{...}}占位符来创建强大的提示模板。

实战：创建一个食谱生成器

让我们来改造Assistant接口，让它能根据菜系和原料生成食谱。

修改Assistant接口

package com.example.aidemoapp.service;import dev.langchain4j.service.SystemMessage;
import dev.langchain4j.service.UserMessage;
import dev.langchain4j.service.spring.AiService;@AiService
public interface Assistant {@SystemMessage("You are a polite assistant")String chat(String userMessage);// 新增一个使用模板的方法@UserMessage("""请创建一个 {{dish_type}} 菜肴的食谱。 主要食材是：{{ingredients}}。 请提供包含标题、简要描述、所需食材列表以及逐步操作说明的完整食谱。""")String createRecipe(@V("dish_type") String dish_type, @V("ingredients") String ingredients);
}

代码解析：

我们在@UserMessage注解中使用了Java 15的文本块（三引号），方便编写多行提示。
{{dish_type}}和{{ingredients}}是占位符。
LangChain4j会自动将createRecipe方法的dish_type参数值填充到{{dish_type}}占位符中，ingredients参数同理。

在ChatController中调用新方法

package com.example.aidemoapp.controller;// ... imports ...@RestController
@RequestMapping("/api/v2/chat")
@RequiredArgsConstructor
public class ChatController {private final Assistant assistant;@GetMappingpublic String chat(@RequestParam("message") String message) {return assistant.chat(message);}@GetMapping("/recipe")public String recipe(@RequestParam String dishType, @RequestParam String ingredients) {return assistant.createRecipe(dishType, ingredients);}
}

现在，当你请求GET /api/v2/chat/recipe?dishType=Sichuan&ingredients=tofu,garlic,chili时，LangChain4j会向AI发送一个被完整填充的、结构化的Prompt，从而得到一个高质量的食谱。

第三部分：输出解析器 (Output Parsers) - 控制AI的“输出”

上面的食谱生成器返回的是一个长字符串。在真实应用中，我们更希望得到一个结构化的Java对象（POJO），以便于在前端展示或进行后续处理。

LangChain4j的AiServices能做到这一点！只要你将方法的返回类型从String改为一个自定义的Java类，LangChain4j就会自动指示AI以JSON格式输出，并自动将JSON反序列化为你的Java对象。这就是输出解析器的魔力！

实战：将食谱输出为Java对象

创建Recipe POJO
在com.example.aidemoapp下创建dto包，并新建Recipe.java类。

package com.example.aidemoapp.dto;import lombok.Data;
import java.util.List;@Data // Lombok注解，自动生成getter, setter, toString等
public class Recipe {private String title;private String description;private List<String> ingredients;private List<String> instructions;
}

再次修改Assistant接口
我们将createRecipe方法的返回类型改为Recipe。

// ... imports ...
import com.example.aidemoapp.dto.Recipe; // 引入Recipe类@AiService
public interface Assistant {@SystemMessage("You are a polite assistant")String chat(String userMessage);// 新增一个使用模板的方法@UserMessage("""请创建一个 {{dish_type}} 菜肴的食谱。 主要食材是：{{ingredients}}。 请提供包含标题、简要描述、所需食材列表以及逐步操作说明的完整食谱。""")Recipe createRecipe(@V("dish_type") String dish_type, @V("ingredients") String ingredients);
}

提示词增强：我们明确在提示中要求AI以JSON格式返回，并描述了JSON的结构。虽然LangChain4j在很多情况下会自动处理，但明确地指示AI可以极大地提高成功率和稳定性。

修改ChatController

// ... imports ...
import com.example.aidemoapp.dto.Recipe;// ...
public class ChatController {// ... chat和recipe方法 ...@GetMapping("/recipe-object")public Recipe recipeObject(@RequestParam String dishType, @RequestParam String ingredients) {return assistant.createRecipeAsObject(dishType, ingredients);}
}