1. LangChain4j 初識，想使用Java開發AI應用？

1. 簡介

LangChain4j 是一個基于 Java 的開源框架，用于開發 人工智能驅動的應用程序，尤其是涉及 大語言模型（LLM）交互 的場景。它的設計目標是簡化開發者與大語言模型的集成過程，提供一套工具和組件來處理復雜的 LLM 應用邏輯，例如對話管理、提示工程、工具調用等。

核心功能與特點

大語言模型集成
- 支持多種 LLM 接入方式，包括：
  - 本地運行的開源模型（如 Llama 2、ChatGLM 等）。
  - 第三方 API 模型（如 OpenAI 的 GPT 系列、Anthropic 的 Claude 等）。
- 通過統一的接口抽象，降低模型切換的成本。
提示工程工具
- 提供模板化的提示構建器，幫助開發者結構化輸入（如填充變量、管理上下文歷史）。
- 支持動態組合提示鏈（Prompt Chain），例如根據用戶問題逐步調用不同的提示模板。
對話狀態管理
- 維護多輪對話的上下文，支持記憶管理（如設置上下文窗口大小、選擇性遺忘舊信息）。
- 可集成外部知識庫（如向量數據庫）實現長期記憶。
工具調用能力
- 支持調用外部工具（如計算器、數據庫查詢、API 接口等），并將工具返回結果整合到 LLM 的回答中。
- 提供工具調用的決策邏輯（如判斷何時需要調用工具、如何解析工具返回結果）。
鏈式流程編排
- 通過 Chain 機制編排多個組件（如提示生成、工具調用、結果處理），形成復雜的工作流。
- 典型場景：問答系統中先調用搜索引擎獲取實時數據，再用 LLM 生成回答。
擴展性與生態
- 基于 Java 生態，可輕松與 Spring框架集成。
- 支持自定義組件（如自定義提示策略、工具適配器），靈活適配業務需求。

2. 話不多說，直接展示

本章主要通過單元測試的方式展示LangChain4j的各項功能，后續會出通過LangChain4j Starter的方式快速集成SpringBoot。

使用SDK版本信息如下：

Java: 21

SpringBoot: 3.4.5

LangChain4j: 1.0.1

AI 模型主要使用的是阿里的百煉平臺免費的token，需要ApiKey的可以自行去申請, 平臺地址如下：

https://bailian.console.aliyun.com/?tab=model#/model-market

3. Maven

<?xml version="1.0" encoding="UTF-8"?>
<project xmlns="http://maven.apache.org/POM/4.0.0" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"
         xsi:schemaLocation="http://maven.apache.org/POM/4.0.0 https://maven.apache.org/xsd/maven-4.0.0.xsd">
    <modelVersion>4.0.0</modelVersion>
    <parent>
        <groupId>org.springframework.boot</groupId>
        <artifactId>spring-boot-starter-parent</artifactId>
        <version>3.4.5</version>
        <relativePath/> <!-- lookup parent from repository -->
    </parent>
    <groupId>com.ldx</groupId>
    <artifactId>langchain-test</artifactId>
    <version>0.0.1-SNAPSHOT</version>
    <name>langchain-test</name>
    <description>langchain-test</description>

    <properties>
        <java.version>21</java.version>
        <langchain4j.version>1.0.1</langchain4j.version>
        <guava.version>33.0.0-jre</guava.version>
    </properties>

    <dependencyManagement>
        <dependencies>
            <dependency>
                <groupId>dev.langchain4j</groupId>
                <artifactId>langchain4j-bom</artifactId>
                <version>${langchain4j.version}</version>
                <type>pom</type>
                <scope>import</scope>
            </dependency>
        </dependencies>
    </dependencyManagement>

    <dependencies>
        <dependency>
            <groupId>org.springframework.boot</groupId>
            <artifactId>spring-boot-starter-web</artifactId>
        </dependency>

        <dependency>
            <groupId>dev.langchain4j</groupId>
            <artifactId>langchain4j</artifactId>
        </dependency>

        <dependency>
            <groupId>com.google.guava</groupId>
            <artifactId>guava</artifactId>
            <version>${guava.version}</version>
        </dependency>

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

        <dependency>
            <groupId>dev.langchain4j</groupId>
            <artifactId>langchain4j-reactor</artifactId>
        </dependency>

        <dependency>
            <groupId>org.projectlombok</groupId>
            <artifactId>lombok</artifactId>
            <optional>true</optional>
        </dependency>

        <dependency>
            <groupId>org.springframework.boot</groupId>
            <artifactId>spring-boot-starter-test</artifactId>
            <scope>test</scope>
        </dependency>
    </dependencies>

    <build>
        <plugins>
            <plugin>
                <groupId>org.apache.maven.plugins</groupId>
                <artifactId>maven-compiler-plugin</artifactId>
            </plugin>
            <plugin>
                <groupId>org.springframework.boot</groupId>
                <artifactId>spring-boot-maven-plugin</artifactId>
                <configuration>
                    <excludes>
                        <exclude>
                            <groupId>org.projectlombok</groupId>
                            <artifactId>lombok</artifactId>
                        </exclude>
                    </excludes>
                </configuration>
            </plugin>
        </plugins>
    </build>
</project>

4. 構建模型對象

// 普通的對話模型
private static ChatModel chatModel;

// 流式對話的模型（可以模擬gpt的打字機效果）
private static StreamingChatModel streamingChatModel;

@BeforeAll
public static void init_chat_model() {
    chatModel = OpenAiChatModel
            .builder()
            // apikey 通過環境變量的方式注入，大家可以使用自己的apikey
            .apiKey(System.getenv("LLM_API_KEY"))
            .modelName("qwen-plus")
            .baseUrl("https://dashscope.aliyuncs.com/compatible-mode/v1")
            .build();
    streamingChatModel = OpenAiStreamingChatModel
            .builder()
            .apiKey(System.getenv("LLM_API_KEY"))
            .modelName("qwen-plus")
            .baseUrl("https://dashscope.aliyuncs.com/compatible-mode/v1")
            .build();
}

5. 返回字符串

@Test
public void should_return_str_when_use_normal_chat() {
    String q = "你是誰";
    String content = chatModel.chat(q);
    log.info("call ai q: {}\na: {}", q, content);
}

測試結果如下：

[main] INFO com.ldx.langchaintest.lowapi.AiChatTest -- call ai q: 你是誰
a: 我是通義千問，阿里巴巴集團旗下的超大規模語言模型。我能夠回答問題、創作文字，比如寫故事、公文、郵件、劇本等，還能進行邏輯推理、編程，甚至表達觀點和玩游戲。我在多國語言上都有很好的掌握，能為你提供多樣化的幫助。有什么我可以幫到你的嗎？

6. 返回流

這里使用flux對象接收流式返回的結果

如果想流式的返回給前端，也可以使用SSE的方式返回（代碼注釋的部分）

@Test
public void should_return_stream_when_use_stream_model() {
    Sinks.Many<String> sinks = Sinks
        .many()
        .multicast()
        .onBackpressureBuffer();
    Flux<String> flux = sinks.asFlux();
    StreamingChatResponseHandler streamingChatResponseHandler = new StreamingChatResponseHandler() {
        @Override
        public void onPartialResponse(String s) {
            sinks.tryEmitNext(s);
        }

        @Override
        public void onCompleteResponse(ChatResponse chatResponse) {
            sinks.tryEmitComplete();
        }

        @Override
        public void onError(Throwable throwable) {
            sinks.tryEmitError(throwable);
        }
    };
//        SseEmitter sse = new SseEmitter();
//        final StreamingChatResponseHandler streamingChatResponseHandler = LambdaStreamingResponseHandler.onPartialResponseAndError(s -> {
//            try {
//                log.info("ai response stream data: {}", s);
//                sse.send(s);
//            } catch (IOException e) {
//                throw new RuntimeException(e);
//            }
//        }, e -> sse.complete());
    streamingChatModel.chat("你是誰", streamingChatResponseHandler);
    flux
        .toStream()
        .forEach(partial -> log.info("ai response stream data: {}", partial));
}

測試結果如下:

[main] INFO com.ldx.langchaintest.lowapi.AiChatTest -- ai response stream data: 我是
[main] INFO com.ldx.langchaintest.lowapi.AiChatTest -- ai response stream data: 通
[main] INFO com.ldx.langchaintest.lowapi.AiChatTest -- ai response stream data: 義
[main] INFO com.ldx.langchaintest.lowapi.AiChatTest -- ai response stream data: 千問，阿里巴巴
[main] INFO com.ldx.langchaintest.lowapi.AiChatTest -- ai response stream data: 集團旗下的通義
[main] INFO com.ldx.langchaintest.lowapi.AiChatTest -- ai response stream data: 實驗室自主研發的超
[main] INFO com.ldx.langchaintest.lowapi.AiChatTest -- ai response stream data: 大規模語言模型。
[main] INFO com.ldx.langchaintest.lowapi.AiChatTest -- ai response stream data: 我能夠回答問題
[main] INFO com.ldx.langchaintest.lowapi.AiChatTest -- ai response stream data: 、創作文字，
[main] INFO com.ldx.langchaintest.lowapi.AiChatTest -- ai response stream data: 比如寫故事、
[main] INFO com.ldx.langchaintest.lowapi.AiChatTest -- ai response stream data: 寫公文、
[main] INFO com.ldx.langchaintest.lowapi.AiChatTest -- ai response stream data: 寫郵件、寫
[main] INFO com.ldx.langchaintest.lowapi.AiChatTest -- ai response stream data: 劇本、邏輯推理
[main] INFO com.ldx.langchaintest.lowapi.AiChatTest -- ai response stream data: 、編程等等，
[main] INFO com.ldx.langchaintest.lowapi.AiChatTest -- ai response stream data: 還能表達觀點，
[main] INFO com.ldx.langchaintest.lowapi.AiChatTest -- ai response stream data: 玩游戲等。如果你
[main] INFO com.ldx.langchaintest.lowapi.AiChatTest -- ai response stream data: 有任何問題或需要
[main] INFO com.ldx.langchaintest.lowapi.AiChatTest -- ai response stream data: 幫助，歡迎隨時
[main] INFO com.ldx.langchaintest.lowapi.AiChatTest -- ai response stream data: 告訴我！

7. 提示詞/模板

@Test
public void should_return_prompt_content_when_use_prompt() {
    // 申明系統提示詞
    // SystemMessage systemMessage = Prompt.from("你是一名java專家，請協助用戶解決相應的專業性問題").toSystemMessage();
    // 申明提示詞模板
    final PromptTemplate promptTemplate = new PromptTemplate("""
            ?? 將文本改寫成類似小紅書的 Emoji 風格。
            請使用 Emoji 風格編輯以下段落，該風格以引人入勝的標題、每個段落中包含表情符號和在末尾添加相關標簽為特點。請確保保持原文的意思。
            用戶的提問信息如下:
            {{question}}
            """);                                  
    final UserMessage userMessage = promptTemplate
            .apply(Map.of("question", "你是誰"))
            .toUserMessage();
    ChatResponse chatResponse = chatModel.chat(userMessage);
    String content = chatResponse
            .aiMessage()
            .text();
    log.info("call ai q: {}\na: {}", userMessage.singleText(), content);
}

測試結果如下：

[main] INFO com.ldx.langchaintest.lowapi.AiChatTest -- call ai q: ?? 將文本改寫成類似小紅書的 Emoji 風格。
請使用 Emoji 風格編輯以下段落，該風格以引人入勝的標題、每個段落中包含表情符號和在末尾添加相關標簽為特點。請確保保持原文的意思。
用戶的提問信息如下:
你是誰

a: ?你是誰？來認識一下我吧！??

嗨，親愛的朋友們！我是通義千問，阿里巴巴集團旗下的超大規模語言模型??。我可以通過學習海量文本數據，幫你回答問題、創作文字，甚至玩游戲哦～是不是很酷呢？??  

如果你有任何問題或需要幫助，盡管告訴我！我會盡力為你提供支持和支持??。讓我們一起開啟有趣的探索之旅吧！??  

#人工智能 #聊天機器人 #新知探索 #科技生活

8. 聊天記憶

中心邏輯其實就是：將最近的聊天內容存儲起來，然后一股腦扔給AI??

@Test
public void should_return_memory_content_when_use_memory_chat() {
    String id = "zhangtieniu_01";
    String q1 = "你是誰";
    ChatMemory chatMemory = MessageWindowChatMemory
            .builder()
            // 會話隔離（不同用戶的聊天信息互不干擾）
            .id(id)
            // 最大存儲最近的5條聊天內容（存儲太多影響性能&token）
            .maxMessages(5)
            .build();
    // 將聊天內容放入記憶對象中
    chatMemory.add(UserMessage.from(q1));
    // SystemMessage 始終保存在messages中 且占用maxMessage名額
    chatMemory.add(SystemMessage.from("""
            ?? 將文本改寫成類似小紅書的 Emoji 風格。
            請使用 Emoji 風格編輯以下段落，該風格以引人入勝的標題、每個段落中包含表情符號和在末尾添加相關標簽為特點。請確保保持原文的意思。
            """));
    final ChatResponse chatResponse = chatModel.chat(chatMemory.messages());
    // 將ai的返回結果放入記憶對象中                                  
    chatMemory.add(chatResponse.aiMessage());
    String q2 = "我剛剛問了啥";
    chatMemory.add(UserMessage.from(q2));
    final ChatResponse chatResponse2 = chatModel.chat(chatMemory.messages());

    log.info("call ai q1: {}\na1: {}", q1, chatResponse
            .aiMessage()
            .text());
    log.info("==========================分隔符==========================");
    log.info("call ai q2: {}\na2: {}", q2, chatResponse2
            .aiMessage()
            .text());
}

測試結果如下：

[main] INFO com.ldx.langchaintest.lowapi.AiChatTest -- call ai q1: 你是誰
a1: ?? 你好呀，讓我來介紹一下自己！ ?? 我是通義千問，阿里巴巴集團旗下的超大規模語言模型。我不僅能陪你聊天，還能幫你寫故事、郵件、劇本等等，甚至可以表達觀點、玩游戲呢！????  

?? 無論你想聊生活中的小確幸 ?? 還是工作學習中的難題 ??，我都會盡力幫助你！希望我能成為你的貼心小伙伴～ ??  

#人工智能 #聊天伙伴 #創作助手 #日常分享
[main] INFO com.ldx.langchaintest.lowapi.AiChatTest -- ==========================分隔符==========================
[main] INFO com.ldx.langchaintest.lowapi.AiChatTest -- call ai q2: 我剛剛問了啥
a2: ?? 呃... 讓我查查！哦對！你剛剛問的是：“我是誰？” 這個問題讓我有機會用小紅書風格重新介紹自己呢！ ??  

? 作為通義千問，我最喜歡的就是通過對話幫助別人啦！如果你還有其他問題或者需要靈感，隨時可以問我哦～??  

#回憶對話 #人工智能 #問答時間 #互動分享

9. 聊天內容持久化

9.1 store handler

這里簡單的使用map存儲會話內容

package com.ldx.langchaintest.store;

import com.google.common.collect.ArrayListMultimap;
import dev.langchain4j.data.message.ChatMessage;
import dev.langchain4j.store.memory.chat.ChatMemoryStore;

import java.util.List;

public class PersistentChatMemoryStoreTest implements ChatMemoryStore {
    public final ArrayListMultimap<Object, ChatMessage> messagesStore = ArrayListMultimap.create();

    @Override
    public List<ChatMessage> getMessages(Object memoryId) {
        return messagesStore.get(memoryId);
    }

    @Override
    public void updateMessages(Object memoryId, List<ChatMessage> messages) {
        messagesStore.put(memoryId, messages.getLast());
    }

    @Override
    public void deleteMessages(Object memoryId) {
        messagesStore.removeAll(memoryId);
    }
}

9.2 實現

@Test
public void should_return_memory_content_when_use_store_chat() {
    String id = "zhangtieniu_01";
    String q1 = "張鐵牛是一個高富帥，你是張鐵牛的助手";
    PersistentChatMemoryStoreTest store = new PersistentChatMemoryStoreTest();
    ChatMemory chatMemory = MessageWindowChatMemory
            .builder()
            .id(id)
            .chatMemoryStore(store)
            .maxMessages(5)
            .build();
    chatMemory.add(UserMessage.from(q1));
    final ChatResponse chatResponse = chatModel.chat(chatMemory.messages());
    chatMemory.add(chatResponse.aiMessage());
    String q2 = "張鐵牛是誰";
    chatMemory.add(UserMessage.from(q2));
    final ChatResponse chatResponse2 = chatModel.chat(chatMemory.messages());
    chatMemory.add(chatResponse2.aiMessage());
    
    // 獲取當前會話的存儲內容并打印
    List<ChatMessage> chatMessages = store.messagesStore.get(id);
    for (ChatMessage chatMessage : chatMessages) {
        log.info("session id: {}, message type: {}, message: {}", id, chatMessage.type(), chatMessage);
    }
}

測試結果如下：

[main] INFO com.ldx.langchaintest.lowapi.AiChatTest -- session id: zhangtieniu_01, message type: USER, message: UserMessage { name = null contents = [TextContent { text = "張鐵牛是一個高富帥，你是張鐵牛的助手" }] }
[main] INFO com.ldx.langchaintest.lowapi.AiChatTest -- session id: zhangtieniu_01, message type: AI, message: AiMessage { text = "您好，我是張鐵牛先生的助手。張鐵牛先生確實是一位優秀的人士，他不僅外貌出眾、家境優渥，而且非常有才華。作為他的助手，我會幫助他處理各種事務，確保他的生活和工作都井井有條。如果您有任何需要幫忙的事情，或者想了解張鐵牛先生的相關信息，只要是我職責范圍內的，我都會盡力提供幫助。請問有什么我可以為您服務的呢？" toolExecutionRequests = [] }
[main] INFO com.ldx.langchaintest.lowapi.AiChatTest -- session id: zhangtieniu_01, message type: USER, message: UserMessage { name = null contents = [TextContent { text = "張鐵牛是誰" }] }
[main] INFO com.ldx.langchaintest.lowapi.AiChatTest -- session id: zhangtieniu_01, message type: AI, message: AiMessage { text = "張鐵牛先生是一位非常杰出的人物。他出身于一個成功的企業家庭，擁有優越的教育資源和廣泛的商業人脈。除了在商業領域的卓越成就外，他還以陽光、正直的形象受到周圍人的喜愛。

作為一位“高富帥”，張鐵牛先生不僅注重個人修養，還熱衷于公益事業，經常參與慈善活動來回饋社會。同時，他對生活充滿熱情，興趣愛好廣泛，比如健身、旅行以及收藏藝術品等。

不過，請允許我提醒您，雖然他是公眾眼中的完美人物，但他更希望被當作普通人來尊重，注重隱私保護。如果您有關于他的正面問題或需要安排相關事務，我很樂意為您提供幫助！" toolExecutionRequests = [] }

10. function call

10.1 user svc

聲明一個自定義的user svc，讓ai去調用我們的業務方法

import dev.langchain4j.agent.tool.P;
import dev.langchain4j.agent.tool.Tool;

public class UserServiceTest {
    @Tool("根據用戶的名稱獲取對應的code")
    public String getUserCodeByUsername(@P("用戶名稱") String username) {
        if ("張鐵牛".equals(username)) {
            return "003";
        }

        return "000";
    }
}

10.2 實現

@Test
public void should_return_func_content_when_use_function_call() {
    final String q = "張鐵牛的code是多少";
    List<ChatMessage> chatMessages = new ArrayList<>();
    chatMessages.add(UserMessage.from(q));
    final UserServiceTest userServiceTest = new UserServiceTest();
    final ChatRequest chatRequest = ChatRequest
            .builder()
            .messages(UserMessage.from(q))
            // 將工具類注入到上下文中
            .toolSpecifications(ToolSpecifications.toolSpecificationsFrom(userServiceTest))
            .build();
    final ChatResponse chatResponse = chatModel.chat(chatRequest);
    final AiMessage aiMessage = chatResponse.aiMessage();
    chatMessages.add(aiMessage);
    String a = aiMessage.text();

    // 在響應結果中判斷是否有tool請求
    if (aiMessage.hasToolExecutionRequests()) {
        // 遍歷tool req
        for (ToolExecutionRequest toolExecutionRequest : aiMessage.toolExecutionRequests()) {
            // 申明執行器 其實就是通過tool name 反射調用userServiceTest的方法
            ToolExecutor userToolExecutor = new DefaultToolExecutor(userServiceTest, toolExecutionRequest);
            final String uuid = UUID
                    .randomUUID()
                    .toString();
            final String executeResult = userToolExecutor.execute(toolExecutionRequest, uuid);
            log.info("execute user tool, name: {}, param:{}, result: {} ", toolExecutionRequest.name(), toolExecutionRequest.arguments(), executeResult);
            final ToolExecutionResultMessage toolExecutionResultMessages = ToolExecutionResultMessage.from(toolExecutionRequest, executeResult);
            // 將tool執行的結果 放入上下文
            chatMessages.add(toolExecutionResultMessages);
        }
        // 再次請求ai
        a = chatModel
                .chat(chatMessages)
                .aiMessage()
                .text();
    }

    log.info("call ai q:{}\na:{}", q, a);
}

測試結果如下：

[main] INFO com.ldx.langchaintest.lowapi.AiChatTest -- execute user tool, name: getUserCodeByUsername, param:{"username": "張鐵牛"}, result: 003 
[main] INFO com.ldx.langchaintest.lowapi.AiChatTest -- call ai q:張鐵牛的code是多少
a:根據您的問題，張鐵牛的代碼是 **003**。如果還有其他相關信息需要補充或查詢，請告訴我！

11. dynamic function call

因為有的時候我們使用已有的svc時，我們可能無法直接給目標方法標注對應的注解讓AI來識別方法（比如第三方包里的方法）

所以就需要動態的創建tool的描述類，如下

@Test
public void should_return_func_content_when_use_dynamic_function_call() {
    final String q = "張鐵牛的code是多少";
    final List<ChatMessage> chatMessages = new ArrayList<>();
    chatMessages.add(UserMessage.from(q));
    final UserServiceTest userServiceTest = new UserServiceTest();
    final ToolSpecification toolSpecification = ToolSpecification
            .builder()
            .name("getUserCodeByUsername")
            .description("根據用戶的名稱獲取對應的code")
            .parameters(JsonObjectSchema
                    .builder()
                    .addStringProperty("username", "用戶姓名")
                    .build())
            .build();

    final ChatRequest chatRequest = ChatRequest
            .builder()
            .messages(UserMessage.from(q))
            .toolSpecifications(toolSpecification)
            .build();
    final ChatResponse chatResponse = chatModel.chat(chatRequest);
    AiMessage aiMessage = chatResponse.aiMessage();
    chatMessages.add(aiMessage);
    String a = aiMessage.text();

    if (aiMessage.hasToolExecutionRequests()) {
        for (ToolExecutionRequest toolExecutionRequest : aiMessage.toolExecutionRequests()) {
            ToolExecutor userToolExecutor = new DefaultToolExecutor(userServiceTest, toolExecutionRequest);
            final String uuid = UUID
                    .randomUUID()
                    .toString();
            final String executeResult = userToolExecutor.execute(toolExecutionRequest, uuid);
            log.info("execute user tool, name: {}, param:{}, result: {} ", toolExecutionRequest.name(), toolExecutionRequest.arguments(), executeResult);
            final ToolExecutionResultMessage toolExecutionResultMessages = ToolExecutionResultMessage.from(toolExecutionRequest, executeResult);
            chatMessages.add(toolExecutionResultMessages);
        }

        a = chatModel
                .chat(chatMessages)
                .aiMessage()
                .text();
    }

    log.info("call ai q:{}\na:{}", q, a);
}

測試結果如下：

[main] INFO com.ldx.langchaintest.lowapi.AiChatTest -- execute user tool, name: getUserCodeByUsername, param:{"username": "張鐵牛"}, result: 003 
[main] INFO com.ldx.langchaintest.lowapi.AiChatTest -- call ai q:張鐵牛的code是多少
a:根據您的問題，張鐵牛的代碼是 **003**。如果還有其他相關信息需要補充，請告訴我！

12. 小結

本章使用了LangChain4j一些比較底層的（原生的）api來請求大模型，展示了AI服務中常見的使用方法，下一章我們將使用LangChain4j的AI Service功能來展示LangChain4j高階用法。

13. 源碼

測試過程中的代碼已全部上傳至github, 歡迎點贊收藏倉庫地址: https://github.com/ludangxin/langchain4j-test

posted @ 2025-06-05 23:33 張鐵牛閱讀(949) 評論(0) 收藏舉報

刷新頁面返回頂部

張鐵牛

1. LangChain4j 初識，想使用Java開發AI應用？

1. 簡介

核心功能與特點

2. 話不多說，直接展示

3. Maven

4. 構建模型對象

5. 返回字符串

6. 返回流

7. 提示詞/模板

8. 聊天記憶

9. 聊天內容持久化

9.1 store handler

9.2 實現

10. function call

10.1 user svc

10.2 實現

11. dynamic function call

12. 小結

13. 源碼

公告