使用Jakarta EE和LangChain4j构建AI驱动的Java应用程序

人工智能正在迅速改变软件开发。如今许多开发者使用AI驱动的工具来生成代码，但下一个进步是将AI直接集成到应用程序中。现代系统越来越多地使用大型语言模型（LLM）来回答问题、自动化工作流、总结信息并增强用户体验。因此，软件工程师必须将传统企业开发实践与AI能力相结合，同时确保可靠性、可伸缩性和可维护性。

这一演进为Jakarta EE开发者提供了一个重大机遇。Jakarta EE为企业应用提供了一个成熟的平台，包含依赖注入、RESTful服务、配置、持久化和云原生开发的标准。通过将Jakarta EE与LangChain4j集成，开发者可以通过一个简单的Java API访问先进的AI模型，在不离开熟悉的Jakarta EE环境的情况下添加智能功能。

在本文中，我们将构建一个简单的"Hello World" AI应用程序，以演示如何使用LangChain4j将大型语言模型轻松集成到Jakarta EE应用程序中。

使用Jakarta EE技术配置LangChain4j

在开发你的第一个AI驱动应用程序之前，理解LangChain4j在Java生态系统中的角色及其在AI集成中的流行度非常重要。LangChain4j充当Java应用程序与AI提供商之间的编排层。它通过提供一致的编程模型（无论底层供应商是谁）简化了AI集成。如果你熟悉Spring Data或Jakarta Data，这个概念将会很熟悉。使用Spring Data和Jakarta Data，开发者定义仓库接口并使用注解来指定行为。实现细节由生成具体实现并管理数据库通信的提供者处理。这使得开发者可以专注于业务逻辑，而不是底层的数据库操作。

[LOADING...]

LangChain4j对人工智能采用了类似的方法。开发者不需要编写HTTP客户端、构建JSON负载或管理特定供应商的API，而是定义表示AI能力的Java接口。然后LangChain4j生成实现并管理与所选AI提供商的通信。LangChain4j可以被视为AI领域的Jakarta Data或Spring Data，其中AI提供商依赖的作用类似于JDBC驱动。从一个AI提供商切换到另一个，例如从OpenAI切换到其他提供商，通常只需要更新依赖和配置，而应用程序代码基本保持不变。

虽然本文为了简单起见使用了一个Java SE应用程序，但同样的方法也适用于Jakarta EE、Spring Boot、Quarkus、Helidon、Micronaut和其他Java平台。

项目依赖

第一步是创建一个Maven Quickstart项目，并添加CDI、Eclipse MicroProfile Config和LangChain4j所需的依赖：

$ xml

<dependency>
    <groupId>io.smallrye.config</groupId>
    <artifactId>smallrye-config-core</artifactId>
    <version>3.17.2</version>
    <scope>compile</scope>
</dependency>
<dependency>
    <groupId>io.smallrye.config</groupId>
    <artifactId>smallrye-config</artifactId>
    <version>3.17.2</version>
</dependency>
<dependency>
    <groupId>org.jboss.weld.se</groupId>
    <artifactId>weld-se-core</artifactId>
    <version>6.0.4.Final</version>
</dependency>
<dependency>
    <groupId>dev.langchain4j.cdi</groupId>
    <artifactId>langchain4j-cdi-portable-ext</artifactId>
    <version>${langchain4j-cdi.version}</version>
</dependency>
<dependency>
    <groupId>dev.langchain4j.cdi.mp</groupId>
    <artifactId>langchain4j-cdi-config</artifactId>
    <version>${langchain4j-cdi.version}</version>
</dependency>
<dependency>
    <groupId>dev.langchain4j</groupId>
    <artifactId>langchain4j-open-ai</artifactId>
    <version>1.15.0</version>
</dependency>

这个示例使用langchain4j-open-ai依赖，它作为与OpenAI模型通信的特定提供商驱动。应用程序代码与提供商实现无关。

配置AI提供商

LangChain4j与Eclipse MicroProfile Config集成，允许你将所有提供商设置外部化。创建一个microprofile-config.properties文件并添加以下配置：

$ properties

dev.langchain4j.cdi.plugin.chat-model.class=dev.langchain4j.model.openai.OpenAiChatModel
dev.langchain4j.cdi.plugin.chat-model.config.api-key=<YOUR_API_KEY>
dev.langchain4j.cdi.plugin.chat-model.config.model-name=gpt-5

这个配置指定了聊天模型实现、认证API密钥以及将处理提示的模型。

这种方法的一个关键优势是灵活性。如果将来你选择其他提供商，通常只需替换提供商依赖并更新配置即可。应用程序代码通常保持不变，强化了提供商依赖类似于传统数据访问中的JDBC驱动的作用。

对于这个示例，你可以将API密钥直接放在配置文件中，或者通过环境变量提供。在生产环境中，使用环境变量、密钥管理器或保险库解决方案。切勿将API密钥提交到源代码控制中，因为暴露的凭证可能导致未经授权的使用、意外成本和安全风险。

你的第一个AI服务

项目配置完成后，我们可以构建第一个AI驱动的服务。按照软件开发的惯例，我们将从一个"Hello World"示例开始。我们不打印静态消息，而是向AI模型发送一个问题并显示其响应。

这个示例使用了最简单的契约：输入是String，输出也是String。虽然实际应用程序通常使用更复杂的领域对象，但从纯文本开始有助于我们专注于核心的LangChain4j编程模型，并理解如何创建和使用AI服务。

第一步是定义一个AI服务接口：

$ java

import dev.langchain4j.cdi.spi.RegisterAIService;
import jakarta.enterprise.context.ApplicationScoped;

@RegisterAIService
@ApplicationScoped
public interface AssistantService {
    String chat(String prompt);
}

这个接口不包含实现。LangChain4j在运行时自动生成实现。@RegisterAIService注解指示LangChain4j为此接口创建一个AI驱动的实现。@ApplicationScoped注解使生成的实现作为CDI bean可用，可以像其他Jakarta EE组件一样被注入或访问。

方法签名定义了AI契约。当调用chat方法时，参数作为AI模型的提示，返回值包含生成的响应。在这个示例中，请求和响应都是简单的字符串。

接下来，我们需要一个客户端应用程序来消费这个服务：

$ java

import jakarta.enterprise.context.control.RequestContextController;
import jakarta.enterprise.inject.se.SeContainer;

public class App {
    public static void main(String[] args) {
        try (SeContainer container = jakarta.enterprise.inject.se.SeContainerInitializer
                .newInstance()
                .initialize()) {
            RequestContextController requestContextController = container.select(RequestContextController.class).get();
            requestContextController.activate();

            AssistantService assistantService = container.select(AssistantService.class).get();
            String response = assistantService.chat("What is the capital of France?");
            System.out.println("Assistant response: " + response);

            requestContextController.deactivate();
        }
    }
}

应用程序使用Weld SE启动一个CDI容器，在Java SE环境中提供依赖注入。初始化容器后，我们激活请求上下文并从CDI获取一个AssistantService实例。尽管代码库中没有具体实现，但CDI返回了一个由LangChain4j生成的完全功能的服务。当调用chat方法时，LangChain4j将提示发送给配置的AI模型，等待响应，并将结果转换为Java String。

运行应用程序会产生类似于以下的输出：

Assistant response: Paris is the capital of France.

确切的表述可能会有所不同，因为大型语言模型是概率系统。与给定输入始终返回相同结果的传统方法不同，AI模型可能会产生略有不同的响应，但保持相同的意思。

虽然使用字符串对于学习基础知识很有用，但企业应用程序很少在各层之间交换原始文本。业务应用通常使用结构化数据、领域对象、命令和响应，以确保更严格的契约和更好的可维护性。

在下一节中，我们将通过用专用的输入和输出类替换原始字符串来改进这个示例，使LangChain4j能够以更类型安全和更具表现力的方式在Java对象和AI交互之间进行映射。

使用结构化输入和输出

前面的示例展示了一个基本的AI交互：字符串输入产生字符串输出。虽然这说明了基本原理，但实际应用很少单独使用非结构化文本。企业系统通常交换表示业务概念的明确定义的对象，使代码更具表现力、可维护性和类型安全性。

LangChain4j的一个关键优势是它能够将Java对象直接映射到AI交互。它自动将结构化输入转换为提示，并将AI响应转换为强类型的Java对象，消除了手动序列化和解析的需要。开发者可以处理领域概念，而不是原始文本。

为了演示这一点，我们将构建一个简单的图书推荐引擎。给定书名和作者，AI将推荐在知识学习路径中合乎逻辑地紧随其后的三本书。

首先定义输入对象：

$ java

public record BookRequest(String title, String author) { }

这个记录捕获用户的输入。我们不需要手动创建文本提示，而是提供一个结构化的Java对象，包含书名和作者。

接下来，定义表示推荐图书的领域模型：

$ java

import java.util.List;

public record Book(
    String title,
    String author,
    String description,
    List<String> keywords) { }

这个记录包含比简单标题更丰富的信息。它除了标题和作者外，还提供简短描述和一组关键词，以进一步描述推荐内容。

然后添加推荐原因：

$ java

public record Recommendation(Book book, String reason) { }

最后，创建一个包装对象，表示AI服务返回的完整响应：

$ java

import java.util.List;

public record NextReadBooks(List<Recommendation> recommendations) { }

现在，我们有了请求和预期响应的完整领域模型。

接下来，定义AI服务：

$ java

import dev.langchain4j.cdi.spi.RegisterAIService;
import dev.langchain4j.service.SystemMessage;
import jakarta.enterprise.context.ApplicationScoped;

@ApplicationScoped
@RegisterAIService
public interface NextReadBookService {

    @SystemMessage("""
        推荐最多3本在知识学习路径上应该自然紧随所提供书籍的图书。
        推荐应优先考虑：
        - 概念上的递进
        - 互补知识
        - 技术深度
        - 主题相似性
        每项推荐需提供：
        - 标题
        - 作者
        - 简明描述
        - 相关关键词
        - 简短推荐理由
        保持推荐简洁、技术相关，并聚焦于软件工程和架构学习。
        """)
    NextReadBooks nextReadBooks(BookRequest bookRequest);
}

这个示例还引入了系统消息的概念。@SystemMessage注解提供了指导模型行为的指令。与每次变化请求的用户输入不同，系统消息作为一组固定的规则用于AI响应。这里，我们指示模型推荐最多三本书，解释每项推荐，并使用我们定义的Java记录返回信息。

方法签名只使用领域对象：输入是BookRequest，输出是NextReadBooks。不需要手动处理JSON、创建提示或解析响应，LangChain4j自动管理这些任务。

应用程序代码保持简洁：

$ java

import jakarta.enterprise.context.control.RequestContextController;
import jakarta.enterprise.inject.se.SeContainer;

public class BookApp {
    public static void main(String[] args) {
        try (SeContainer container = jakarta.enterprise.inject.se.SeContainerInitializer
                .newInstance()
                .initialize()) {
            RequestContextController requestContextController = container.select(RequestContextController.class).get();
            requestContextController.activate();

            var bookService = container.select(NextReadBookService.class).get();
            BookRequest request = new BookRequest(
                "The Great Gatsby", "F. Scott Fitzgerald");
            var recommendations = bookService.nextReadBooks(request);
            for (var recommendation : recommendations.recommendations()) {
                System.out.println(
                    "Recommended book: " + recommendation.book().title()
                    + " by " + recommendation.book().author());
                System.out.println(
                    "Reason: " + recommendation.reason());
            }
            requestContextController.deactivate();
        }
    }
}

执行时，LangChain4j将BookRequest转换为提示，发送给模型，验证响应是否与目标结构匹配，并将结果映射回NextReadBooks。对于开发者来说，这种交互类似于调用一个标准的Java服务。

这种方法相比于原始字符串交互有明显的优势。代码更易于理解，IDE自动完成提高了生产率，并且重构更加安全，因为输入和输出是显式的领域模型。应用程序也能更容易地适应新的业务需求。

到目前为止，我们的示例使用了明确的用户请求和静态的系统指令。然而，现代AI应用通常需要用户输入之外的附加上下文。在下一节中，我们将探讨如何使用外部知识和上下文丰富AI交互，使模型能够产生与应用程序领域更一致且更准确的响应。

视频3

DZone贡献者的观点仅代表其个人。

分类导航

使用Jakarta EE技术配置LangChain4j

项目依赖

配置AI提供商

你的第一个AI服务

使用结构化输入和输出