LangChain 整合 SpringBoot
下述代码均使用 阿里云百炼平台 提供的模型。
创建项目,引入依赖
- 通过
IDEA
创建SpringBoot
项目,并引入Spring Web
依赖,SpringBoot
推荐使用 3.x 版本。
- 引入 LangChain4j 和 WebFlux 依赖
<!--阿里云 DashScope API(通义大模型)的 Spring Boot Starter 依赖-->
<dependency>
<groupId>dev.langchain4j</groupId>
<artifactId>langchain4j-community-dashscope-spring-boot-starter</artifactId>
<version>1.0.0-beta2</version>
</dependency>
<!--LangChain4j 的核心库-->
<dependency>
<groupId>dev.langchain4j</groupId>
<artifactId>langchain4j</artifactId>
<version>1.0.0-beta2</version>
</dependency>
<!--Spring WebFlux 依赖-->
<dependency>
<groupId>org.springframework.boot</groupId>
<artifactId>spring-boot-starter-webflux</artifactId>
</dependency>
案例一 — 普通对话
该示例为整体返回,即等待模型回复完成后,一起进行返回。
- 配置 yaml
langchain4j:
community:
dashscope:
chat-model:
api-key: 个人 api-key
model-name: qwen-max
- 创建
ChatController
,并编写相关接口
@RestController
@RequestMapping("/chat")
public class ChatController {
@Autowired
private ChatLanguageModel chatLanguageModel;
@RequestMapping("/test1")
public String test1(@RequestParam(defaultValue = "你好") String message) {
String response = chatLanguageModel.chat(message);
return response;
}
}
- 测试接口响应
浏览器中访问:http://localhost:8080/chat/test1?message=你好,你是谁
,如果有响应类似下述内容,则说明成功。
案例二 — 流式对话
上述示例用户体验并不好,本示例采用流式返回
- 配置 yaml
langchain4j:
community:
dashscope:
streaming-chat-model:
model-name: qwen-max
api-key: 个人 api-key
- 编写相关接口
@Autowired
private StreamingChatLanguageModel streamingChatLanguageModel;
// 指定 produces,否则会出现乱码情况
@RequestMapping(value = "/test2", produces = "text/stream;charset=UTF-8")
public Flux<String> test2(@RequestParam(defaultValue = "你好") String message) {
Flux<String> flux = Flux.create(sink -> {
streamingChatLanguageModel.chat(message, new StreamingChatResponseHandler() {
@Override
public void onPartialResponse(String partialResponse) {
sink.next(partialResponse);
}
@Override
public void onCompleteResponse(ChatResponse completeResponse) {
sink.complete();
}
@Override
public void onError(Throwable error) {
sink.error(error);
}
});
});
return flux;
}
- 测试接口响应
浏览器中访问:http://localhost:8080/chat/test2?message=你好,你是谁
,如果有响应类似下述内容,则说明成功。
本案例与案例一的区别为输出方式不同,一种是整体输出,一种是流式输出。
案例三 — 图片生成
百炼平台提供500张图片的免费额度用于学习。
本案例采用同步的方式获取图片,也可以按照官方文档采用异步方式进行图片获取。
- 配置yaml
gen-img:
api-key: 个人 api-key
model-name: wanx2.1-t2i-turbo
- 配置
WanxImageModel
,编写相关接口
@Configuration
public class AIConfig {
@Value("${gen-img.api-key}")
private String genImgApiKey;
@Value("${gen-img.model-name}")
private String genImgModelName;
@Bean
/**
* 图片绘制模型
*/
public WanxImageModel wanxImageModel() {
return WanxImageModel.builder()
.apiKey(genImgApiKey)
.modelName(genImgModelName)
.build();
}
}
@Autowired
private WanxImageModel wanxImageModel;
@RequestMapping("/test3")
public String test3(@RequestParam(defaultValue = "午后的公园") String message) {
Response<Image> generate = wanxImageModel.generate(message);
// 具体返回结构可查看官方定义,这里只获取图片的 url
return generate.content().url().toString();
}
- 测试接口响应
在浏览器中输入:http://localhost:8080/chat/test3?message=雨后的公园
下图中返回数据为生成图片的 url,使用浏览器访问该 url,可以在浏览器中下载生成后的图片。
生成的图片如下:
案例四 — 记忆对话
- 配置
AiService
相关对象
// 定义聊天助手接口
public interface MyAssistant {
String chat(String message);
TokenStream stream(String message);
}
@Bean
public MyAssistant assistant(ChatLanguageModel qwenChatModel, StreamingChatLanguageModel qwenStreamingChatModel) {
MyAssistant assistant = AiServices.builder(MyAssistant.class)
.chatLanguageModel(qwenChatModel)
.streamingChatLanguageModel(qwenStreamingChatModel)
.chatMemory(MessageWindowChatMemory.withMaxMessages(20))
// 自定义对话存储方式
// .chatMemoryProvider(memoryId -> MessageWindowChatMemory
// .builder()
// .chatMemoryStore(new ChatMemoryStore() {
// @Override
// public List<ChatMessage> getMessages(Object memoryId) {
// return null;
// }
//
// @Override
// public void updateMessages(Object memoryId, List<ChatMessage> messages) {
//
// }
//
// @Override
// public void deleteMessages(Object memoryId) {
//
// }
// }
// ).build())
.build();
return assistant;
}
- 编写接口,采用流式返回
@Autowired
private AIConfig.MyAssistant assistant;
@RequestMapping(value = "/test4", produces = "text/stream;charset=UTF-8")
public Flux<String> test4(@RequestParam(defaultValue = "你好") String message) {
TokenStream stream = assistant.stream(message);
return Flux.create(sink -> {
stream.onPartialResponse(sink::next)
.onCompleteResponse(c -> sink.complete())
.onError(sink::error)
.start();
});
}
- 测试接口响应
-
直接进行询问
-
通过接口给模型写入记忆
-
根据写入记忆,进行对话
-
上述聊天信息默认存储在内存中,程序重启后会丢失记忆,可以重写被注释掉的内容,将信息存储到 mysql、redis等存储容器中。
案例五 — 记忆对话,数据隔离
上述案例中,所有的问答都是混合到一起的,即 A 对模型输入的信息,B 也可以读取到,本案例将通过 memoryId
对记忆数据进行隔离。
- 配置
AiService
相关对象
public interface MyAssistantIsolate {
String chat(@MemoryId String memoryId, @UserMessage String message);
TokenStream stream(@MemoryId String memoryId, @UserMessage String message);
}
@Bean
public MyAssistantIsolate myAssistantMemory(ChatLanguageModel qwenChatModel, StreamingChatLanguageModel qwenStreamingChatModel) {
ChatMemoryProvider chatMemoryProvider = memoryId -> MessageWindowChatMemory
.builder()
.id(memoryId)
.maxMessages(20)
// 自定义对话存储方式
// .chatMemoryStore(new ChatMemoryStore() {
// @Override
// public List<ChatMessage> getMessages(Object memoryId) {
// return null;
// }
//
// @Override
// public void updateMessages(Object memoryId, List<ChatMessage> messages) {
//
// }
//
// @Override
// public void deleteMessages(Object memoryId) {
//
// }
// })
.build();
MyAssistantIsolate assistant = AiServices.builder(MyAssistantIsolate.class)
.chatLanguageModel(qwenChatModel)
.streamingChatLanguageModel(qwenStreamingChatModel)
.chatMemoryProvider(chatMemoryProvider)
.build();
return assistant;
}
- 编写接口
@Autowired
private AIConfig.MyAssistantIsolate myAssistantIsolate;
@RequestMapping(value = "/test5", produces = "text/stream;charset=UTF-8")
// 通过不同的 memoryId 对记忆进行分割,memoryId 可以使用 userId 或 uuid
public Flux<String> test5(String memoryId, String message) {
TokenStream stream = myAssistantIsolate.stream(memoryId, message);
return Flux.create(sink -> {
stream.onPartialResponse(sink::next)
.onCompleteResponse(c -> sink.complete())
.onError(sink::error)
.start();
});
}
- 测试接口响应
- 给 memoryId = 1,设置记忆信息
- 通过 memoryId = 1,查询记忆信息
- 通过 memoryId = 2,查询记忆信息
- 给 memoryId = 1,设置记忆信息
上述内容为 LangChain4j
整合 SpringBoot
的基本示例。