摘要：本文介绍如何在LangChain4j框架中自定义JSON编解码器。默认的Jackson序列化器适用于大多数场景，但在某些特殊环境（如JetBrains插件开发）可能出现兼容性问题。解决方案包括：1）实现JsonCodecFactory接口创建自定义编解码器；2）通过SPI机制注册服务。文中提供了参考实现路径（可借鉴内部JacksonJsonCodec）和具体配置方法（需在META-INF/s

摘要 随着AI技术的普及，工业级AI应用已不再局限于Python编程。低代码平台和聊天机器人工具简化了提示词编写和系统集成，但在企业级应用中仍面临数据隐私、成本控制等限制。SpringAI框架的出现为Java/Kotlin开发者提供了解决方案，支持多供应商AI模型集成和向量数据库连接，并通过MCP协议实现LLM与外部工具的交互。该框架特别适合金融科技领域，可处理销售自动化、信贷管理等复杂任务。研究

本文深入解析了LangChain4j的核心组件ChatMemory，揭秘如何让AI应用具备“记忆”能力，实现连贯的多轮对话。文章清晰区分了“记忆”与“历史”的本质差异，详细讲解了两种主流的记忆剔除策略：基于消息数量的MessageWindowChatMemory（适合快速原型）和基于令牌数量的TokenWindowChatMemory（推荐生产环境）。通过代码实例演示了如何实现记忆持久化（如集成R

【LangChain4j模型参数配置全攻略】本文详细解析了如何在LangChain4j中灵活调整OpenAI模型参数，包括temperature、maxTokens等核心参数的作用及配置方法。通过构建器模式快速配置模型，并重点介绍了在Quarkus和Spring Boot两大主流框架中的具体配置方案：Quarkus开发者可通过Dev UI实时调试参数并自动同步到代码，Spring Boot应用则支

本文深入解析了LangChain4j中实现响应流（Response Streaming）的核心技术，揭秘如何通过逐令牌流式传输大幅提升AI对话体验。文章详细介绍了StreamingChatModel接口及StreamingChatResponseHandler的完整事件回调机制（包括部分响应、思考过程、工具调用等），并通过代码实例演示了基础流式处理、Lambda表达式简化写法以及流式取消等高级控制

到目前为止，我们一直在介绍诸如ChatModel、ChatMessage、ChatMemory等底层组件。在这个层面上工作非常灵活，能给予你完全的自由，但也迫使你编写大量样板代码。由于基于LLM的应用程序通常不仅需要单一组件，而是需要多个组件协同工作（例如提示模板、聊天记忆、LLM、输出解析器、RAG组件：嵌入模型和存储），并且常常涉及多次交互，协调所有这些组件变得更加繁琐。

本文深度解析了LangChain4j框架中的智能体（Agents）系统，揭秘如何通过@Agent注解将AI能力模块化封装为可复用的协作单元。核心创新在于引入AgenticScope共享数据空间，使多个智能体能像“汽车研发团队”般协同工作——创意生成、受众编辑、风格优化等智能体各司其职，通过顺序、循环、并行、条件四大工作流模式灵活编排。文章通过故事创作、客服路由等场景演示了声明式API如何简化复杂任

本文深入解析了LangChain4j框架中强大的工具调用（Function Calling） 功能，揭秘如何让大语言模型（LLM）突破纯文本生成限制，具备执行外部操作的能力。文章系统对比了底层ChatModel API（手动处理ToolSpecification与ToolExecutionRequest）与高级AI Service API（通过@Tool注解自动转换与执行）两种实现方案，并通过数学

本文是《LangChain4j从入门到精通》系列的第十篇，全面解析了如何在Java生态中利用LangChain4j框架实现检索增强生成（RAG），突破大语言模型的知识局限。文章详细介绍了RAG的核心价值：通过“索引-检索-生成”三段式流程，将外部知识库动态注入AI推理过程，有效解决模型幻觉、知识过时及专业领域盲区三大痛点。框架提供Easy RAG（开箱即用）、Naive RAG（基础向量检索）与A

随着大模型技术的成熟，本文结合BPMN2.0+deepseek技术，将企业级的BPMN2.0流程引擎进行了业务落地。满足用户输入自己的需求或者根据自身业务初步绘制一个BPMN草图后，结合大模型技术，将业务的想法和蓝图快速使用大模型进行生成，屏蔽了用户不懂BPMN标准，不知道如何绘制BPMN标准文件痛点问题。如果用户觉得生成的流程图与预期的不一致，也可以反复与大模型交形式进行生成和修改。用户也可以将