此外，通常不需要 state/memory，因此与 的LLM每次交互都是独立于其他交互的。例如，当用户简单地向聊天机器人打招呼或说再见时，提供LLM数十或数百个工具的访问权限是昂贵的，有时甚至是危险的（LLM 通话中包含的每个工具都会消耗大量令牌），并且可能导致意外结果（LLMs 可能会产生幻觉或纵以调用具有意外输入的工具）。关于 RAG：同样，有时需要为 LLM 提供一些上下文，但并非总是如此，

低级，使用 ChatLanguageModel 和 ToolSpecification API高级，使用 AI 服务和 @Tool -注解的 Java 方法。

简单来说，RAG 是通过在发送到LLM之前，从你的数据中找到并注入相关信息的片段到提示中。这样LLM就能获得（希望是）相关信息，并能够使用这些信息进行回复，这应该会降低幻觉发生的概率。相关信息可以通过各种信息检索方法找到。全文（关键词）搜索。这种方法使用 TF-IDF 和 BM25 等技术，通过将查询中的关键词（例如用户提出的问题）与文档数据库进行匹配来搜索文档。它根据这些关键词在每个文档中的频率

此外，通常不需要 state/memory，因此与 的LLM每次交互都是独立于其他交互的。例如，当用户简单地向聊天机器人打招呼或说再见时，提供LLM数十或数百个工具的访问权限是昂贵的，有时甚至是危险的（LLM 通话中包含的每个工具都会消耗大量令牌），并且可能导致意外结果（LLMs 可能会产生幻觉或纵以调用具有意外输入的工具）。关于 RAG：同样，有时需要为 LLM 提供一些上下文，但并非总是如此，

JAVA应用开发 转 AI应用开发的学习笔记

在此控制面板中，您可以进行更改，这些更改将立即反映在正在运行的实例中，并且您的更改会自动移植到代码中。可以找到支持的属性的完整列表 这里 https://github.com/langchain4j/langchain4j-spring/blob/main/langchain4j-open-ai-spring-boot-starter/src/main/java/dev/langchain4j/o

使用提示时（这是默认选择，除非启用对 JSON 模式的支持），AI 服务将自动生成格式说明并将其附加到 UserMessage 的末尾 指示响应的格式。请注意，如果 LLM 没有为原始类型（例如 int 、 boolean 等）的可选字段提供值，则将使用默认值进行初始化（例如， int 为 0 ， boolean 为 false 等）。请注意，JSON 架构是在对提供商 API 的请求中的专用属性

然而，您仍然可以通过使用低级的 ChatLanguageModel、ToolSpecification 和 ChatMemory API 来构建多智能体系统。如果您需要更多灵活性，可以使用低级的 ChatLanguageModel、ToolSpecification 和 ChatMemory API。LangChain4j 不支持像 AutoGen 或 CrewAI 中的“agent”这样的高级抽

所有受支持的嵌入存储都可以在这里找到。有关嵌入存储的文档可以在这里找到。

低级，使用 ChatLanguageModel 和 ToolSpecification API高级，使用 AI 服务和 @Tool -注解的 Java 方法。