langchain4j定义了CodeExecutionEngine接口，该接口定义了execute方法用于执行指定的代码，langchain4j-code-execution-engine-graalvm-polyglot模块提供了两个实现，分别是GraalVmPythonExecutionEngine、GraalVmJavaScriptExecutionEngine

HTTP：客户端请求一个SSE（Server-Sent Events）通道以从服务器接收事件，然后通过HTTP POST请求发送命令。这种方式适用于需要跨网络通信的场景，通常用于分布式系统或需要高并发的场景。

langchain4j提供了langchain4j-http-client模块，它实现了一个HttpClient SPI（服务提供者接口），其他模块通过该接口调用LLM提供商的REST API。这意味着底层HTTP客户端可以被自定义，通过实现HttpClient SPI，还可以集成任何其他HTTP客户端。目前，有两个现成的实现：

序本文主要研究一下langchain4j的Advanced RAG核心流程将UserMessage转换为一个原始的QueryQueryTransformer将原始的Query转换为多个Query每个Query通过QueryRouter被路由到一个或多个ContentRetriever每个ContentRetriever检索对应Query相关的ContentContentAggregator将所有检索到的Content合并成一个最终排序的列表这...

Java语言特性系列Java5的新特性Java6的新特性Java7的新特性Java8的新特性Java9的新特性Java10的新特性Java11的新特性Java12的新特性Java13的新特性Java14的新特性Java15的新特性Java16的新特性Java17的新特性Java18的新特性Java19的新特性Java20的新特性Java21的新特性Java22的新特性Java23的新特性Java24的新特性Java25...

所谓naive就是我们不会使用任何高级的RAG技术，Easy RAG使用了EmbeddingStoreIngestor来隐藏了文档解析、分割、嵌入、嵌入存储，Naive RAG亦可使用。Naive RAG使用EmbeddingStoreContentRetriever.builder()进行查询相关的定制(Easy RAG直接使用EmbeddingStoreContentRetriever.from(embeddingStore))，startConversatio...

Document类表示整个文档，例如单个 PDF 文件或网页。目前，Document 只能表示文本信息，但未来的更新将使其能够支持图像和表格。

RAG(Retrieval-Augmented Generation)即检索增强生成，它通过检索来获取相关信息，注入到prompt，然后用增强的prompt然后输入给LLM让LLM在回答的时候能够利用检索到信息，从而降低幻觉。常见的信息检索方法包括：全文(关键词)搜索、向量搜索(语义搜索)、混合搜索。目前langchain4j以向量搜索为主(例如通过Qdrant等向量数...

customer-support-agent-example/src/main/java/dev/langchain4j/example/CustomerSupportAgent.java

序本文主要研究一下langchain4j的Tools(Function Calling)示例tool {代码...} 这里用@Tool注解来描述这个方法的用途，用@P注解来描述参数Low-level {代码...} Low-level步骤比较多：1.将toolSpecifications添加到chatRequest的parameter跟userMessage一起发起chat请求2.接着判断response是否有需要toolExecutionRequests...

ChatMemory定义了id、add、messages、clear方法，它有MessageWindowChatMemory、TokenWindowChatMemory两个实现

LangChain4jAutoConfig自动import了AiServicesAutoConfig、RagAutoConfig、AiServiceScannerProcessor

LangChain4jAutoConfig自动import了AiServicesAutoConfig、RagAutoConfig、AiServiceScannerProcessor

序本文主要研究一下langchain4j的AiServices示例原生版本 {代码...} 构建 {代码...} spring-boot版本 {代码...} 之后直接像使用托管的bean一样注入就可以使用 {代码...} 源码AiServicesdev/langchain4j/service/AiServices.java {代码...} AiServices是个抽象类，它提供了AiServices的builder方法，默认创建DefaultAiSer...

序本文主要演示一下ollama运行QwQ-32B模型步骤pull {代码...} 需要下载19Grun {代码...} function call {代码...} 对应fucntion {代码...} 执行[链接]今天天气怎么样，输出如下 {代码...} 小结通过ollama可以直接运行qwq模型，另外相较于deepseek-r1:8b，qwq模型原生支持了function call。docQwQ-32Bollama qwqDeepSeek ...

langchain4j提供了langchain4j-onnx-scoring用于通过ONNX runtime来本地运行scoring (reranking) model。通过OnnxScoringModel的scoreAll方法可以得到文档的评分。

指定好了文件路径，通过ApachePdfBoxDocumentParser来解析，最后统一返回Document对象，它可以返回textSegment，这个可以跟向量数据库结合在一起

指定好了文件路径，通过ApacheTikaDocumentParser来解析，最后统一返回Document对象，它可以返回textSegment，这个可以跟向量数据库结合在一起

指定好了文件路径，通过ApachePoiDocumentParser来解析，最后统一返回Document对象，它可以返回textSegment，这个可以跟向量数据库结合在一起

这里使用了Jlama提供的JlamaEmbeddingModel，官方示例的AllMiniLmL6V2EmbeddingModel在mac下会报错ai.djl.engine.EngineException: Unexpected flavor: cpu

序本文主要研究一下如何使用langchain4j来对接向量数据库milvus步骤docker运行milvus {代码...} 启动之后访问[链接]这里需要提前创建embedEtcd.yaml {代码...} user.yaml内容为空即可pom.xml {代码...} example {代码...} 最后输出 {代码...} quotaAndLimits {代码...} 注意milvus有频率控制，控制不好会报错 {代码...} ...

这里使用JlamaEmbeddingModel加载intfloat/e5-small-v2，之后embed了两个TextSegment，最后通过embeddingStore.findRelevant去匹配与queryEmbedding最相关的TextSegment

序本文主要研究一下如何本地运行local-ai并通过langchain4j集成调用。步骤curl安装 {代码...} 运行 {代码...} 访问[链接]安装model访问[链接] 浏览模型并选择安装或者使用命令行，这里选择一个小模型 {代码...} [链接]pom.xml {代码...} controller {代码...} 请求[链接]返回 {代码...} 小结LocalAI是OpenAI 的免费开源...

自动下载jlama会自动下载到~/.jlama/models/目录下，文件夹命名为tjake_Llama-3.2-1B-Instruct-JQ4但是默认是使用[链接]，可能访问不到，需要替换为[链接]

目前市面上的cherry-studio、page-assit、anythingLLM、open-webui、dify产品都号称能让大模型支持联网搜索，对国内搜索引擎没有支持或者支持的不太好，国内内容生态最好应该是微信了，今天发现DeepChat产品内置了搜狗的微信搜索，可以结合deepSeek实现联网搜索

序本文主要研究一下如何在腾讯云HAI-GPU服务器上部署DeepSeek Janus-Pro来进行文本生成图片步骤选择带GPU的服务器到deepseek2025试用一下带GPU的服务器下载Janus {代码...} 安装依赖 {代码...} 安装gradio {代码...} 安装torch {代码...} 运行示例 {代码...} 输出示例如下 {代码...} 可以访问这个public URL使用示例大概...

langchain4j集成了Azure OpenAI Dall·E、OpenAI Dall·E、Google Imagen、Cloudflare Workers AI、ZhiPu AI、Xinference这几种图像大模型。对于ZhiPu AI来讲，提供了ZhipuAiImageModel，通过generate方法即可生成图片。

配置了langchain4j.ollama.streaming-chat-model.base-url的配置就可以自动开启并注入streamingChatModel

访问[链接]可以得到您好！我是由中国的深度求索（DeepSeek）公司开发的智能助手DeepSeek-R1。如您有任何任何问题，我会尽我所能为您提供帮助。

执行[链接]今天天气怎么样，发现报错registry.ollama.ai/library/deepseek-r1:8b does not support tools