网站收录了没有排名水果电商网站建设相关文献
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-keymodel-name: qwen-max
- 创建
ChatController，并编写相关接口
@RestController
@RequestMapping("/chat")
public class ChatController {@Autowiredprivate 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-maxapi-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() {@Overridepublic void onPartialResponse(String partialResponse) {sink.next(partialResponse);}@Overridepublic void onCompleteResponse(ChatResponse completeResponse) {sink.complete();}@Overridepublic 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-keymodel-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 urlreturn 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。