本文是《LangChain4J从基础到实战》系列开篇，详细介绍了如何在SpringBoot项目中集成LangChain4J。文章强调需要JDK 17+和SpringBoot 3.x+版本，详细讲解了依赖引入、配置文件设置及ChatModel的使用方法。通过简单示例展示了与大模型的对话功能，并指出LangChain4J的双层抽象层次使切换不同大模型变得简单易行。

前排提示，文末有大模型AGI-CSDN独家资料包哦！

前言

本文是《LangChain4J 从基础到实战》系列的开篇之作。需要说明的是，该系列虽涵盖基础理论，但核心实战部分将以视频形式呈现 —— 因实战环节涉及大量细节操作，仅靠文字难以清晰传递。
本章聚焦核心内容：如何在 SpringBoot 项目中集成 LangChain4J。不同于部分文章从 Spring 基础讲起，考虑到当前 “全员 SpringBoot” 的技术环境，铺垫基础内容对直接学习 LangChain4J 而言并无必要，反而会浪费大家的时间。

SpringBoot集成LangChain4j功法

在此前需要强调的是，如果要集成LangChain4J，你的JDK应该是17+的版本，同时你的SpringBoot的版本应是3.x及以上的版本。

顺带提一句，这里也想跟大家分享一个小建议：尽量避免 “官方任你发，我用 Java 8” 的固化心态。毕竟 Java 后续版本迭代中，新增了不少实用的新方法与特性，主动去了解和尝试，其实能为我们的开发效率带来不少助力。

正篇开始

在整个系列中，我调用的大模型是使用的月之暗面(KIMI),为啥用它？因为我早期往里面在充过钱，当然你也可以用其它的，在上一篇文章中也说过，在LangChain4J中切换大模型基本上不需要修改代码，你可以看到Kimi的教程来对像其它大语言模型。

至于用 IDEA 创建 SpringBoot 项目的基础步骤，这里就不展开说明了， 如果这一步还不熟悉，建议先补充下 SpringBoot 的基础操作知识，再往下推进。
创建项目时，无需引入过多依赖，只保留核心即可：

• • 首先是Web 相关依赖，这是项目运行的基础；
• • 其次需要加上单元测试相关依赖，方便后续验证功能。

引入LangChain4J

上篇也说到了，LangChain4J支持很多大模型。在引入依赖的时候除引入相关的大模型的依赖还需要引入一个核心包的依赖:

<dependency>   <groupId>dev.langchain4j</groupId>   <artifactId>langchain4j-spring-boot-starter</artifactId>   <version>1.4.0-beta10</version></dependency>

除了上面的这个核心的组件外，还需要引入对应大模型的组件：
这个大模型的组件的名称，或许你可以猜出来，

启动器依赖项的命名约定是：langchain4j-{integration-name}-spring-boot-starter。

比如要导入OpenAi的那么名称就是langchain4j-open-ai-spring-boot-starter

<dependency>  <groupId>dev.langchain4j</groupId>  <artifactId>langchain4j-open-ai-spring-boot-starter</artifactId>  <version>1.4.0-beta10</version></dependency>

这里需要提前说明一点：你可能会在相关文档里搜索 DeepSeek 或 Kimi 的专属依赖，但大概率是找不到的。因为 DeepSeek 和 Kimi 这两个模型，都遵循了 OpenAI 的 API 调用规范，无需额外引入它们的单独依赖。

所以你在引入大模型的时候可以去文档中看下，如果说明是遵循了 OpenAI 的 API 调用规范，那这里引入的时候只引入OpenAi相关的依赖就好。

编写相关配置

这里的配置也很简单，基本上如果你只是需要和大模型对话，只需要配置key、模型名称、地址：

• • 地址：是为了知道要调用的什么大模型
• • 模型名称：每一个大模型厂商都会有很多版本，比如7B的版本、14B的版本。
• • Key: 因为对话是收费的，所以需要一个Key来统计你的Token(现在可以这样理解)

langchain4j.open-ai.chat-model.api-key=xxxxxlangchain4j.open-ai.chat-model.model-name=moonshot-v1-128klangchain4j.open-ai.chat-model.base-url=https://api.moonshot.cn/v1

我上面写的是Kimi的配置，同学们需要自已去官方自行申请。

看，只需要这几行简单的配置，我们就已经具备了与大模型对话的基础。是不是很简单

第一次对话

现在我是用的SpringBoot项目，我就先用单元测试来测试，当然，你也可以写一个接口来进行测试。

@SpringBootTestpublic class TestChatModel {    @Autowired    private ChatModel chatModel;    @Test    public void test1(){        String chat = chatModel.chat("你好，你是谁？");        System.out.println(chat);    }}

这只是一个简单的对话，在输出结果后，也看到了大模型给我们的回复。

在我们在使用的这种方式是属于低级API,在后面我们可以通过更高级AI Serivce来进行大语言模型的对话。

当然我现在是用的KIMI,你们自已可以尝试下把他更换成DeepSeek大模型试试，只需要改动配置文档中的key,baseUrl,ModelName即可。完成大模型的更换。

是不是很简单，这需要归功于LangChain4J的2层的抽象层次。

代码解读

在本文的案例里，我只需要在 Java 代码中定义一个 ChatModel 对象，再通过依赖注入的方式使用它，就能直接实现对话功能 —— 是不是感觉很神奇？

这背后的逻辑其实不复杂：如果你了解 SpringBoot 的自动装配机制，就能轻松想通。关键在于，我们引入的 OpenAI 依赖中，内置了一个 AutoConfig（自动配置）类，整个 ChatModel 的自动装配过程，正是在这个类里完成的。

并且在只有配置了key的情况下才会进行自动装配。

读者福利：倘若大家对大模型感兴趣，那么这套大模型学习资料一定对你有用。

针对0基础小白：

如果你是零基础小白，快速入门大模型是可行的。
大模型学习流程较短，学习内容全面，需要理论与实践结合
学习计划和方向能根据资料进行归纳总结

包括：大模型学习线路汇总、学习阶段，大模型实战案例，大模型学习视频，人工智能、机器学习、大模型书籍PDF。带你从零基础系统性的学好大模型！

😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓

👉AI大模型学习路线汇总👈

大模型学习路线图，整体分为7个大的阶段：（全套教程文末领取哈）

第一阶段： 从大模型系统设计入手，讲解大模型的主要方法；

第二阶段： 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；

第三阶段： 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；

第四阶段： 大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；

第五阶段： 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；

第六阶段： 以SD多模态大模型为主，搭建了文生图小程序案例；

第七阶段： 以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。

👉大模型实战案例👈

光学理论是没用的，要学会跟着一起做，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

👉大模型视频和PDF合集👈

这里我们能提供零基础学习书籍和视频。作为最快捷也是最有效的方式之一，跟着老师的思路，由浅入深，从理论到实操，其实大模型并不难。

👉学会后的收获：👈

• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；

• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；

• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；

• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。

👉获取方式：

😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓