LangChain4j 学习教程项目
LangChain4j 学习教程
- 项目地址
- 项目简介
- 主要功能
- 使用的技术和库
- 项目环境配置
- 环境要求
- 依赖版本
- 每天学习内容和目标
- Day 01
- Day 02
- Day 03
- Day 04
- Day 05
- Day 06
- Day 07
- Day 08
- Day 09
- Day 10
- Day 11
- Day 12
- 重点学习内容 RAG
经过为期12天（日均1小时）的LangChain4j源码深度研读，已完成核心模块的代码解析工作。研究过程中同步编写了配套示例代码，后续将通过系列技术文章逐日解析这些实践案例
项目地址
- https://github.com/shootercheng/langchain4j-tutorials
- https://gitee.com/3281328128/langchain4j-tutorials
项目简介
本项目是一个基于 Java 的教程项目，主要展示了如何使用 langchain4j 库进行自然语言处理和对话模型的应用。项目涵盖了从简单的对话模型到复杂的 RAG（Retrieval-Augmented Generation）模型的使用。
主要功能
- 对话模型：使用 OpenAI 的对话模型进行简单的问答交互。
- 流式聊天模型：支持流式响应的聊天模型，能够实时处理和显示部分响应。
- RAG 模型：结合嵌入存储和对话模型，进行复杂的对话处理和信息检索。
使用的技术和库
- langchain4j：用于自然语言处理和对话模型的 Java 库。
- OpenAI：提供对话模型和嵌入模型。
- DuckDB：用于嵌入存储。
- Maven：项目构建工具。
项目环境配置
环境要求
- Java: 21
- Maven: 3.8.1
依赖版本
| 依赖名称 | 版本 |
|---|---|
| dev.langchain4j:langchain4j | 1.0.1 |
| dev.langchain4j:langchain4j-open-ai | 1.0.1 |
| dev.langchain4j:langchain4j-embeddings-all-minilm-l6-v2 | 1.0.1 |
| dev.langchain4j:langchain4j-document-parser-apache-tika | 1.0.1 |
| dev.langchain4j:langchain4j-web-search-engine-google-custom | 1.0.1 |
| dev.langchain4j:langchain4j-experimental-sql | 1.0.1 |
| org.jsoup:jsoup | 1.16.2 |
| dev.langchain4j:langchain4j-community-duckdb | 1.0.0-beta4 |
| ch.qos.logback:logback-classic | 1.5.13 |
| com.alibaba:fastjson | 2.0.57 |
| junit:junit | 4.13.1 |
| org.projectlombok:lombok | 1.18.38 |
| com.github.albfernandez:juniversalchardet | 2.4.0 |
每天学习内容和目标
Day 01
- 学习内容: 使用 OpenAI 的对话模型进行简单的问答交互，以及支持流式响应的聊天模型。
- 学习目标: 掌握基本的对话模型使用方法。
Day 02
- 学习内容: 使用自定义 HTTP 客户端构建器的流式聊天模型，以及解析服务器发送事件。
- 学习目标: 学习如何定制和优化聊天模型。
Day 03
- 学习内容: 使用嵌入存储和对话模型进行复杂的对话处理和信息检索，以及实现持久化聊天记忆。
- 学习目标: 掌握高级对话模型和记忆管理技术。
Day 04
- 学习内容: 实现 RAG 模型索引和查询。
- 学习目标: 学习如何构建和使用 RAG 模型。
Day 05
- 学习内容: 使用查询压缩的 RAG 模型进行复杂的对话处理和信息检索。
- 学习目标: 掌握查询压缩技术。
Day 06
- 学习内容: 使用扩展查询的 RAG 模型进行复杂的对话处理和信息检索。
- 学习目标: 学习如何扩展查询以提高检索效果。
Day 07
- 学习内容: 使用多个检索器的 RAG 模型进行复杂的对话处理和信息检索。
- 学习目标: 掌握多检索器技术。
Day 08
- 学习内容: 使用元数据过滤和查询的 RAG 模型进行复杂的对话处理和信息检索。
- 学习目标: 学习如何利用元数据优化检索。
Day 09
- 学习内容: 使用网络搜索的 RAG 模型进行复杂的对话处理和信息检索。
- 学习目标: 掌握网络搜索集成技术。
Day 10
- 学习内容: 使用 SQL 数据源的 RAG 模型进行复杂的对话处理和信息检索。
- 学习目标: 学习如何与 SQL 数据库集成。
Day 11
- 学习内容: 使用百度千帆搜索引擎进行网络搜索。
- 学习目标: 掌握外部搜索引擎集成。
Day 12
- 学习内容: RAG返回源信息、使用SQL数据库检索器
- 学习目标：掌握返回源信息和使用SQL数据库检索器。
您可以查看每个目录中的 README.md 文件以获取更多信息。
重点学习内容 RAG
