获课：itazs.fun/16991/
第一层：核心基础
这是构建任何应用的基石。
1. Model I/O (输入/输出)
这是与 LLM 交互最核心的模块。
Prompt Templates： Prompt 是编程 LLM 的方式。必须掌握如何创建包含变量（{{variable}}）的动态提示词模板。
PromptTemplate.from("写一首关于{{topic}}的诗")
Chat Memory in Prompts： 理解如何将聊天历史自动注入到 Prompt 中。
Output Parsers： 将 LLM 的非结构化文本输出转换为结构化的 Java 对象（如 POJO, List, Enum）。这是保证输出稳定性的关键。
BeanOutputParser, ListOutputParser, EnumOutputParser。
LLM 集成： 熟练配置和使用不同的 Model Provider。
OpenAI: OpenAiChatModel, OpenAiStreamingChatModel
Azure OpenAI: AzureOpenAiChatModel
Local/ Ollama: OllamaChatModel （用于本地模型）
HuggingFace： HuggingFaceChatModel
2. Data Connection (数据连接)
让 LLM 能够访问你的私有数据，解决其“知识截止”问题。
Document Loaders： 从各种来源加载数据成为 Document 对象。
来源：文件系统（TXT, PDF, PPT, Word）、URL、S3、GitHub 等。
Document Transformers： 对加载的文档进行预处理。
操作：分割（Splitter）、过滤、转换元数据。
文本分割策略是关键，直接影响检索效果（递归分割、按标记分割）。
Embedding Models： 将文本转换为数值向量（Embeddings）。
配置：AllMiniLmL6V2EmbeddingModel (本地), OpenAiEmbeddingModel, AzureOpenAiEmbeddingModel。
Vector Stores (向量数据库)： 存储和检索 Embeddings。
内存：InMemoryEmbeddingStore (用于原型开发)
持久化：ChromaEmbeddingStore, PineconeEmbeddingStore, ElasticsearchEmbeddingStore, PgVectorEmbeddingStore等。
Retrieval Augmented Generation (RAG)： 将以上组件串联起来的标准模式。
Ingestion (注入)： 加载 -> 分割 -> 嵌入 -> 存入向量库。
Retrieval (检索)： 用户提问 -> 嵌入 -> 从向量库检索最相似的 K 个片段。
Augmentation (增强)： 将检索到的片段作为上下文注入到 Prompt 中。
Generation (生成)： LLM 根据“上下文+问题”生成最终答案。
第二层：链与代理
用逻辑将多个步骤组合起来，解决复杂问题。
1. Chains (链)
Sequential Chains： 顺序执行多个步骤，前一个步骤的输出是后一个的输入。
Transformational Chains： 用于对文档进行一系列转换（例如，总结、翻译、提取关键词）。
Conditional Chains： 根据 LLM 的输出决定下一步执行哪个分支（if-else逻辑）。
2. Agents (代理)
代理是 LangChain 最强大的概念之一。它让 LLM 拥有“思考”和“使用工具”的能力。
核心概念： Agent = LLM + Tools + ReAct (Reason+Act) 循环。
Tools (工具)： 代理可以调用的函数。你必须掌握如何创建和注册自定义工具。
示例工具：搜索数据库、调用 API、执行计算、查看时间。
使用 @Tool 注解可以轻松地将任何方法暴露为工具。
Agent Executor： 驱动代理运行的核心循环，负责调用 LLM、解析其决策、执行工具、并将结果返回给 LLM 进行下一步思考。
Planning： 高级代理可以先制定计划（Plan），然后按计划执行（Execute）。
第三层：内存与历史
管理应用与用户之间的对话状态。
Chat Memory： 用于存储和检索对话历史。
多种实现：
MessageWindowChatMemory： 只保留最近 K 条消息。
TokenWindowChatMemory： 只保留最近 N 个 Token 的消息。
PersistentChatMemory： 持久化到数据库（如 Redis、PostgreSQL）中。
第四层：高级与生产级特性
1. 可观测性 (Observability)
Tracing： 使用 langchain4j-observation 模块自动生成详细的调用链追踪，并集成到 Micrometer 和 OpenTelemetry 中。这对于调试复杂的链和代理至关重要。
Logging： 详细记录所有 LLM 的请求和响应。
2. 稳定性与性能
缓存 (Caching)： 对 Embedding 和 LLM 的请求进行缓存，显著降本增效。InMemoryCache, RedisCache, CaffeineCache。
降级 (Fallbacks)： 当一个 LLM 提供商出现故障时，自动降级到另一个备用提供商。
重试 (Retry)： 为 LLM 调用配置重试机制，处理短暂的网络或 API 故障。
超时 (Timeout)： 为 LLM 调用设置超时，防止长时间阻塞。
速率限制 (Rate Limiting)： 控制对 LLM API 的请求速率。
3. 安全与合规
内容审查： 在将用户输入发送给 LLM 或向用户展示输出前，使用 Moderation API 进行审查，过滤有害内容。
第五层：实践、架构与进阶
1. 项目结构与设计模式
如何组织一个大型的 LangChain4j 项目？
如何设计松耦合的 Tools 和 Services？
如何对链和代理进行单元测试和集成测试？（使用 Mock LLM）
2. 与 Spring/Spring Boot 集成
使用 langchain4j-spring-boot-starter 进行自动配置。
如何将所有组件（Models, Stores, Tools, Memory）声明为 @Bean，方便依赖注入和管理。
3. 进阶概念
AutoGen： 设计多个代理协同完成复杂任务的模式。
Fine-Tuning： 虽然 LangChain4j 不直接处理，但你需要知道如何为 RAG 准备微调数据。
Validation： 在调用 LLM 前验证用户输入，在解析输出后验证其有效性。
总结：从“会用”到“精通”的 checklist
我能用 Prompt Template 和 Output Parser 可靠地与 LLM 交互。
我成功搭建过一套完整的 RAG 系统，从文档加载到最终生成答案。
我能为我的应用创建多个自定义 Tool，并让 Agent 熟练使用它们解决问题。
我配置了持久化的 Chat Memory，让应用能进行多轮对话。
我在生产环境中配置了 Tracing、Cache 和 Fallback 机制。
我能清晰地向团队解释 LangChain4j 项目的架构设计和核心流程。
有疑问加站长微信联系（非本文作者））
