LangChain4j + Milvus 从0-1实现会话管理与RAG检索的AIChat超详细教程

发布于：2025-08-05 ⋅ 阅读:(14) ⋅ 点赞:(0)

项目概述

本教程将介绍如何使用LangChain4j和Milvus向量数据库构建一个具备流式输出、会话管理、会话隔离和基于文档RAG检索能力的AI机器人。我们将使用阿里百炼模型作为LLM后端，并通过Docker部署Milvus向量数据库。

项目地址：https://gitee.com/LRTesthhh/langchain4j-chat-demo.git

技术栈

  • 框架：Spring Boot 3.5.4
  • AI工具链：LangChain4j 1.0.0-beta3
  • 向量数据库：Milvus 2.6.0
  • 模型：阿里百炼 qwen-plus
  • 响应式编程：Reactor
  • 容器化：Docker

步骤1：安装与部署Milvus向量数据库（此次使用win演示）（更多部署方式查看Run Milvus in Docker (Linux) | Milvus Documentation）

在windows环境下使用Docker Desktop安装Milvus

  1. 首先确保已安装Docker Desktop并启动
  2. 打开终端，执行以下命令拉取Milvus镜像：
# 拉取Milvus standalone镜像
docker pull milvusdb/milvus:v2.3.4-standalone
  1. 创建Milvus数据和配置目录：
mkdir -p d:\milvus\data\
mkdir -p d:\milvus\config\
  1. 启动Milvus容器：
docker run -d --name milvus-standalone -p 19530:19530 -p 9091:9091 -v d:\milvus\data:/var/lib/milvus/data -v d:\milvus\config:/var/lib/milvus/config milvusdb/milvus:v2.3.4-standalone
  1. 验证Milvus是否启动成功：
docker logs milvus-standalone

如果看到"Milvus successfully started"的日志，说明Milvus已成功启动。

步骤2：创建Spring Boot项目并配置依赖

创建项目

使用Spring Initializer创建一个新的Spring Boot项目，选择以下依赖：

  • Spring Boot Starter Web
  • Spring Boot Starter Webflux
  • Spring Boot Starter Actuator
  • Spring Boot Starter Test

添加LangChain4j和Milvus依赖

在pom.xml中添加以下依赖：

        <!-- Spring Boot Actuator 用于监控和管理应用，提供健康检查、指标收集等功能 -->
        <dependency>
            <groupId>org.springframework.boot</groupId>
            <artifactId>spring-boot-starter-actuator</artifactId>
        </dependency>

        <!-- Spring Boot Web 起步依赖，用于构建 Web 应用，支持 RESTful 服务和 MVC 架构 -->
        <dependency>
            <groupId>org.springframework.boot</groupId>
            <artifactId>spring-boot-starter-web</artifactId>
        </dependency>

        <!-- Spring Boot Test 起步依赖，用于编写和运行单元测试及集成测试 -->
        <dependency>
            <groupId>org.springframework.boot</groupId>
            <artifactId>spring-boot-starter-test</artifactId>
            <scope>test</scope>
        </dependency>

        <!-- 日志框架 Logback 的经典实现，用于记录应用程序运行时的日志信息 -->
        <dependency>
            <groupId>ch.qos.logback</groupId>
            <artifactId>logback-classic</artifactId>
        </dependency>

        <!-- LangChain4j 的 OpenAI Spring Boot 起步依赖，简化与 OpenAI 模型的集成 -->
        <dependency>
            <groupId>dev.langchain4j</groupId>
            <artifactId>langchain4j-open-ai-spring-boot-starter</artifactId>
            <version>1.0.0-beta3</version>
        </dependency>

        <!-- LangChain4j 核心 Spring Boot 起步依赖，提供 AI 服务的基础支持 -->
        <dependency>
            <groupId>dev.langchain4j</groupId>
            <artifactId>langchain4j-spring-boot-starter</artifactId>
            <version>1.0.0-beta3</version>
        </dependency>

        <!-- Spring Boot WebFlux 起步依赖，用于构建响应式 Web 应用，支持流式数据处理 -->
        <dependency>
            <groupId>org.springframework.boot</groupId>
            <artifactId>spring-boot-starter-webflux</artifactId>
        </dependency>

        <!-- LangChain4j Reactor 模块，用于在响应式编程中集成 AI 功能 -->
        <dependency>
            <groupId>dev.langchain4j</groupId>
            <artifactId>langchain4j-reactor</artifactId>
            <version>1.2.0-beta8</version>
        </dependency>

        <!-- LangChain4j Easy RAG 模块，简化检索增强生成（RAG）流程的实现 -->
        <dependency>
            <groupId>dev.langchain4j</groupId>
            <artifactId>langchain4j-easy-rag</artifactId>
            <version>1.0.0-beta3</version>
        </dependency>

        <!-- LangChain4j 对 Milvus 向量数据库的支持模块 -->
        <dependency>
            <groupId>dev.langchain4j</groupId>
            <artifactId>langchain4j-milvus</artifactId>
            <version>1.0.0-beta3</version>
        </dependency>

        <!-- Milvus Java SDK，用于与 Milvus 向量数据库进行交互 -->
        <dependency>
            <groupId>io.milvus</groupId>
            <artifactId>milvus-sdk-java</artifactId>
            <version>2.6.0</version>
        </dependency>

        <!-- LangChain4j 提供的嵌入模型实现，基于 all-MiniLM-L6-v2 模型 -->
        <dependency>
            <groupId>dev.langchain4j</groupId>
            <artifactId>langchain4j-embeddings-all-minilm-l6-v2</artifactId>
            <version>1.2.0-beta8</version>
        </dependency>

        <!-- Testcontainers 的 Milvus 模块，用于在测试环境中启动 Milvus 容器 -->
        <dependency>
            <groupId>org.testcontainers</groupId>
            <artifactId>milvus</artifactId>
            <version>1.19.6</version>
        </dependency>

        <!-- LangChain4j 嵌入功能核心模块，提供嵌入模型的通用接口和实现 -->
        <dependency>
            <groupId>dev.langchain4j</groupId>
            <artifactId>langchain4j-embeddings</artifactId>
            <version>1.2.0-beta8</version>
        </dependency>

        <!-- LangChain4j Milvus Spring Boot 起步依赖，简化 Milvus 在 Spring Boot 中的集成 -->
        <dependency>
            <groupId>dev.langchain4j</groupId>
            <artifactId>langchain4j-milvus-spring-boot-starter</artifactId>
            <version>1.0.0-beta3</version>
        </dependency>

步骤3：配置阿里百炼模型

在AiConfig.java中配置OpenAiChatModel（兼容阿里百炼接口）：

不同供应商集成了不同依赖，这里使用openai的可以兼容阿里百炼，你也可以使用其它兼容的模型，兼容模型列表参考：所有支持的语言模型比较表 | LangChain4j 中文文档

@Configuration
public class AiConfig {

    @Bean
    OpenAiChatModel openAiChatModel() {
        return OpenAiChatModel.builder()
                .apiKey("你的阿里云API密钥") 
                .modelName("qwen-plus") //模型名称
                .logRequests(true) //请求日志打印（debug级）
                .logResponses(true) // 返回日志打印
                .maxRetries(3) // 最大重试次数
                .baseUrl("https://dashscope.aliyuncs.com/compatible-mode/v1") //url
                .build();
    }
    // 其他配置...
}

注意：在生产环境中，建议将API密钥存储在配置文件或环境变量中，不要硬编码。

步骤4：配置Milvus向量存储

在AiConfig.java中添加Milvus配置：

在第一次嵌入向量时，如果数据库不存在会自动根据你的数据库名创建一个，而此数据库的向量维度为你定义的维度。

数据经嵌入模型向量化后的维度应与数据库维度相等，否则报错。嵌入模型向量维度可配置修改。

我使用langchain4j内置嵌入模型，默认为384.因此我定义store时写入384

@Bean
MilvusEmbeddingStore embeddingStore() {
    return MilvusEmbeddingStore.builder()
            .host("localhost") // 主机
            .port(19530) //端口
            .collectionName("my_database_0") //数据库名
            .dimension(384)  // 向量维度
            .indexType(IndexType.FLAT)
            .metricType(MetricType.COSINE)
            .consistencyLevel(ConsistencyLevelEnum.EVENTUALLY)
            .autoFlushOnInsert(true)
            .build();
}

步骤5：实现RAG检索功能

配置内容检索器，实现基于文档的RAG检索：

首先我们需要加载我们想要读取的文件或文件夹，

然后需要创建分词器和嵌入模型，我使用框架内部的分词器和模型，你也可以自己定义配置。

ContentRetriever 是一个接口，具体实现取决于你自己使用什么检索器，我这里使用miluvs。

构造时选填许多参数，我这里填了重要的minScore，意思是向量余弦相似度达到多少分以上匹配。以及返回最大ji

@Bean
ContentRetriever contentRetriever(MilvusEmbeddingStore embeddingStore) {
    // 创建嵌入模型
    EmbeddingModel embeddingModel = new AllMiniLmL6V2EmbeddingModel();

    // 创建文档分割器
    DocumentSplitter documentSplitter = new DocumentByParagraphSplitter(1000, 0);

    // 创建嵌入存储注入器
    EmbeddingStoreIngestor ingestor = EmbeddingStoreIngestor.builder()
            .documentSplitter(documentSplitter)
            .embeddingModel(embeddingModel)
            .embeddingStore(embeddingStore)
            .build();

    // 加载文档
    List<Document> documents = FileSystemDocumentLoader.loadDocuments("src/main/resources/templates");
    ingestor.ingest(documents);

    // 创建内容检索器
    return EmbeddingStoreContentRetriever.builder()
            .embeddingStore(embeddingStore)
            .embeddingModel(embeddingModel)
            .minScore(0.7)
            .maxResults(5)
            .build();
}

步骤6：实现会话管理

配置聊天记忆提供者，实现会话隔离：

为了实现多会话隔离，我们需要为不同用户或请求分配独立的对话上下文。LangChain4j 提供了 ChatMemoryProvider 接口，我们可以自定义实现它，并通过 memoryId 区分用户。这个id呢一般我们使用SessionId。

这里我们采用 MessageWindowChatMemory 作为记忆机制，该方式维护一个固定长度的消息窗口（如最近 10 条消息），适合大多数对话式任务。

@Bean
ChatMemoryProvider chatMemoryProvider() {
    return new ChatMemoryProvider() {
        @Override
        public ChatMemory get(Object memoryId) {
            return MessageWindowChatMemory.builder()
                    .maxMessages(10) //最大消息数
                    .id(memoryId) // id
                    .build();
        }
    };
}

步骤7：定义AI服务接口

创建Assistant接口，定义聊天服务：

写一个接口，打上@AiService注解并做一些配置就行了，框架内部为我们的接口做了代理，不需要我们关心底层实现，更高级的自定义自由化编码参考官方文档：LangChain4j 中文文档 | LangChain4j 中文文档

wiringMode ：这个属性一般两种，一种是自动装配，我们这里选择手动配置

chatModel ：这是大语言模型的bean名，可以在config配置，或者导入依赖自动装配

chatMemoryProvider ：会话记忆提供者，类似工厂，如果是存在的会话记忆直接拿来用，如果新的会话直接创建，根据id识别。我们在config类以及对其做了配置

contentRetriever ：检索器bean，用于文本检索

@AiService(
        wiringMode = AiServiceWiringMode.EXPLICIT, //配置模式：手动（自动）
        chatModel = "openAiChatModel", // 大语言模型
        chatMemoryProvider = "chatMemoryProvider", // 上下文对话
        contentRetriever = "contentRetriever" // 检索器
)
public interface Assistant {

    @SystemMessage("你是一个文档分析助手小红")
    Flux<String> chat(@MemoryId String memoryId, @UserMessage String userMessage);
}

步骤8：实现控制器

创建AiController，提供RESTful API：(为了方便我就没连数据库持久化)

@RestController
public class AiController {
    @Resource
    private Assistant assistant;

    private final Map<String, List<String>> sessionHistory = new ConcurrentHashMap<>();

    @GetMapping(value = "/chat", produces = MediaType.TEXT_EVENT_STREAM_VALUE)
    public Flux<String> chat(@RequestParam String userMessage, @RequestParam(required = false) String sessionId) {
        // 将会话消息添加到历史记录
        sessionHistory.computeIfAbsent(sessionId, k -> new ArrayList<>()).add("You: " + userMessage);

        // 如果sessionId为空，使用默认值
        if (sessionId == null || sessionId.isBlank())
            sessionId = "default";

        return assistant.chat(sessionId, userMessage);
    }
}

步骤9：运行和测试

  1. 确保Milvus容器正在运行
  2. 在项目的resources/templates目录下添加一些文档
  3. 启动Spring Boot应用
  4. 使用curl或浏览器测试API：
  5. 我让ai写了一个简单的index页面，支持各种文档格式检索，我上传了一个小项目设计书和我的简历，项目书里有我的姓名，我问ai我的项目相关的东西，不仅给我总结的很到位，甚至根据我的基础信息匹配了我的简历。还是挺好玩的哈哈哈哈
curl "http://localhost:8080/chat?userMessage=你好&sessionId=test1"

拓展与官方链接

总结

本教程介绍了如何使用LangChain4j和Milvus构建一个具备会话管理和RAG检索能力的AI机器人。我们实现了：

  1. Milvus向量数据库的Docker部署
  2. 阿里百炼模型的连接配置
  3. 会话管理和隔离
  4. 基于文档的RAG检索
  5. 响应式API接口

希望本教程对你有所帮助！有任何问题请在评论区留言指正！！！！

网站公告

今日签到

点亮在社区的每一天
去签到

热门文章

最新发布