标签：Langchain4j

长路的AI领域技术博客汇总文档

<p>汇总AI后端核心技术栈：涵盖LM Studio/Xinference大模型本地化部署、Milvus向量数据库Java实战、LangChain4j框架系统化教程（RAG、Function Calling、多模态VL），以及ReAct Agent智能体设计与医疗AI项目实战，提供理论到落地的全链路参考。</p>

MCP 框架调研与 AgentForge 接入实现

<p>本文对比 MCP 主流 Java 框架（LangChain4j、Spring AI、AgentScope）的协议实现路线，剖析 AgentForge “核心自研协议栈 + 官方 SDK 可选桥接”的选型依据，并给出 stdio/HTTP 双传输接入、ToolExecutor 映射与验证的落地实践。</p>

05、LangChain4j快速对接生图模型（百炼平台、智谱）

<p>本文详细介绍了Java开发者如何使用LangChain4j框架对接国内主流AI生图模型，包括阿里云百炼通义万相和智谱GLM的SDK集成、API调用实战及开源协议对接方案，提供完整的代码示例与免费额度使用指南。</p>

Java通用工程模块bom包管理

<p>本文详细介绍了Maven BOM（Bill of Materials）包的概念、用途和实现方案，通过Langchain4j和自定义BOM案例展示了BOM在依赖版本统一管理中的重要作用。</p>

Milvus系列之02、Spring+Milvus实现RAG检索增强

<p>本文详细介绍了企业知识库构建中的关键步骤：使用Apache Tika解析多格式文档，通过HanLP和LangChain4j实现智能文本分片，最终将分割后的文本向量化存储到Milvus向量数据库。</p>

langchain4j+ai模型 硅谷小智 智慧医疗实战项目案例

<p>本文详细讲解基于Java+LangChain4j框架构建医疗AI智能体硅谷小智的完整实现，涵盖通义千问模型接入、MongoDB记忆持久化、Function Calling预约功能、Pinecone向量数据库RAG增强及流式输出等核心技术，提供从0到1的企业级大模型应用开发实战指南。</p>

适配AI平台的HTTP插件系统设计

<p>本文详细介绍了基于LangChain4j的AI插件系统设计与实现，重点展示了如何通过HTTP接口快速构建插件工具并集成到AI大模型中。</p>

何为ReAct模式 & Plan+Act框架

<p>深度解析ReAct（Reasoning+Acting）模式与Plan+Act范式，梳理AI Agent从仅推理、仅行动到推理与行动协同的能力演进，结合Manus多智能体框架讲解Thought-Act-Observation循环如何将复杂任务端到端成功率提升4-6倍，并给出LangChain4j落地示</p>

03、LangChain4j的stream流式tool前后机制调用

<p>深入解析LangChain4j流式调用场景下的Tool工具调用机制，涵盖AiServiceStreamingResponseHandler执行逻辑、同步/异步执行模式、beforeToolExecutionHandler与toolExecutionHandler前后钩子处理流程及Handler初始化</p>

04、LangChain4j快速对接VL视觉理解模型

<p>本文详细介绍了如何使用LangChain4j框架对接阿里云qwen3-vl-plus视觉理解模型，支持图片URL和本地文件两种多模态交互方式，包含完整的Java代码示例与iflow平台免费模型调用实践。</p>