LangChain4j实战代码教程——手把手搭建完整Agent应用

用LangChain4jJava生态最主流的大模型开发框架手把手搭建一个“企业智能数据分析助手”将5个概念全部落地代码可直接复制复用新手也能快速上手。核心目标搭建一个能响应“查询销售额生成图表解释数据”的Agent串联LLMGPT-4、RAGElasticsearch向量存储、SkillsJdbcTool/ChartTool等、MCP流程规则实现完整的智能交互。一、前置准备环境依赖1. 环境要求JDK 11LangChain4j最低要求Maven 3.6依赖管理Elasticsearch 8.10向量存储用于RAG知识库MySQL 8.0存储企业销售额数据API密钥GPT-4 API密钥、通义千问Embedding API密钥用于LLM和Embedding模型调用。2. Maven依赖核心依赖直接复制到pom.xml!-- LangChain4j 核心依赖 -- dependency groupIddev.langchain4j/groupId artifactIdlangchain4j-core/artifactId version0.21.0/version /dependency !-- LLMGPT-4 依赖 -- dependency groupIddev.langchain4j/groupId artifactIdlangchain4j-openai/artifactId version0.21.0/version /dependency !-- Embedding通义千问依赖用于RAG向量生成 -- dependency groupIddev.langchain4j/groupId artifactIdlangchain4j-tongyi/artifactId version0.21.0/version /dependency !-- 向量存储Elasticsearch 依赖RAG核心 -- dependency groupIddev.langchain4j/groupId artifactIdlangchain4j-elasticsearch/artifactId version0.21.0/version /dependency !-- SkillsJDBC工具数据库查询 -- dependency groupIddev.langchain4j/groupId artifactIdlangchain4j-jdbc/artifactId version0.21.0/version /dependency !-- MySQL驱动用于JDBC连接 -- dependency groupIdcom.mysql/groupId artifactIdmysql-connector-j/artifactId version8.0.36/version /dependency !-- Spring Boot 基础依赖简化开发可选 -- dependency groupIdorg.springframework.boot/groupId artifactIdspring-boot-starter/artifactId version2.7.18/version /dependency二、分步实现逐个落地5个核心概念我们按“LLM → RAG → Skills → MCP → Agent”的顺序分步实现每一步都有完整代码注释清晰可直接复制运行。第一步实现LLM核心大脑—— 配置GPT-4LLM是Agent的“大脑”这里我们选用GPT-4负责推理、决策和结果整合同时配置超时重试和降级策略提升稳定性。importdev.langchain4j.model.openai.OpenAiChatModel; importjava.time.Duration; /** * LLM配置GPT-4 实例化对应“大脑” */ publicclassLlmConfig { // 替换为你的GPT-4 API密钥 privatestaticfinalStringGPT4_API_KEYyour-gpt4-api-key; publicstaticOpenAiChatModelgetGpt4Llm() { returnOpenAiChatModel.builder() .apiKey(GPT4_API_KEY) .modelName(gpt-4) .temperature(0.3) // 温度越低回答越精准避免编造 .timeout(Duration.ofSeconds(30)) // 超时时间30s .maxRetries(2) // 重试次数2次失败后重试 .build(); } }说明temperature设置为0.3是为了让LLM回答更精准避免幻觉超时和重试策略对应前文提到的“模型调用稳定性优化”和MCP的异常处理逻辑呼应。第二步实现RAG精准知识库—— 基于ElasticsearchRAG负责提供“数据解读”的知识库比如产品销量高的原因这里我们先准备知识库文档再通过通义千问Embedding生成向量存入Elasticsearch最后实现相似性检索。importdev.langchain4j.data.embedding.Embedding; importdev.langchain4j.data.segment.TextSegment; importdev.langchain4j.model.embedding.TongyiEmbeddingModel; importdev.langchain4j.store.embedding.EmbeddingStore; importdev.langchain4j.store.embedding.elasticsearch.ElasticsearchEmbeddingStore; importorg.elasticsearch.client.RestClient; importorg.elasticsearch.client.RestHighLevelClient; importjava.util.List; importjava.util.stream.Collectors; /** * RAG配置Elasticsearch向量存储 通义千问Embedding对应“知识库” */ publicclassRagConfig { // 替换为你的通义千问Embedding API密钥 privatestaticfinalStringTONGYI_API_KEYyour-tongyi-api-key; // Elasticsearch地址本地部署localhost:9200 privatestaticfinalStringES_HOSTlocalhost; privatestaticfinalintES_PORT9200; // 1. 初始化Embedding模型通义千问用于文本转向量 publicstaticTongyiEmbeddingModelgetTongyiEmbeddingModel() { returnnewTongyiEmbeddingModel(TONGYI_API_KEY); } // 2. 初始化Elasticsearch向量存储用于存储向量实现相似性检索 publicstaticEmbeddingStoreTextSegmentgetElasticsearchEmbeddingStore() { RestHighLevelClientesClientRestClient.builder(neworg.elasticsearch.client.RestClient.Builder.HttpHost(ES_HOST, ES_PORT, http)) .build(); returnElasticsearchEmbeddingStore.builder() .client(esClient) .indexName(enterprise-knowledge) // 知识库索引名 .embeddingDimension(768) // 通义千问Embedding向量维度固定768 .build(); } // 3. 向知识库中添加文档比如“产品销量解读手册” publicstaticvoidaddKnowledgeToRag() { // 模拟企业知识库文档实际项目中可从Word/PDF解析 ListStringknowledgeTextsList.of( 产品A是2026年2月新品上线后推出满减活动吸引大量新用户购买销量排名第一, 产品B是企业老客户复购爆款质量稳定口碑好每月销量稳居前列, 产品C适配春季需求2月正值春季热销期需求上涨销量大幅提升 ); // 文本转向量存入Elasticsearch TongyiEmbeddingModelembeddingModelgetTongyiEmbeddingModel(); EmbeddingStoreTextSegmentembeddingStoregetElasticsearchEmbeddingStore(); ListTextSegmenttextSegmentsknowledgeTexts.stream() .map(TextSegment::from) .collect(Collectors.toList()); ListEmbeddingembeddingsembeddingModel.embedAll(textSegments); embeddingStore.addEmbeddings(embeddings, textSegments); System.out.println(知识库文档已成功添加到RAG); } }说明运行addKnowledgeToRag()方法即可将模拟的“产品销量解读”文档存入Elasticsearch实际项目中可结合Apache Tika解析Word/PDF文档实现批量入库对应前文知识库项目的文档解析逻辑。第三步实现Skills专属技能包—— 3个核心技能Skills是Agent的“工具箱”这里我们实现3个核心技能JdbcTool查数据库、ChartTool生成图表、VectorStoreTool检索RAG知识库每个技能都有明确的功能描述供Agent决策使用。importdev.langchain4j.agent.tool.Tool; importdev.langchain4j.data.embedding.EmbeddingStore; importdev.langchain4j.data.segment.TextSegment; importdev.langchain4j.jdbc.JdbcTool; importdev.langchain4j.store.embedding.EmbeddingStoreTool; importjavax.sql.DataSource; importcom.zaxxer.hikari.HikariConfig; importcom.zaxxer.hikari.HikariDataSource; /** * Skills配置实现3个核心技能对应“工具箱” */ publicclassSkillsConfig { // MySQL数据库配置替换为你的数据库信息 privatestaticfinalStringMYSQL_URLjdbc:mysql://localhost:3306/enterprise_db?useSSLfalseserverTimezoneUTC; privatestaticfinalStringMYSQL_USERroot; privatestaticfinalStringMYSQL_PASSWORDyour-mysql-password; // 1. JdbcTool数据库查询技能查询销售额数据 publicstaticJdbcToolgetJdbcTool() { // 初始化MySQL数据源 HikariConfigconfignewHikariConfig(); config.setJdbcUrl(MYSQL_URL); config.setUsername(MYSQL_USER); config.setPassword(MYSQL_PASSWORD); DataSourcedataSourcenewHikariDataSource(config); // 技能描述告诉Agent这个技能能做什么、怎么用 Stringdescription用于查询企业MySQL数据库中的销售额、用户量等业务数据输入为合法的SQL语句输出为查询结果表格形式。; returnJdbcTool.builder() .dataSource(dataSource) .description(description) .build(); } // 2. VectorStoreToolRAG知识库检索技能解释数据逻辑 publicstaticEmbeddingStoreToolgetVectorStoreTool() { EmbeddingStoreTextSegmentembeddingStoreRagConfig.getElasticsearchEmbeddingStore(); // 技能描述明确检索场景 Stringdescription用于检索企业知识库中关于产品销量、销售额的解读逻辑输入为查询关键词如“产品A销量高原因”输出为相关知识库片段。; returnEmbeddingStoreTool.builder() .embeddingStore(embeddingStore) .embeddingModel(RagConfig.getTongyiEmbeddingModel()) .maxResults(3) // 最多返回3个相关片段 .description(description) .build(); } // 3. ChartTool图表生成技能生成柱状图 publicstaticChartToolgetChartTool() { // 自定义ChartToolLangChain4j无内置简单实现生成ECharts HTML代码 returnnewChartTool(); } // 自定义ChartTool实现生成柱状图HTML可直接在前端展示 publicstaticclassChartTool { Tool(description用于根据业务数据生成可视化柱状图输入为JSON格式的数据如{\产品A\:50,\产品B\:45,\产品C\:40}输出为ECharts柱状图的HTML代码。) publicStringgenerateBarChart(StringdataJson) { // 简化实现生成ECharts柱状图HTML returnhtmlheadscript src\https://cdn.bootcdn.net/ajax/libs/echarts/5.4.3/echarts.min.js\/script/head bodydiv id\chart\ style\width:600px;height:400px;\/div scriptvar myChart echarts.init(document.getElementById(chart)); var option {title:{text:销售额Top3产品},xAxis:{type:category,data:Object.keys(dataJson)},yAxis:{type:value},series:[{data:Object.values(dataJson),type:bar}]}; myChart.setOption(option);/script/body/html; } } }说明每个Skill都通过Tool注解添加描述这是Agent决策的关键——Agent会根据用户需求结合技能描述判断是否调用该技能ChartTool为自定义实现生成ECharts柱状图HTML可直接在前端展示。第四步实现MCP流程手册—— 规范Agent执行规则MCP是Agent的“工作手册”这里我们通过Prompt模板和异常处理逻辑明确Agent的执行流程、技能调用顺序和异常处理方式对应前文的MCP规则。importdev.langchain4j.agent.AgentPromptTemplate; importdev.langchain4j.agent.DefaultAgent; importdev.langchain4j.agent.tool.Tool; importdev.langchain4j.model.chat.ChatLanguageModel; importjava.util.List; /** * MCP配置规范Agent执行流程和规则对应“工作流程手册” */ publicclassMcpConfig { // 定义MCP规则通过Prompt模板明确Agent的决策和执行逻辑 publicstaticAgentPromptTemplategetAgentPromptTemplate() { StringpromptTemplate你是企业智能数据分析助手严格按照以下规则工作MCP规则\n 1. 接收用户问题后先判断是否需要调用工具\n - 若需要查询销售额、用户量等业务数据 → 调用JdbcTool输入合法SQL语句\n - 若需要生成柱状图 → 必须先调用JdbcTool获取数据再调用ChartTool输入JSON格式数据\n - 若需要解释数据逻辑如销量高原因 → 调用VectorStoreTool输入关键词检索知识库\n 2. 工具调用异常处理\n - 若工具调用失败如JdbcTool查不到数据重试1次重试失败则提示用户“当前工具调用失败请稍后再试”\n 3. 结果整合要求\n - 先输出数据结论简洁明了再输出图表HTML如需最后解释数据逻辑如需\n - 严禁编造数据和解释所有解释必须来自VectorStoreTool检索的知识库内容。\n 用户问题{{userQuestion}}\n 工具调用记录{{toolCalls}}\n 工具返回结果{{toolResponses}}\n 请输出最终回答; returnAgentPromptTemplate.from(promptTemplate); } // 整合MCP规则和技能生成Agent的基础配置 publicstaticDefaultAgent.BuildergetAgentBuilder(ChatLanguageModelllm, ListTooltools) { returnDefaultAgent.builder() .llm(llm) // 绑定LLM大脑 .tools(tools) // 绑定Skills工具箱 .promptTemplate(getAgentPromptTemplate()) // 绑定MCP规则流程手册 .maxToolCalls(5) // 最大工具调用次数避免无限调用 .retryToolCalls(true) // 工具调用失败自动重试符合MCP异常处理规则 .build() .toBuilder(); } }说明MCP规则通过Prompt模板注入Agent明确了“技能调用顺序”“异常处理”“结果整合要求”避免Agent乱调用技能同时配置了最大工具调用次数和自动重试提升系统稳定性。第五步实现Agent智能执行者—— 统筹所有组件Agent是总负责人这里我们整合LLM、RAG、Skills、MCP实例化Agent然后测试完整的用户需求验证5个概念的协同效果。importdev.langchain4j.agent.DefaultAgent; importdev.langchain4j.agent.tool.Tool; importdev.langchain4j.model.chat.ChatLanguageModel; importjava.util.List; /** * Agent实例化统筹LLM、RAG、Skills、MCP对应“智能执行者” */ publicclassAgentApplication { publicstaticvoidmain(String[] args) { // 1. 初始化各个组件 ChatLanguageModelllmLlmConfig.getGpt4Llm(); // LLM大脑 RagConfig.addKnowledgeToRag(); // 初始化RAG知识库提前添加文档 // 2. 初始化Skills工具箱 TooljdbcToolSkillsConfig.getJdbcTool(); ToolvectorStoreToolSkillsConfig.getVectorStoreTool(); ToolchartToolSkillsConfig.getChartTool(); ListTooltoolsList.of(jdbcTool, vectorStoreTool, chartTool); // 3. 初始化Agent绑定MCP规则、LLM、Skills DefaultAgentagentMcpConfig.getAgentBuilder(llm, tools).build(); // 4. 测试用户需求和前文实战实例一致 StringuserQuestion查询2026年2月销售额Top3的产品生成柱状图并解释为什么这三个产品销量高; Stringresponseagent.execute(userQuestion); // 5. 输出结果包含数据、图表、解释 System.out.println(Agent最终回答); System.out.println(response); } }三、测试验证与核心说明1. 测试前提提前在MySQL的enterprise_db数据库中创建sales表插入2026年2月的销售额数据示例数据CREATETABLE sales ( id INT PRIMARY KEY AUTO_INCREMENT, product_name VARCHAR(50) NOTNULL, sales DECIMAL(10,2) NOTNULL, month VARCHAR(10) NOTNULL ); INSERTINTO sales (product_name, sales, month) VALUES (产品A, 50.00, 2026-02), (产品B, 45.00, 2026-02), (产品C, 40.00, 2026-02), (产品D, 30.00, 2026-02);启动Elasticsearch确保能正常连接替换代码中的API密钥、数据库信息、Elasticsearch地址确保配置正确。2. 预期结果运行AgentApplication的main方法Agent会按以下流程执行完美贴合前文5个概念的协同逻辑Agent接收用户需求根据MCP规则调用JdbcTool执行SQL查询2026年2月销售额Top3产品JdbcTool返回数据产品A50万、产品B45万、产品C40万Agent根据MCP规则调用ChartTool传入JSON格式数据生成柱状图HTMLAgent调用VectorStoreTool检索关键词“2026年2月销售额Top3产品 销量高原因”获取知识库片段Agent将数据、图表HTML、知识库片段传给LLMLLM整合结果生成最终回答控制台输出包含“数据结论柱状图HTML销量原因解释”的完整回答。3. 核心说明关联前文概念整个代码中5个概念完全对应LLMGPT-4是大脑RAGElasticsearch通义千问Embedding是知识库SkillsJdbcTool等是工具箱MCPPrompt模板规则是流程手册Agent是统筹执行者代码可直接复用实际项目中只需修改“知识库文档”“数据库信息”“API密钥”即可快速落地企业级Agent应用异常处理、重试机制、流程规范均贴合前文提到的企业实战场景避免新手踩坑。四、总结与扩展通过这篇代码教程我们成功用LangChain4j搭建了一个完整的Agent应用将Agent、LLM、RAG、MCP、Skills 5个概念全部落地——其实大模型应用开发并不复杂核心就是“组件协同”让Agent统筹全局LLM负责思考RAG补全知识Skills动手做事MCP规范流程。扩展建议新手进阶优化RAG结合Apache Tika解析Word/PDF文档实现知识库批量入库扩展Skills新增邮件发送、Excel导出等技能适配更多企业场景优化MCP加入更精细的异常处理如数据库连接失败降级部署上线将项目打包为Docker镜像结合Spring Boot搭建前端页面实现可交互的智能助手。学AI大模型的正确顺序千万不要搞错了2026年AI风口已来各行各业的AI渗透肉眼可见超多公司要么转型做AI相关产品要么高薪挖AI技术人才机遇直接摆在眼前有往AI方向发展或者本身有后端编程基础的朋友直接冲AI大模型应用开发转岗超合适就算暂时不打算转岗了解大模型、RAG、Prompt、Agent这些热门概念能上手做简单项目也绝对是求职加分王给大家整理了超全最新的AI大模型应用开发学习清单和资料手把手帮你快速入门学习路线:✅大模型基础认知—大模型核心原理、发展历程、主流模型GPT、文心一言等特点解析✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑✅开发基础能力—Python进阶、API接口调用、大模型开发框架LangChain等实操✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经以上6大模块看似清晰好上手实则每个部分都有扎实的核心内容需要吃透我把大模型的学习全流程已经整理好了抓住AI时代风口轻松解锁职业新可能希望大家都能把握机遇实现薪资/职业跃迁这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】