這是我參與創(chuàng)作者計(jì)劃的第1篇文章

大家好，因?yàn)閷?duì)AI大模型很感興趣，相信很多兄弟們跟我一樣，所以最近花時(shí)間了解了一些，有一些總結(jié) 分享給大家，希望對(duì)各位有所幫助；

本文主要是目標(biāo)是 講解如何在本地 搭建一個(gè)簡(jiǎn)易的AI問(wèn)答系統(tǒng)，主要用java來(lái)實(shí)現(xiàn)，也有一些簡(jiǎn)單的python知識(shí)；網(wǎng)上很多例子都是以 ChatGPT來(lái)講解的，但因?yàn)樗鼘?duì)國(guó)內(nèi)訪問(wèn)有限制，OpeAi連接太麻煩，又要虛擬賬號(hào)注冊(cè)賬號(hào)啥的，第一步就勸退了，所以選擇了 llama和qwen替代，但是原理都是一樣的；

?

相關(guān)概念了解：

（一）大語(yǔ)言模型 LLM

大型語(yǔ)言模型（LLM，Large Language Models），是近年來(lái)自然語(yǔ)言處理（NLP）領(lǐng)域的重要進(jìn)展。這些模型由于其龐大的規(guī)模和復(fù)雜性，在處理和生成自然語(yǔ)言方面展現(xiàn)了前所未有的能力。

?

關(guān)于LLM的一些關(guān)鍵點(diǎn)：

1.定義：

?大模型通常指的是擁有大量參數(shù)的深度學(xué)習(xí)模型，這些模型可能包含數(shù)十億至數(shù)萬(wàn)億的參數(shù)。

?LLM是大模型的一個(gè)子類(lèi)，專(zhuān)門(mén)設(shè)計(jì)用于處理和理解自然語(yǔ)言，它們能夠模仿人類(lèi)語(yǔ)言的生成和理解過(guò)程。

2.架構(gòu)：

?LLM通常基于Transformer架構(gòu)，這是一種使用自注意力機(jī)制（self-attention mechanism）的序列模型，它由多個(gè)編碼器和解碼器層組成，每個(gè)層包含多頭自注意力機(jī)制和前饋神經(jīng)網(wǎng)絡(luò)。

3.訓(xùn)練：

?這些模型在大規(guī)模文本數(shù)據(jù)集上進(jìn)行訓(xùn)練，這使得它們能夠?qū)W習(xí)到語(yǔ)言的復(fù)雜結(jié)構(gòu)，包括語(yǔ)法、語(yǔ)義、上下文關(guān)系等。

?訓(xùn)練過(guò)程通常涉及大量的計(jì)算資源，包括GPU集群和海量的數(shù)據(jù)存儲(chǔ)。

4.應(yīng)用：

?LLM可以應(yīng)用于各種自然語(yǔ)言處理任務(wù)，包括但不限于文本生成、問(wèn)答、翻譯、摘要、對(duì)話系統(tǒng)等。

?它們還展示了在few-shot和zero-shot學(xué)習(xí)場(chǎng)景下的能力，即在少量或沒(méi)有額外訓(xùn)練數(shù)據(jù)的情況下，模型能夠理解和執(zhí)行新任務(wù)。

5.發(fā)展趨勢(shì)：

?學(xué)術(shù)研究和工業(yè)界都在探索LLM的邊界，包括如何更有效地訓(xùn)練這些模型，以及如何使它們?cè)诓煌I(lǐng)域和任務(wù)中更具適應(yīng)性。

?開(kāi)源和閉源模型的競(jìng)爭(zhēng)也在加劇，推動(dòng)了模型的持續(xù)創(chuàng)新和改進(jìn)。

6.學(xué)習(xí)路徑：

?對(duì)于那些希望深入了解LLM的人來(lái)說(shuō)，可以從學(xué)習(xí)基本的Transformer模型開(kāi)始，然后逐漸深入到更復(fù)雜的模型，如GPT系列、BERT、LLaMA、Alpaca等，國(guó)內(nèi)的有 qwen（通義千問(wèn)）、文心一言、訊飛星火、華為盤(pán)古、言犀大模型（ChatJd）等 。

7.社區(qū)資源：

?Hugging Face等平臺(tái)提供了大量的開(kāi)源模型和工具，可以幫助研究人員和開(kāi)發(fā)者快速上手和應(yīng)用LLM。

LLM的出現(xiàn)標(biāo)志著NLP領(lǐng)域的一個(gè)新時(shí)代，它們不僅在學(xué)術(shù)研究中產(chǎn)生了深遠(yuǎn)的影響，也在商業(yè)應(yīng)用中展現(xiàn)出了巨大的潛力。

?

（二）Embedding

在自然語(yǔ)言處理（NLP）和機(jī)器學(xué)習(xí)領(lǐng)域中，"embedding" 是一種將文本數(shù)據(jù)轉(zhuǎn)換成數(shù)值向量的技術(shù)。這種技術(shù)將單詞、短語(yǔ)、句子甚至文檔映射到多維空間中的點(diǎn)，使得這些點(diǎn)在數(shù)學(xué)上能夠表示它們?cè)谡Z(yǔ)義上的相似性或差異。

?

Embeddings 可以由預(yù)訓(xùn)練模型生成，也可以在特定任務(wù)中訓(xùn)練得到。常見(jiàn)的 embedding 方法包括：

1. Word2Vec：由 Google 提出，通過(guò)上下文預(yù)測(cè)目標(biāo)詞（CBOW）或通過(guò)目標(biāo)詞預(yù)測(cè)上下文（Skip-gram）來(lái)訓(xùn)練詞向量。

2. GloVe：全球向量（Global Vectors for Word Representation），通過(guò)統(tǒng)計(jì)詞共現(xiàn)矩陣來(lái)優(yōu)化詞向量。

3. FastText：Facebook 研究院提出的一種方法，它基于詞 n-gram 來(lái)構(gòu)建詞向量，適用于稀少詞和未見(jiàn)過(guò)的詞。

4. BERT：基于 Transformer 架構(gòu)的預(yù)訓(xùn)練模型，可以生成上下文相關(guān)的詞嵌入，即“動(dòng)態(tài)”詞嵌入。

5. ELMo：利用雙向 LSTM 語(yǔ)言模型生成的詞嵌入，同樣考慮了上下文信息。

6. Sentence Transformers：這是 BERT 的一種變體，專(zhuān)門(mén)設(shè)計(jì)用于生成句子級(jí)別的嵌入。

?

Embeddings 的主要優(yōu)點(diǎn)在于它們能夠捕捉詞匯之間的復(fù)雜關(guān)系，如同義詞、反義詞以及詞義的細(xì)微差別。此外，它們還能夠處理多義詞問(wèn)題，即一個(gè)詞在不同上下文中可能有不同的含義。

?

在實(shí)際應(yīng)用中，embeddings 被廣泛用于多種 NLP 任務(wù)，如文本分類(lèi)、情感分析、命名實(shí)體識(shí)別、機(jī)器翻譯、問(wèn)答系統(tǒng)等。通過(guò)使用 embeddings，機(jī)器學(xué)習(xí)模型能夠理解和處理自然語(yǔ)言數(shù)據(jù)，從而做出更加準(zhǔn)確和有意義的預(yù)測(cè)或決策。

?

（三）向量數(shù)據(jù)庫(kù)

向量數(shù)據(jù)庫(kù)是一種專(zhuān)門(mén)設(shè)計(jì)用于存儲(chǔ)和查詢(xún)高維向量數(shù)據(jù)的數(shù)據(jù)庫(kù)系統(tǒng)。這種類(lèi)型的數(shù)據(jù)庫(kù)在處理非結(jié)構(gòu)化數(shù)據(jù)，如圖像、文本、音頻和視頻的高效查詢(xún)和相似性搜索方面表現(xiàn)出色。與傳統(tǒng)的數(shù)據(jù)庫(kù)管理系統(tǒng)（DBMS）不同，向量數(shù)據(jù)庫(kù)優(yōu)化了對(duì)高維空間中向量的存儲(chǔ)、索引和檢索操作。

以下是向量數(shù)據(jù)庫(kù)的一些關(guān)鍵特點(diǎn)和功能：

1.高維向量存儲(chǔ)： 向量數(shù)據(jù)庫(kù)能夠高效地存儲(chǔ)和管理大量的高維向量數(shù)據(jù)，這些向量通常是由深度學(xué)習(xí)模型（如BERT、ResNet等）從原始數(shù)據(jù)中提取的特征。

2.相似性搜索： 它們提供了快速的近似最近鄰（Approximate Nearest Neighbor, ANN）搜索，能夠在高維空間中找到與查詢(xún)向量最相似的向量集合。

3.向量索引： 使用特殊的數(shù)據(jù)結(jié)構(gòu)，如樹(shù)形結(jié)構(gòu)（如KD樹(shù)）、哈希表、圖結(jié)構(gòu)或量化方法，以加速向量的檢索過(guò)程。

4.混合查詢(xún)能力： 許多向量數(shù)據(jù)庫(kù)還支持結(jié)合向量查詢(xún)和結(jié)構(gòu)化數(shù)據(jù)查詢(xún)，這意味著除了向量相似性搜索之外，還可以進(jìn)行SQL風(fēng)格的查詢(xún)來(lái)篩選結(jié)構(gòu)化屬性。

5.擴(kuò)展性和容錯(cuò)性： 高效的數(shù)據(jù)分布和復(fù)制策略，使得向量數(shù)據(jù)庫(kù)可以水平擴(kuò)展，以處理海量數(shù)據(jù)，并且具備數(shù)據(jù)冗余和故障恢復(fù)能力。

6.實(shí)時(shí)更新： 允許動(dòng)態(tài)添加和刪除向量數(shù)據(jù)，支持實(shí)時(shí)更新，這對(duì)于不斷變化的數(shù)據(jù)集尤其重要。

7.云原生設(shè)計(jì)： 許多現(xiàn)代向量數(shù)據(jù)庫(kù)采用云原生架構(gòu)，可以輕松部署在云端，利用云服務(wù)的彈性計(jì)算資源。

向量數(shù)據(jù)庫(kù)在多個(gè)領(lǐng)域得到應(yīng)用，包括推薦系統(tǒng)、圖像和視頻檢索、自然語(yǔ)言處理（NLP）以及生物信息學(xué)。一些知名的向量數(shù)據(jù)庫(kù)項(xiàng)目包括FAISS（由Facebook AI Research開(kāi)發(fā)）、Pinecone、Weaviate、Qdrant、Milvus等。

?

（四）RAG

文章題目中的 "智能問(wèn)答" 其實(shí)專(zhuān)業(yè)術(shù)語(yǔ) 叫 RAG；

在大模型（尤其是大型語(yǔ)言模型，LLMs）中，RAG 指的是“Retrieval-Augmented Generation”，即檢索增強(qiáng)生成。這是一種結(jié)合了 檢索（Retrieval）和生成（Generation）技術(shù)的人工智能方法， 主要用于增強(qiáng)語(yǔ)言模型在處理需要外部知識(shí)或?qū)崟r(shí)信息的任務(wù)時(shí)的表現(xiàn)；

?

RAG 是 "Retrieval-Augmented Generation" 的縮寫(xiě)，即檢索增強(qiáng)生成。這是一種結(jié)合了檢索（Retrieval）和生成（Generation）兩種技術(shù)的人工智能模型架構(gòu)。RAG 最初由 Facebook AI 在 2020 年提出，其核心思想是在生成式模型中加入一個(gè)檢索組件，以便在生成過(guò)程中利用外部知識(shí)庫(kù)中的相關(guān)文檔或片段。

在傳統(tǒng)的生成模型中，如基于Transformer的模型，輸出完全依賴(lài)于模型的內(nèi)部知識(shí)，這通常是在大規(guī)模語(yǔ)料庫(kù)上進(jìn)行預(yù)訓(xùn)練得到的。然而，這些模型可能無(wú)法包含所有特定領(lǐng)域或最新更新的信息，尤其是在處理專(zhuān)業(yè)性較強(qiáng)或時(shí)效性較高的問(wèn)題時(shí)。

RAG 架構(gòu)通過(guò)從外部知識(shí)源檢索相關(guān)信息來(lái)增強(qiáng)生成過(guò)程。當(dāng)模型需要生成響應(yīng)時(shí)，它會(huì)首先查詢(xún)一個(gè)文檔集合或知識(shí)圖譜，找到與輸入相關(guān)的上下文信息，然后將這些信息與原始輸入一起送入生成模型，從而產(chǎn)生更加準(zhǔn)確和豐富的內(nèi)容。

?

工作原理

1.檢索（Retrieval）：

?當(dāng)模型接收到一個(gè)輸入或查詢(xún)時(shí)，RAG 首先從外部知識(shí)庫(kù)或數(shù)據(jù)源中檢索相關(guān)信息。 這通常涉及到使用向量數(shù)據(jù)庫(kù)和近似最近鄰搜索算法來(lái)找到與輸入最相關(guān)的文檔片段或知識(shí)條目。

1.生成（Generation）：

?一旦檢索到相關(guān)的信息，這些信息會(huì)被整合到生成模型的輸入中，作為上下文或提示（prompt）。 這樣，當(dāng)模型生成輸出時(shí)，它就能利用這些額外的信息來(lái)提供更準(zhǔn)確、更詳細(xì)和更相關(guān)的響應(yīng)。

?

基本流程：

?

RAG的優(yōu)勢(shì)：

1.減少知識(shí)局限性：LLMs 通常受限于其訓(xùn)練數(shù)據(jù)，而 RAG 可以讓模型訪問(wèn)實(shí)時(shí)或最新的信息，從而克服這一限制。

2.減少幻覺(jué)：幻覺(jué)是指模型生成不存在于其訓(xùn)練數(shù)據(jù)中的不真實(shí)信息。RAG 通過(guò)提供事實(shí)依據(jù)，可以減少這種現(xiàn)象。

3.提高安全性：RAG 可以通過(guò)控制檢索的范圍和類(lèi)型，避免模型生成潛在的有害或敏感信息。

4.增強(qiáng)領(lǐng)域?qū)I(yè)性：對(duì)于特定領(lǐng)域的查詢(xún)，RAG 可以從專(zhuān)業(yè)的知識(shí)庫(kù)中檢索信息，從而使模型的回答更具專(zhuān)業(yè)性

?

RAG 可以應(yīng)用于多種場(chǎng)景，包括但不限于：

?問(wèn)答系統(tǒng)：RAG 能夠檢索到與問(wèn)題最相關(guān)的答案片段，然后基于這些片段生成最終的回答。

?對(duì)話系統(tǒng)：在對(duì)話中，RAG 可以幫助模型引用歷史對(duì)話或外部知識(shí)來(lái)生成更自然、更有信息量的回復(fù)。

?文檔摘要：RAG 能夠從大量文檔中提取關(guān)鍵信息，生成總結(jié)或概述。

?文本補(bǔ)全：在文本補(bǔ)全任務(wù)中，RAG 可以參考相關(guān)文檔來(lái)提供更準(zhǔn)確的建議。

?

RAG 架構(gòu)的一個(gè)重要組成部分是檢索組件，它通常使用向量相似度搜索技術(shù)，如倒排索引或基于神經(jīng)網(wǎng)絡(luò)的嵌入空間搜索。這使得模型能夠在大規(guī)模文檔集合中快速找到最相關(guān)的部分。

?

AI 應(yīng)用開(kāi)發(fā)框架

（一）Langchain

官網(wǎng)：https://www.langchain.com/langchain?

LangChain不是一個(gè)大數(shù)據(jù)模型，而是一款可以用于開(kāi)發(fā)類(lèi)似AutoGPT的AI應(yīng)用的開(kāi)發(fā)工具，LangChain簡(jiǎn)化了LLM應(yīng)用程序生命周期的各個(gè)階段，且提供了 開(kāi)發(fā)協(xié)議、開(kāi)發(fā)范式，并 擁有相應(yīng)的平臺(tái)和生態(tài)；

?

LangChain 是一個(gè)由 Harrison Chase 創(chuàng)立的框架，專(zhuān)注于幫助開(kāi)發(fā)者使用語(yǔ)言模型構(gòu)建端到端的應(yīng)用程序。它特別設(shè)計(jì)來(lái)簡(jiǎn)化與大型語(yǔ)言模型（LLMs）的集成，使得創(chuàng)建由這些模型支持的應(yīng)用程序變得更加容易。LangChain 提供了一系列工具、組件和接口，可以用于構(gòu)建聊天機(jī)器人、生成式問(wèn)答系統(tǒng)、摘要工具以及其他基于語(yǔ)言的AI應(yīng)用。

LangChain 的核心特性包括：

1.鏈?zhǔn)剿季S（Chains）： LangChain 引入了“鏈”（Chain）的概念，這是一系列可組合的操作，可以按順序執(zhí)行，比如從獲取輸入、處理數(shù)據(jù)到生成輸出。鏈條可以嵌套和組合，形成復(fù)雜的邏輯流。

2.代理（Agents）： 代理是更高級(jí)別的抽象，它們可以自主地決定如何使用不同的鏈條來(lái)完成任務(wù)。代理可以根據(jù)輸入動(dòng)態(tài)選擇最佳行動(dòng)方案。

3.記憶（Memory）： LangChain 支持不同類(lèi)型的內(nèi)存，允許模型保留歷史對(duì)話或操作的上下文，這對(duì)于構(gòu)建有狀態(tài)的對(duì)話系統(tǒng)至關(guān)重要。

4.加載器和拆分器（Loaders and Splitters）： 這些工具幫助讀取和處理各種格式的文檔，如PDF、網(wǎng)頁(yè)、文本文件等，為模型提供輸入數(shù)據(jù)。

5.提示工程（Prompt Engineering）： LangChain 提供了創(chuàng)建和管理提示模板的工具，幫助引導(dǎo)模型生成特定類(lèi)型的內(nèi)容。

6.Hub： LangChain Hub 是一個(gè)社區(qū)驅(qū)動(dòng)的資源庫(kù)，其中包含了許多預(yù)構(gòu)建的鏈條、代理和提示，可以作為構(gòu)建塊來(lái)加速開(kāi)發(fā)過(guò)程。

7.與外部系統(tǒng)的集成： LangChain 支持與外部數(shù)據(jù)源和API的集成，如數(shù)據(jù)庫(kù)查詢(xún)、知識(shí)圖譜、搜索引擎等，以便模型能夠訪問(wèn)更廣泛的信息。

8.監(jiān)控和調(diào)試工具： 為了更好地理解和優(yōu)化應(yīng)用程序，LangChain 提供了日志記錄和分析功能，幫助開(kāi)發(fā)者追蹤模型的行為和性能。

?

（二）LangChain4J

上面說(shuō)的 LangChain 是基于python 開(kāi)發(fā)的，而 LangChain4J 是一個(gè)旨在為 Java 開(kāi)發(fā)者提供構(gòu)建語(yǔ)言模型應(yīng)用的框架。受到 Python 社區(qū)中 LangChain 庫(kù)的啟發(fā)，LangChain4J 致力于提供相似的功能，但針對(duì) Java 生態(tài)系統(tǒng)進(jìn)行了優(yōu)化。它允許開(kāi)發(fā)者輕松地構(gòu)建、部署和維護(hù)基于大型語(yǔ)言模型的應(yīng)用程序，如聊天機(jī)器人、文本生成器和其他自然語(yǔ)言處理（NLP）任務(wù)。

主要特點(diǎn)：

1.模塊化設(shè)計(jì)：LangChain4J 提供了一系列可組合的模塊，包括語(yǔ)言模型、記憶、工具和鏈，使得開(kāi)發(fā)者可以構(gòu)建復(fù)雜的語(yǔ)言處理流水線。

2.支持多種語(yǔ)言模型：LangChain4J 支持與各種語(yǔ)言模型提供商集成，如 Hugging Face、OpenAI、Google PaLM 等，使得開(kāi)發(fā)者可以根據(jù)項(xiàng)目需求選擇最合適的模型。

3.記憶機(jī)制：它提供了記憶組件，允許模型記住先前的對(duì)話歷史，從而支持上下文感知的對(duì)話。

4.工具集成：LangChain4J 支持集成外部工具，如搜索API、數(shù)據(jù)庫(kù)查詢(xún)等，使得模型能夠訪問(wèn)實(shí)時(shí)數(shù)據(jù)或執(zhí)行特定任務(wù)。

5.鏈?zhǔn)綀?zhí)行：通過(guò)鏈?zhǔn)綀?zhí)行，可以將多個(gè)語(yǔ)言處理步驟鏈接在一起，形成復(fù)雜的處理流程，例如先分析用戶(hù)意圖，再查詢(xún)數(shù)據(jù)庫(kù)，最后生成回復(fù)。

?

主要功能：

1.LLM 適配器：允許你連接到各種語(yǔ)言模型，如 OpenAI 的 GPT-3 和 GPT-4，Anthropic 的 Claude 等。

2.Chains 構(gòu)建：提供一種機(jī)制來(lái)定義和執(zhí)行一系列操作，這些操作可以包括調(diào)用模型、數(shù)據(jù)檢索、轉(zhuǎn)換等，以完成特定的任務(wù)。

3.Agent 實(shí)現(xiàn)：支持創(chuàng)建代理（agents），它們可以自主地執(zhí)行任務(wù)，如回答問(wèn)題、完成指令等。

4.Prompt 模板：提供模板化的提示，幫助指導(dǎo)模型生成更具體和有用的回答。

5.工具和記憶：允許模型訪問(wèn)外部數(shù)據(jù)源或存儲(chǔ)之前的交互記錄，以便在會(huì)話中保持上下文。

6.模塊化和可擴(kuò)展性：使開(kāi)發(fā)者能夠擴(kuò)展框架，添加自己的組件和功能。

?

本地問(wèn)答系統(tǒng)搭建環(huán)境準(zhǔn)備

（一）用 Ollama 啟動(dòng)一個(gè)本地大模型

1.下載安裝 Ollma

2.ollama 是一個(gè)命令行工具，用于方便地在本地運(yùn)行 LLaMA 系列模型和其他類(lèi)似的 transformer 基礎(chǔ)的大型語(yǔ)言模型。該工具簡(jiǎn)化了模型的下載、配置和推理過(guò)程，使得個(gè)人用戶(hù)能夠在自己的機(jī)器上直接與這些模型交互，而不需要直接接觸復(fù)雜的模型加載和推理代碼；

3.下載地址：https://ollama.com/，下載完成后，打開(kāi) Ollma，其默認(rèn)端口為11334，瀏覽器訪問(wèn)：http://localhost:11434 ，會(huì)返回：Ollama is running，電腦右上角展示圖標(biāo)；

1.下載 大模型

2.安裝完成后，通過(guò)命令行下載大模型，命令行格式：ollma pull modelName，如：ollma pull llama3；

3.大模型一般要幾個(gè)G，需要等一會(huì)；個(gè)人建議至少下載兩個(gè)， llama3、 qwen（通義千問(wèn)），這兩個(gè)都是開(kāi)源免費(fèi)的，英文場(chǎng)景 用 llama3，中文場(chǎng)景用 qwen；

?

下載完成后，通過(guò) ollma list 可以查看 已下載的大模型；

?

1.啟動(dòng) 大模型

確認(rèn)下載完成后，用命令行 ：ollma run 模型名稱(chēng)，來(lái)啟動(dòng)大模型；啟動(dòng)后，可以立即輸入內(nèi)容與大模型進(jìn)行對(duì)話，如下：

?

（二）啟動(dòng) 本地向量數(shù)據(jù)庫(kù) chromadb

Chroma 是一款 AI 原生開(kāi)源矢量數(shù)據(jù)庫(kù)，它內(nèi)置了入門(mén)所需的一切，可在本地運(yùn)行，是一款很好的入門(mén)級(jí)向量數(shù)據(jù)庫(kù)。

1.安裝：pip install chromadb ;

2.啟動(dòng)：chroma run ：

?

用java 實(shí)現(xiàn) 本地AI問(wèn)答功能

（一）核心maven依賴(lài)：

    8
    8
    UTF-8
    0.31.0



    
    
        dev.langchain4j
        langchain4j-core
        ${langchain4j.version}
    
    
        dev.langchain4j
        langchain4j
        ${langchain4j.version}
    
    
        dev.langchain4j
        langchain4j-open-ai
        ${langchain4j.version}
    

    
        dev.langchain4j
        langchain4j-embeddings
        ${langchain4j.version}
    
    
        dev.langchain4j
        langchain4j-chroma
        ${langchain4j.version}
    

    
    
        dev.langchain4j
        langchain4j-ollama
        ${langchain4j.version}
    

    
    
        io.github.amikos-tech
        chromadb-java-client
        0.1.5
    
    

?

（二）代碼編寫(xiě)：

1. 加載本地文件作為本地知識(shí)庫(kù)：

public static void main(String[] args) throws ApiException {
    //======================= 加載文件=======================
    Document document = getDocument("笑話.txt");
    
}


private static Document getDocument(String fileName) {
        URL docUrl = LangChainMainTest.class.getClassLoader().getResource(fileName);
        if (docUrl == null) {
            log.error("未獲取到文件");
        }

        Document document = null;
        try {
            Path path = Paths.get(docUrl.toURI());
            document = FileSystemDocumentLoader.loadDocument(path);
        } catch (URISyntaxException e) {
            log.error("加載文件發(fā)生異常", e);
        }
        return document;
    }

1.拆分文件內(nèi)容：

//======================= 拆分文件內(nèi)容=======================
//參數(shù)：分段大小（一個(gè)分段中最大包含多少個(gè)token）、重疊度（段與段之前重疊的token數(shù)）、分詞器（將一段文本進(jìn)行分詞，得到token）
DocumentByLineSplitter lineSplitter = new DocumentByLineSplitter(200, 0, new OpenAiTokenizer());
List segments = lineSplitter.split(document);
log.info("segment的數(shù)量是: {}", segments.size());

//查看分段后的信息
segments.forEach(segment -> log.info("========================segment: {}", segment.text()));

?

1.文本向量化 并存儲(chǔ)到向量數(shù)據(jù)庫(kù)：

//提前定義兩個(gè)靜態(tài)變量
private static final String CHROMA_DB_DEFAULT_COLLECTION_NAME = "java-langChain-database-demo";
private static final String CHROMA_URL = "http://localhost:8000";


//======================= 文本向量化=======================
OllamaEmbeddingModel embeddingModel = OllamaEmbeddingModel.builder()
        .baseUrl("http://localhost:11434")
        .modelName("llama3")
        .build();

//======================= 向量庫(kù)存儲(chǔ)=======================
Client client = new Client(CHROMA_URL);

//創(chuàng)建向量數(shù)據(jù)庫(kù)
EmbeddingStore embeddingStore = ChromaEmbeddingStore.builder()
        .baseUrl(CHROMA_URL)
        .collectionName(CHROMA_DB_DEFAULT_COLLECTION_NAME)
        .build();

segments.forEach(segment -> {
    Embedding e = embeddingModel.embed(segment).content();
    embeddingStore.add(e, segment);
});

?

1.向量庫(kù)檢索：

//======================= 向量庫(kù)檢索=======================
String qryText = "北極熊";
Embedding queryEmbedding = embeddingModel.embed(qryText).content();

EmbeddingSearchRequest embeddingSearchRequest = EmbeddingSearchRequest.builder().queryEmbedding(queryEmbedding).maxResults(1).build();
EmbeddingSearchResult embeddedEmbeddingSearchResult = embeddingStore.search(embeddingSearchRequest);
List> embeddingMatcheList = embeddedEmbeddingSearchResult.matches();
EmbeddingMatch embeddingMatch = embeddingMatcheList.get(0);
TextSegment textSegment = embeddingMatch.embedded();
log.info("查詢(xún)結(jié)果: {}", textSegment.text());

1.與LLM交互

//======================= 與LLM交互=======================
PromptTemplate promptTemplate = PromptTemplate.from("基于如下信息用中文回答:n" +
        "{{context}}n" +
        "提問(wèn):n" +
        "{{question}}");
Map variables = new HashMap();
//以向量庫(kù)檢索到的結(jié)果作為L(zhǎng)LM的信息輸入
variables.put("context", textSegment.text());
variables.put("question", "北極熊干了什么");
Prompt prompt = promptTemplate.apply(variables);

//連接大模型
OllamaChatModel ollamaChatModel = OllamaChatModel.builder()
        .baseUrl("http://localhost:11434")
        .modelName("llama3")
        .build();

UserMessage userMessage = prompt.toUserMessage();
Response aiMessageResponse = ollamaChatModel.generate(userMessage);
AiMessage response = aiMessageResponse.content();
log.info("大模型回答: {}", response.text());

（三）功能測(cè)試：

1.代碼中用到 "笑話.txt" 是我隨便從網(wǎng)上找的一段內(nèi)容，大家可以隨便輸入點(diǎn)內(nèi)容，為了給大家展示測(cè)試結(jié)果，我貼一下我 文本內(nèi)容：

有一只北極熊和一只企鵝在一起耍,
企鵝把身上的毛一根一根地拔了下來(lái),拔完之后,對(duì)北極熊說(shuō):“好冷哦！”
北極熊聽(tīng)了，也把自己身上的毛一根一根地拔了下來(lái)，
轉(zhuǎn)頭對(duì)企鵝說(shuō)：
”果然很冷！”

1.當(dāng)我輸入問(wèn)題：“北極熊干了什么”，程序打印如下結(jié)果：

根據(jù)故事，北極熊把自己的身上的毛一根一根地拔了下來(lái)

?

結(jié)語(yǔ)

1.以上便是 完成了一個(gè)超簡(jiǎn)易的AI問(wèn)答 功能，如果想搭一個(gè)問(wèn)答系統(tǒng)，可以用Springboot搞一個(gè)Web應(yīng)用，把上面的代碼放到 業(yè)務(wù)邏輯中即可；

2.langchain 還有其他很多很強(qiáng)大的能力，prompt Fomat、output Fomat、工具調(diào)用、memory存儲(chǔ)等；

3.早點(diǎn)認(rèn)識(shí)和學(xué)習(xí)ai，不至于被它取代的時(shí)候，連對(duì)手是誰(shuí)都不知道；

?

參考資料：

1.?langchain 官網(wǎng)?

2.?langchain 入門(mén)教程?

3.?langchain4j github?

4.?langchain4j 視頻介紹?

?審核編輯 黃宇