LangChain4j与Prompt工程在Java中的实战应用

1. LangChain4j与Prompt工程实战概述在2026年的技术生态中LangChain4j已成为Java开发者对接大语言模型(LLM)的首选框架。不同于传统的直接API调用方式LangChain4j通过模块化设计将提示词工程、记忆管理、工具调用等复杂功能封装为可复用的组件。本次实战将聚焦于如何在后端服务中构建高效的Prompt工程体系特别针对Spring Boot 3.5环境进行适配。当前业界常见的痛点包括提示词模板难以维护对话上下文管理复杂流式响应处理效率低下Token消耗不可控我们将通过三个核心维度解决这些问题分层API设计底层/高层动态记忆管理可观测性增强2. 环境搭建与基础配置2.1 依赖管理配置使用LangChain4j 1.8.0版本需要JDK17及以上环境在pom.xml中需明确定义BOM管理dependencyManagement dependencies dependency groupIddev.langchain4j/groupId artifactIdlangchain4j-bom/artifactId version1.8.0/version typepom/type scopeimport/scope /dependency /dependencies /dependencyManagement针对OpenAI兼容API如DeepSeek的starter配置dependencies dependency groupIddev.langchain4j/groupId artifactIdlangchain4j-open-ai-spring-boot-starter/artifactId /dependency !-- Reactor支持 -- dependency groupIddev.langchain4j/groupId artifactIdlangchain4j-reactor/artifactId /dependency /dependencies2.2 模型连接配置application.yml中的基础配置示例langchain4j: open-ai: chat-model: base-url: https://api.deepseek.com api-key: ${OPEN_API_KEY} model-name: deepseek-reasoner max-tokens: 2000 temperature: 0.7 log-requests: true关键参数说明temperature控制生成随机性0-2max-tokens单次响应最大token数top-p核采样阈值建议0.93. 分层API设计与实现3.1 底层API实现3.1.1 阻塞式ChatModel基础配置类示例Configuration public class LangChainConfig { Bean public ChatModel chatModel() { return OpenAiChatModel.builder() .baseUrl(https://api.deepseek.com) .apiKey(System.getenv(OPEN_API_KEY)) .modelName(deepseek-reasoner) .maxRetries(3) .timeout(Duration.ofSeconds(30)) .build(); } }控制器实现要点RestController RequestMapping(/api/chat) public class ChatController { private final ChatModel chatModel; PostMapping public CompletionResult chat(RequestBody ChatRequest request) { ListChatMessage messages Arrays.asList( SystemMessage.from(你是一个专业的数学辅导老师), UserMessage.from(request.getQuestion()) ); ChatResponse response chatModel.generate(messages); return new CompletionResult( response.content(), response.tokenUsage() ); } }3.1.2 流式StreamingChatModel流式接口的特殊处理GetMapping(value /stream, produces MediaType.TEXT_EVENT_STREAM_VALUE) public FluxString streamChat(String question) { return Flux.create(sink - { streamingChatModel.generate( Arrays.asList(UserMessage.from(question)), new StreamingResponseHandler() { Override public void onNext(String token) { sink.next(token); } Override public void onComplete() { sink.complete(); } } ); }); }流式响应注意事项必须设置produces MediaType.TEXT_EVENT_STREAM_VALUE客户端需要支持Server-Sent Events(SSE)超时时间建议设置为0不超时3.2 高层API实现3.2.1 声明式AI服务定义服务接口AiService public interface MathTutor { SystemMessage(你是一个数学专家用简单易懂的方式解释概念) String explainConcept(UserMessage String concept); SystemMessage(你是一个数学解题助手) FluxString solveProblem(UserMessage String problem); }自动配置支持Configuration public class AiServiceConfig { Bean public MathTutor mathTutor(ChatModel chatModel) { return AiServices.create(MathTutor.class, chatModel); } }3.2.2 模板管理技巧推荐将提示模板外部化创建resources/prompts目录按功能分类存储模板文件math_concept_explainer.txtproblem_solver.txt通过注解引用SystemMessage(fromResource /prompts/math_concept_explainer.txt) String explainConcept(UserMessage String concept);模板变量语法你是一个{{role}}请用{{style}}的方式回答关于{{topic}}的问题。 当前用户等级{{userLevel}}4. 记忆管理系统实现4.1 记忆与历史的区别维度记忆(Memory)历史(History)存储内容提炼后的关键信息原始对话记录使用方式作为Prompt上下文用于展示/审计存储形式结构化数据原始文本典型实现TokenWindowChatMemory数据库存储4.2 记忆管理实战4.2.1 基础配置Configuration public class MemoryConfig { Bean public ChatMemoryStore memoryStore() { return new RedisChatMemoryStore(redisTemplate); } Bean public ChatMemoryProvider memoryProvider() { return id - TokenWindowChatMemory.builder() .id(id) .maxTokens(2000) .chatMemoryStore(memoryStore()) .build(); } }4.2.2 对话会话管理RestController RequestMapping(/api/session) public class SessionController { PostMapping public SessionResponse startSession() { String sessionId UUID.randomUUID().toString(); memoryProvider.get(sessionId); // 初始化记忆 return new SessionResponse(sessionId); } DeleteMapping(/{id}) public void clearSession(PathVariable String id) { memoryStore.deleteMessages(id); } }4.2.3 记忆优化策略关键信息提取memory.add( UserMessage.from(我的名字是张三), AiMessage.from(好的已记住您的名字) ); // 提取关键信息 memory.add( SystemMessage.from(用户姓名张三) );Token压缩算法TokenWindowChatMemory.builder() .tokenCompressor(new KeyInfoTokenCompressor()) .maxTokens(1500) .build();5. 可观测性增强5.1 监听器实现Component public class ChatObserver implements ChatModelListener { Override public void onRequest(ChatModelRequestContext context) { MDC.put(traceId, UUID.randomUUID().toString()); log.info(Request to {}: {}, context.model().modelName(), context.messages()); } Override public void onResponse(ChatModelResponseContext context) { log.info(Response from {} ({} tokens), context.model().modelName(), context.tokenUsage().totalTokens()); } }5.2 监控指标暴露Bean public MeterRegistryCustomizerMeterRegistry metrics() { return registry - { Counter.builder(llm.requests) .tag(model, deepseek) .register(registry); Timer.builder(llm.latency) .publishPercentiles(0.5, 0.95) .register(registry); }; }6. 性能优化策略6.1 提示词压缩技术去除冗余空格和换行使用缩写形式请 → pls问题 → q语义压缩PromptCompressor.compress(解释勾股定理, CompressLevel.AGGRESSIVE);6.2 缓存策略实现Bean public CacheManager cacheManager() { return new CaffeineCacheManager(promptCache) { Override protected CacheObject, Object createCache(String name) { return Caffeine.newBuilder() .maximumSize(1000) .expireAfterWrite(1, TimeUnit.HOURS) .build(); } }; } Cacheable(value promptCache, key #prompt.hashCode()) public String getCachedResponse(String prompt) { return chatModel.generate(prompt); }7. 安全防护方案7.1 输入过滤public String safeGenerate(String prompt) { if (PromptValidator.containsSensitive(prompt)) { throw new InvalidPromptException(); } return chatModel.generate( PromptSanitizer.sanitize(prompt) ); }7.2 输出校验Bean public OutputFilter outputFilter() { return content - { if (ContentChecker.hasHarmfulContent(content)) { return [内容已过滤]; } return content; }; }8. 实战问题排查8.1 常见错误代码错误码含义解决方案400无效的Prompt结构检查system message位置429速率限制实现漏桶算法控制请求频率503模型过载启用自动重试机制504响应超时调整timeout参数8.2 调试技巧启用详细日志logging: level: dev.langchain4j: DEBUG请求追踪chatModel OpenAiChatModel.builder() .listeners(new RequestTracer()) .build();Token分析工具TokenCounter.estimateTokens(messages);9. 架构设计建议9.1 分层设计┌───────────────────────┐ │ Controller │ └──────────┬────────────┘ │ ┌──────────▼────────────┐ │ Service Layer │ │ ┌──────────────────┐ │ │ │ Prompt Engine │ │ │ └──────────────────┘ │ │ ┌──────────────────┐ │ │ │ Memory Management │ │ │ └──────────────────┘ │ └──────────┬────────────┘ │ ┌──────────▼────────────┐ │ LangChain4j SDK │ └──────────┬────────────┘ │ ┌──────────▼────────────┐ │ LLM API │ └───────────────────────┘9.2 集群部署方案模型代理层负载均衡故障转移本地缓存Caffeine集群同步会话亲和性基于sessionId的路由10. 演进路线短期优化实现Prompt版本管理增加AB测试支持中期规划构建可视化Prompt工作室开发领域特定语言(DSL)长期愿景自适应Prompt生成全自动记忆优化在实际项目落地过程中我们发现这些关键决策点对最终效果影响显著记忆窗口大小的选择建议500-2000 tokens流式响应分块策略按句子分割优于固定长度异常恢复机制特别是长对话场景特别提醒当集成第三方模型时务必进行全面的兼容性测试。我们曾在DeepSeek模型上发现某些参数组合会导致非预期的截断行为这需要通过设置maxTokensnull来解决。