23.1 的 Spring AI 是链式 API:chatClient.prompt().user(...).call().content()——灵活,但每个调用点都要拼一遍。LangChain4j(LangChain 思想的 Java 实现,独立于 Spring 的 AI 应用框架)给出了另一种编程模型:声明式——像 MyBatis 写 Mapper 一样写个接口,实现类框架自动生成。模块组织延续 LangChain 的分层:langchain4j-core 是核心接口、langchain4j 主包是功能实现、langchain4j-spring-boot-starter 提供可选的 Spring 集成——「核心轻、集成松」的结构让它在纯 Java 甚至 Android 场景都能跑,这是 Spring AI 做不到的自由度。两个框架没有碾压关系,是两种 API 哲学:链式是「每次调用现场编排」,声明式是「能力定义一次、到处方法调用」——前者适合交互式对话这种每次参数都变的场景,后者适合批量抽取、固定流程这种「能力清单化」的场景。这一篇把另一条路走通,最后给选型判据。
核心亮点一屏看懂:
interface Assistant {
@SystemMessage("你是Java面试助手,用中文简洁回答")
String chat(@UserMessage String question); // 普通对话
@SystemMessage("从简历文本抽取结构化信息")
PersonInfo extract(@UserMessage String resume); // 结构化输出
}
Assistant assistant = AiServices.builder(Assistant.class)
.chatLanguageModel(model) // 模型
.chatMemory(memory) // 23.2的记忆
.contentRetriever(retriever) // RAG检索器
.tools(new OrderTools()) // 工具
.build();
String answer = assistant.chat("HashMap和ConcurrentHashMap区别?");
接口定义一次,构建时装配模型、记忆、RAG、工具四件套,使用处一行方法调用。与 ChatClient 对比优势明显:系统提示词进注解(编译期固定,不会在某个调用点被改坏)、接口即文档(团队协作时 AI 能力清单一目了然)、调用点零样板。声明式还有个隐藏好处:返回值类型即结构化输出——方法返回 PersonInfo,框架自动把模型输出绑定到这个类型(22.3 的三道闸内建),不用每次手写 entity 调用;参数同样是强类型的,@V 标注的变量直接映射进提示词模板。ChatClient 的优势也同样真实:每次调用动态改 Prompt、Advisor 生态更厚、与 Spring Boot 的自动装配贴合。类比很准:AiServices 像 MyBatis 的 Mapper(15.2),ChatClient 像 JdbcTemplate——声明式换来约束与整洁,链式换来灵活与控制。
接口设计还有个团队协作细节:按业务域拆 Assistant 接口——订单助手、售后助手、报表助手各自独立,而不是一个大接口塞满所有方法。原因与 22.2 的提示词纪律同源:每个接口绑定自己的 SystemMessage、工具集与记忆策略,职责混杂时提示词互相打架,输出风格都会漂。builder 各建各的成本近零,换来的是每个域的提示词、工具、记忆独立演进互不拖累。
工具调用(22.3 的 FC)在 LangChain4j 里是两个注解的事:
class OrderTools {
@Tool("查询用户最近的订单列表")
List<Order> recentOrders(@P("用户ID") String userId) {
return orderService.getRecent(userId); // 你的业务代码
}
}
@Tool 描述给模型看(22.3 讲过:描述质量决定调用准确率)、@P 描述参数——与 Spring AI 的 @Bean+@Description 殊途同归。多工具协作时 LangChain4j 自动处理调用循环:模型发起 tool_call、框架反射执行 @Tool 方法、结果回传、模型决定下一步——「查订单→查到再取消」这种两跳任务零编排代码,这与 23.5 的 Agent 循环已经是同一件事的低配版。RAG 侧对应概念是 ContentRetriever(内容检索器:查询进来先检索、把片段自动拼进提示词)——EmbeddingStoreContentRetriever 构建时指定向量库、Embedding 模型、maxResults 与 minScore,挂进 AiServices 即生效,语义与 23.2 的 SearchRequest 完全对应,学习成本近乎零(分块器 DocumentSplitters.recursive(300, 50) 也是老参数——300 字一片、50 字重叠)。再往上一层还有 RetrievalAugmentor(检索增强器:查询改写、多路检索、重排的完整管线),简单场景 ContentRetriever 够用,检索质量上不去时再升级到 Augmentor 做查询改写与 rerank。流式输出换 StreamingChatLanguageModel,返回 TokenStream 逐段消费,对接 22.4 的 SSE 链路一样顺。
选型三句话之前,先看对比表:
| 维度 | Spring AI | LangChain4j |
|---|---|---|
| 出身 | Spring 官方 | LangChain 系 Java 版 |
| 依赖 | 强绑定 Spring 生态 | 独立,可选 starter 集成 |
| API 风格 | 链式(ChatClient) | 声明式(AiServices) |
| 配置 | yaml 即换模型 | Builder 代码装配 |
| 拦截器 | Advisor 链 | Listener/自定义封装 |
| RAG | Advisor+VectorStore | ContentRetriever 内置管线 |
| 生态 | Spring Boot 亲儿子 | 更轻、功能覆盖广 |
选型三句话:Spring Boot 技术栈、要 Spring 全家桶整合、团队习惯配置中心管切换——Spring AI(23.1 的供应商解耦更顺);非 Spring 项目、要声明式的整洁、看中 LangChain 生态的丰富组件——LangChain4j;混合使用也并不少见——重交互的对话模块用 Spring AI 接 Advisor,批处理抽取任务用 AiServices 声明式一把梭。混合时的注意事项就一条:记忆与向量库层统一——两个框架的 ChatMemory 接口不同、VectorStore 适配不同,如果两边各建一套,同一个用户在两个模块里的记忆就分家了;正确做法是存储层自己实现(MySQL 加向量库直连),两边框架都适配到同一份存储上(23.2 自定义实现的又一个理由)。面试被问「为什么选这个」时,把团队技术栈匹配度放第一条,比背功能列表高明——面试官想听的是决策过程,不是参数对比。运维视角还有一条暗差异:Spring AI 走 starter 自动装配,模型切换改配置即可、配置中心一键下发;LangChain4j 的装配在代码 Builder 里,换模型要发版——在「频繁换模型对比效果」的探索期,这个差异的权重比功能表上任何一行都高。
LangChain4j 用「接口加注解」把 AI 能力做成声明式零件——系统提示词进注解、工具进 @Tool、RAG 进 ContentRetriever;它与 Spring AI 是 MyBatis 与 JdbcTemplate 的关系而非对手,选型看团队技术栈与 API 品味,两条路都通罗马。