┌───────────────┬──────────────────────┬──────────────────────┐
│ 维度 │ Spring AI │ LangChain4j │
├───────────────┼──────────────────────┼──────────────────────┤
│ 定位 │ Spring官方AI框架 │ LangChain的Java版 │
│ 依赖 │ 强依赖Spring生态 │ 独立,可选Spring集成 │
│ 学习曲线 │ Spring开发者平滑 │ 需要学新API │
│ 核心API风格 │ Builder/Fluent │ 声明式(接口+注解) │
│ 配置方式 │ application.yml │ Java Builder │
│ 模型切换 │ 改配置文件 │ 改Builder代码 │
│ RAG支持 │ VectorStore+Advisor │ 内置完整RAG流程 │
│ 工具调用 │ @Bean+@Description │ @Tool注解 │
│ 对话记忆 │ ChatMemory接口 │ ChatMemory接口 │
│ 流式输出 │ Flux<String> │ StreamingChatModel │
│ Agent能力 │ 基础 │ 更丰富(AiServices) │
│ 社区生态 │ Spring生态 │ LangChain生态 │
│ 企业适配 │ Spring Boot首选 │ 通用性更强 │
└───────────────┴──────────────────────┴──────────────────────┘
一句话总结:
四大核心模块:
langchain4j-core: 核心接口和抽象
langchain4j: 主要功能实现
langchain4j-spring-boot-starter: Spring Boot集成
关键抽象:
ChatLanguageModel: 同步对话
StreamingChatLanguageModel: 流式对话
EmbeddingModel: 向量化
AiServices: 声明式AI服务(最大亮点)
Tools: 工具调用
RAG: 内置RAG流程
// 定义接口(类似MyBatis的Mapper——声明式,不需要写实现类)
interface Assistant {
@SystemMessage("你是一个Java面试助手,请用中文回答")
String chat(String userMessage);
@SystemMessage("你是代码审查专家,请分析以下代码的问题")
String review(@UserMessage String code);
}
// 构建(自动生成实现类)
Assistant assistant = AiServices.builder(Assistant.class)
.chatLanguageModel(model)
.contentRetriever(contentRetriever) // RAG
.tools(weatherTool, orderTool) // 工具
.chatMemory(memory) // 记忆
.build();
// 使用(像调普通方法一样)
String answer = assistant.chat("HashMap和ConcurrentHashMap区别?");
和Spring AI的ChatClient对比:
Spring AI ChatClient:
chatClient.prompt()
.system("...")
.user("...")
.functions("tool1")
.call()
.content();
LangChain4j AiServices:
// 接口定义一次,使用时像调普通方法
assistant.chat("...");
AiServices优势:
- 声明式,不需要每次拼Prompt
- 接口定义 = 文档,团队协作更清晰
- System Message用注解定义,类型安全
ChatClient优势:
- 更灵活,每次调用可以动态改变Prompt
- 和Spring生态整合更深
- Advisor链机制更强大
// 定义工具类
class OrderTools {
@Tool("查询用户最近的订单")
List<Order> queryRecentOrders(@P("用户ID") String userId) {
return orderService.getRecentOrders(userId);
}
@Tool("取消订单")
boolean cancelOrder(@P("订单号") String orderId) {
return orderService.cancel(orderId);
}
}
// 注册到AiServices
Assistant assistant = AiServices.builder(Assistant.class)
.chatLanguageModel(model)
.tools(new OrderTools())
.build();
// 用户说"帮我取消最近的订单"
// → Agent自动调用queryRecentOrders → cancelOrder
// 1. 文档加载和分割
DocumentSplitter splitter = DocumentSplitters.recursive(300, 50);
List<TextSegment> segments = splitter.split(document);
// 2. Embedding和存储
EmbeddingStore<TextSegment> store = new MilvusEmbeddingStore(...);
store.addAll(embeddings, segments);
// 3. 检索器
ContentRetriever retriever = EmbeddingStoreContentRetriever.builder()
.embeddingStore(store)
.embeddingModel(embeddingModel)
.maxResults(5)
.minScore(0.7)
.build();
// 4. 集成到AiServices
Assistant assistant = AiServices.builder(Assistant.class)
.chatLanguageModel(model)
.contentRetriever(retriever) // 一行加RAG
.build();
// 窗口记忆(保留最近N轮)
ChatMemory memory = MessageWindowChatMemory.withMaxMessages(20);
// 集成
Assistant assistant = AiServices.builder(Assistant.class)
.chatLanguageModel(model)
.chatMemory(memory)
.build();
选Spring AI的场景(推荐Java后端):
✅ 项目已经用Spring Boot
✅ 团队熟悉Spring生态
✅ 需要Advisor链做统一拦截(RAG/缓存/日志)
✅ 需要Spring Boot Starter自动配置
✅ 企业级Java后端项目
选LangChain4j的场景:
✅ 非Spring项目(如Quarkus/Micronaut)
✅ 需要声明式API的简洁性
✅ 需要更丰富的Agent能力
✅ 团队有Python LangChain经验
✅ 快速原型验证
面试话术:
"我们主项目用Spring AI,因为和Spring Boot无缝整合,
Advisor机制统一处理RAG/记忆/日志。
同时了解LangChain4j的AiServices声明式API,
在一些独立工具脚本中会用到。
两个框架各有所长,选型要看团队技术栈和项目需求。"
面试官: "Spring AI和LangChain4j你怎么选?"
回答:
"从三个维度看:
1. 团队技术栈: 我们团队全是Spring开发者,Spring AI学习成本最低,
自动配置、Advisor机制都和Spring风格一致。
2. 工程成熟度: Spring AI 1.0已经GA,Spring官方背书,
版本迭代和质量有保障。LangChain4j社区活跃但不是Spring官方项目。
3. 扩展性: LangChain4j的AiServices声明式API更优雅,
但我们的场景用ChatClient的Fluent API足够,
而且Advisor链在工程化(RAG/缓存/审计)上更方便。
最终选了Spring AI,同时保持对LangChain4j的关注——
如果出现需要非Spring环境部署的场景,会优先考虑LangChain4j。"
1. 对比Spring AI和LangChain4j的3个核心差异
2. 用LangChain4j的AiServices写一个代码审查助手(接口定义+构建+使用)
3. 什么场景下你会选LangChain4j而不是Spring AI?举2个例子
4. 用自己的话解释AiServices的"声明式API"是什么意思,和ChatClient有什么不同
5. 面试官问"两个框架的Trade-off",准备一个30秒的回答