人工智能（Artificial Intelligence，AI）是一个令人兴奋且具有颠覆性的领域，它已经通过实现自动化、改进决策制定和从数据中获取新见解来转变企业甚至整个行业。随着 ChatGPT 等大型语言模型（Large Language Model，LLM）的兴起，AI 的性能及其推动企业价值的潜力发生了重大转变。那么，这将如何影响企业的软件开发以及云原生 Java 应用程序的构建呢？
在本文中，我们将探讨什么是 LLM 以及如何在 Java 应用程序中使用它们。我们也将在一个 Jakarta EE/MicroProfile 示例应用程序中入门实践。
什么是 LLM？
语言模型是基于概率的自然语言模型，它们能够生成一系列词语组合的概率。而大型语言模型（LLM）是指规模庞大的语言模型，通常以其参数数量巨大而被分类为“大型”。这些模型通过自监督和半监督学习技术，在海量数据上进行训练，参数量可能达到数十亿级别。训练后的模型具备生成自然语言及其他类型内容的能力，能够执行广泛的任务。
您可以观看这个介绍视频，了解 LLM 的基本概念、工作原理以及在商业中的应用场景。
目前几乎所有主流云服务提供商都在其产品中集成了 LLM。例如，IBM 通过其 watsonx 服务提供模型；Microsoft Azure 提供如 Llama 2 和 OpenAI GPT-4 等模型；Amazon Bedrock 则聚合了来自多家 AI 公司的模型服务。
我们如何在 Java 应用中充分利用 LLM？
将 AI/LLM 能力集成到应用程序中可能具有一定挑战性。开源框架 LangChain 于 2022 年推出，旨在帮助简化创建生成式 AI 应用程序的开发流程。
LangChain 提供了一系列工具和抽象层，用于提升模型生成内容的定制性、准确性和相关性。例如，开发者可以使用 LangChain 组件构建新的提示链（Prompt chain），或自定义已有的提示模板（Prompt template）。LangChain 还包括使 LLM 能够在不重新训练的情况下访问新数据集的组件，并能高效组织模型所需的大量数据，以便可以轻松访问和使用。
虽然 LangChain 主要提供 Python 和 JavaScript/TypeScript 版本，但 GitHub 上的 Java 社区开源项目如 LangChain4j 也提供了在 Java 应用中使用 LangChain 的选项。通过 LangChain4j API，开发者可以将 LLM 集成到 Java 应用中，并连接到不同的 AI 平台，如 OpenAI 和 Hugging Face。
如何在 Jakarta EE 和 MicroProfile 应用程序中使用 LangChain4j
LangChain4j 提供了一个非常有用的开源 langchain4j-examples GitHub 仓库，用于存放示例应用程序。然而，我们没有找到任何展示如何在基于 Jakarta EE 或 MicroProfile 的应用程序中体验这些 AI 技术的示例。因此，我们决定自行构建一个名为 jakartaee-microprofile-example 的示例应用，且目前已收录在 langchain4j-examples GitHub 仓库中。该示例应用展示了如何在 Open Liberty 上使用 Jakarta EE 和 MicroProfile 来集成 LangChain4j API。
试用 jakartaee-microprofile-example 示例应用
要了解如何将 LangChain4j 应用于你自己的 Jakarta EE 和 MicroProfile 应用，请亲自查看这个示例项目。
前提条件
在将应用克隆到本地之前，请先安装 JDK 17，并确保已正确设置 JAVA_HOME 环境变量。您可以选择使用 IBM Semeru Runtime 作为您的 Java 运行时。该运行时基于 Eclipse OpenJ9 等项目的深度技术投入，在多种硬件和软件平台上都具备良好的性能优势。更多关于 IBM Semeru Runtime 的信息，请参阅文章 Open Liberty 和 Semeru Runtimes，重要的云原生性能。
该应用程序使用 Hugging Face。您需要获取 Hugging Face API 密钥：
-
注册并登录 https://huggingface.co
-
前往访问令牌页面
-
创建一个具有
read权限的访问令牌
如果您尚未安装 Git，可以参考 Git 安装指南进行安装。安装完成后，运行以下命令将 langchain4j-examples GitHub 仓库克隆到本地：
git clone https://github.com/langchain4j/langchain4j-examples.git环境配置
要运行该应用，请访问 jakartaee-microprofile-example 目录：
cd langchain4j-examples/jakartaee-microprofile-example设置以下环境变量：
export JAVA_HOME=<your Java 17 home path>
export HUGGING_FACE_API_KEY=<your Hugging Face read token>启动应用程序
要启动该应用程序，请使用项目中提供的 Maven Wrapper，在 Open Liberty dev mode 下运行：
./mvnw liberty:dev当您看到以下消息时，说明应用程序已准备就绪：
************************************************************************ * Liberty is running in dev mode. * Automatic generation of features: [ Off ] * h - see the help menu for available actions, type 'h' and press Enter. * q - stop the server and quit dev mode, press Ctrl-C or type 'q' and press Enter. * * Liberty server port information: * Liberty server HTTP port: [ 9080 ] * Liberty server HTTPS port: [ 9443 ] * Liberty debug port: [ 7777 ] ************************************************************************
为确认应用是否成功启动，您可以在命令行中按下 enter/return 键运行测试。如果测试通过，您将看到类似如下的输出：
[INFO] ------------------------------------------------------- [INFO] T E S T S [INFO] ------------------------------------------------------- [INFO] Running it.dev.langchan4j.example.ChatServiceIT [INFO] ... [INFO] Tests run: 1, Failures: 0, Errors: 0, Skipped: 0, Time elapsed: 0.439 s... [INFO] ... [INFO] Running it.dev.langchan4j.example.ModelResourceIT [INFO] Tests run: 3, Failures: 0, Errors: 0, Skipped: 0, Time elapsed: 0.733 s... [INFO] [INFO] Results: [INFO] [INFO] Tests run: 4, Failures: 0, Errors: 0, Skipped: 0
访问应用程序
应用启动后，您可以通过任意浏览器访问 http://localhost:9080/ 并开始试验。
您可以输入任意文本与 AI 代理进行对话。以下是一些推荐的消息示例：
-
什么是 MicroProfile？ -
目前有哪些主要公司在推动 MicroProfile 项目的发展？ -
有任何文档吗？
应用程序的工作原理
该应用展示了如何结合使用以下技术：
创建 LangChain4j AI 服务
该应用使用 HuggingFaceChatModel 类作为构建 AI 服务的模型。
public Assistant getAssistant() {
...
HuggingFaceChatModel model = HuggingFaceChatModel.builder()
.accessToken(HUGGING_FACE_API_KEY)
.modelId(CHAT_MODEL_ID)
.timeout(ofSeconds(TIMEOUT))
.temperature(TEMPERATURE)
.maxNewTokens(MAX_NEW_TOKEN)
.waitForModel(true)
.build();
assistant = AiServices.builder(Assistant.class)
.chatLanguageModel(model)
.chatMemoryProvider(
sessionId -> MessageWindowChatMemory.withMaxMessages(MAX_MESSAGES))
.build();
...
}通过自定义的 Assistant 接口，应用程序可以通过其 chat() 方法向 LLM 发送消息。
interface Assistant {
String chat(@MemoryId String sessionId, @UserMessage String userMessage);
}
外部化配置
访问模型需要 API 密钥。出于安全考虑，密钥不会硬编码在代码中。应用通过 MicroProfile Config 特性将 API 密钥和 LangChain4j 模型属性外部化，从而支持在不同环境中运行而无需修改代码。详细信息请参考微服务的外部配置文档。
@Inject
@ConfigProperty(name = "hugging.face.api.key")
private String HUGGING_FACE_API_KEY;
@Inject
@ConfigProperty(name = "chat.model.id")
private String CHAT_MODEL_ID;
@Inject
@ConfigProperty(name = "chat.model.timeout")
private Integer TIMEOUT;
@Inject
@ConfigProperty(name = "chat.model.max.token")
private Integer MAX_NEW_TOKEN;
@Inject
@ConfigProperty(name = "chat.model.temperature")
private Double TEMPERATURE;
@Inject
@ConfigProperty(name = "chat.memory.max.messages")
private Integer MAX_MESSAGES;要微调 LangChain4j 模型或尝试其他 LLM，只需更新配置文件 langchain4j-examples/jakartaee-microprofile-example/src/main/resources/META-INF/microprofile-config.properties 中的值或通过环境变量提供它们。
hugging.face.api.key=set it by env variable chat.model.id=NousResearch/Nous-Hermes-2-Mixtral-8x7B-DPO chat.model.timeout=120 chat.model.max.token=200 chat.model.temperature=1.0 chat.memory.max.messages=20
客户端与 LLM 的通信
该应用提供了交互式 UI 客户端，供用户与 LLM 进行通信。Jakarta WebSocket 实现了客户端与 ChatService 服务之间的双向通信。每个客户端通过 HTTP 建立连接，并通过 send() 方法发送消息。
const webSocket = new WebSocket('ws://localhost:9080/chat');
...
function sendMessage() {
...
var myMessage = document.getElementById('myMessage').value;
...
webSocket.send(myMessage);
...
}服务端通过 WebSocket 的 onMessage() 方法接收用户消息，调用 ChatAgent.chat() 方法将消息转发给 LLM，并通过 sendObject() 方法将 LLM 的回复广播回客户端会话。
@OnMessage
public void onMessage(String message, Session session) {
...
try {
...
answer = agent.chat(sessionId, message);
} catch (Exception e) {
...
}
try {
session.getBasicRemote().sendObject(answer);
} catch (Exception e) {
e.printStackTrace();
}
}启用指标数据
为了确定应用程序的性能和健康状况，应用使用 MicroProfile Metrics 通过在 onMessage() 方法上添加 @Timed 注解来收集聊天处理时间。
@OnMessage
@Timed(name = "chatProcessingTime",
absolute = true,
description = "Time needed chatting to the agent.")
public void onMessage(String message, Session session) {
...访问 http://localhost:9080/metrics?scope=application 以查看指标数据。
# HELP chatProcessingTime_seconds Time needed chatting to the agent.
# TYPE chatProcessingTime_seconds summary
chatProcessingTime_seconds{mp_scope="application",quantile="0.5",} 0.0
chatProcessingTime_seconds{mp_scope="application",quantile="0.75",} 0.0
chatProcessingTime_seconds{mp_scope="application",quantile="0.95",} 0.0
chatProcessingTime_seconds{mp_scope="application",quantile="0.98",} 0.0
chatProcessingTime_seconds{mp_scope="application",quantile="0.99",} 0.0
chatProcessingTime_seconds{mp_scope="application",quantile="0.999",} 0.0
chatProcessingTime_seconds_count{mp_scope="application",} 6.0
chatProcessingTime_seconds_sum{mp_scope="application",} 31.674357666
# HELP chatProcessingTime_seconds_max Time needed chatting to the agent.
# TYPE chatProcessingTime_seconds_max gauge
chatProcessingTime_seconds_max{mp_scope="application",} 13.191547042
如果您对 LangChain4j API 的其他使用方式感兴趣，可以参考此文件中提供的 REST API 示例：src/main/java/dev/langchain4j/example/rest/ModelResource.java
下一步做什么？
访问 Open Liberty 指南，学习如何在 Open Liberty 中使用更多 Jakarta EE 和 MicroProfile API。
