langchain4j-spring-boot-integration

LangChain4j Spring Boot 統合

宣言型 AI サービス、自動構成、Spring Boot スターターを使用して、LangChain4j を Spring Boot と統合します。AI モデル Bean を構成し、チャットメモリを設定し、Spring Data を使用して RAG パイプラインを実装し、本番環境に対応した AI アプリケーションを構築します。

使用する場面

次のような場合に、このスキルを使用します。

• 既存の Spring Boot アプリケーションに LangChain4j を統合する
• Spring Boot で AI 搭載のマイクロサービスを構築する
• @Bean アノテーションで AI モデル Bean を構成する
• AI モデルとサービスの自動構成を設定する
• Spring の依存性注入を使用して宣言型 AI サービスを作成する
• Spring Data 統合を使用して RAG システムを実装する
• Spring コンテキスト管理を使用してチャットメモリを設定する
• 複数の AI プロバイダー（OpenAI、Azure、Ollama、Anthropic）を構成する
• Spring Boot で本番環境に対応した AI アプリケーションを構築する

概要

LangChain4j Spring Boot 統合は、Spring Boot スターターを通じて宣言型 AI サービスを提供し、プロパティに基づいて AI コンポーネントを自動構成できます。インターフェースベースの定義とアノテーションを使用して、Spring の依存性注入と LangChain4j の AI 機能を組み合わせます。

手順

1. 依存関係を追加する

<dependency>
    <groupId>dev.langchain4j</groupId>
    <artifactId>langchain4j-spring-boot-starter</artifactId>
    <version>1.8.0</version>
</dependency>


<dependency>
    <groupId>dev.langchain4j</groupId>
    <artifactId>langchain4j-open-ai-spring-boot-starter</artifactId>
    <version>1.8.0</version>
</dependency>

2. アプリケーションプロパティを構成する

# application.properties
langchain4j.open-ai.chat-model.api-key=${OPENAI_API_KEY}
langchain4j.open-ai.chat-model.model-name=gpt-4o-mini
langchain4j.open-ai.chat-model.temperature=0.7
langchain4j.open-ai.chat-model.timeout=PT60S
langchain4j.open-ai.chat-model.max-tokens=1000

または、YAML を使用します。

langchain4j:
  open-ai:
    chat-model:
      api-key: ${OPENAI_API_KEY}
      model-name: gpt-4o-mini
      temperature: 0.7
      timeout: 60s
      max-tokens: 1000

3. 宣言型 AI サービスを作成する

import dev.langchain4j.service.spring.AiService;

@AiService
public interface CustomerSupportAssistant {

    @SystemMessage("You are a helpful customer support agent for TechCorp.")
    String handleInquiry(String customerMessage);

    @UserMessage("Translate to {{language}}: {{text}}")
    String translate(String text, String language);
}

4. コンポーネントスキャンを有効にする

@SpringBootApplication
@ComponentScan(basePackages = {
    "com.yourcompany",
    "dev.langchain4j.service.spring"
})
public class Application {
    public static void main(String[] args) {
        SpringApplication.run(Application.class, args);
    }
}

5. AI サービスを注入して使用する

@Service
public class CustomerService {

    private final CustomerSupportAssistant assistant;

    public CustomerService(CustomerSupportAssistant assistant) {
        this.assistant = assistant;
    }

    public String processCustomerQuery(String query) {
        return assistant.handleInquiry(query);
    }
}

6. 統合を検証する

設定後、構成を検証します。

1. アプリケーションを起動し、ログで LangChain4jSpringBootAutoConfiguration の有効化を確認します
2. AI サービスの Bean が登録されていることを確認します。Spring コンテキストで CustomerSupportAssistant を探します
3. サービスをテストします。assistant.handleInquiry("test") を呼び出し、応答が返されることを確認します

構成

プロパティベースの構成： プロバイダーごとに application.properties で AI モデルを構成します。

手動 Bean 構成： 高度な構成では、Bean を手動で定義します。

@Configuration
public class AiConfig {

    @Bean
    public ChatModel chatModel(@Value("${OPENAI_API_KEY}") String apiKey) {
        return OpenAiChatModel.builder()
            .apiKey(apiKey)
            .modelName("gpt-4o-mini")
            .temperature(0.7)
            .build();
    }
}

複数プロバイダー： 複数の AI プロバイダーを構成する場合は、明示的に配線します。

@AiService(wiringMode = WiringMode.EXPLICIT)
interface MultiProviderAssistant {
    @AiServiceAnnotation
    ChatModel openAiModel;

    @AiServiceAnnotation
    ChatModel azureModel;
}

宣言型 AI サービス

基本的な AI サービス： @AiService アノテーションを付けたインターフェースを作成し、メッセージテンプレートを使用するメソッドを定義します。

ストリーミング AI サービス： Project Reactor を使用してストリーミング応答を実装します。

@AiService
public interface StreamingAssistant {
    @SystemMessage("You are a helpful assistant.")
    Flux<String> chatStream(String message);
}

チャットメモリ： Spring コンテキストで会話メモリを設定します。

@AiService
public interface ConversationalAssistant {
    @SystemMessage("You are a helpful assistant with memory.")
    String chat(@MemoryId String userId, String message);
}

RAG の実装

埋め込みストア： Spring Data を使用して RAG パイプライン向けの埋め込みストアを構成します。

@Configuration
public class RagConfig {

    @Bean
    public EmbeddingStore<TextSegment> embeddingStore() {
        return PgVectorEmbeddingStore.builder()
            .host("localhost")
            .port(5432)
            .database("vectordb")
            .table("embeddings")
            .dimension(1536)
            .build();
    }

    @Bean
    public EmbeddingModel embeddingModel() {
        return OpenAiEmbeddingModel.withApiKey(System.getenv("OPENAI_API_KEY"));
    }
}

@AiService
public interface RagAssistant {
    String answer(@UserMessage("Question: {{question}}") String question);
}

ドキュメントの取り込み： ContentInjector と DocumentSplitter を使用してドキュメントを処理します。 コンテンツの取得： EmbeddingStoreContentRetriever を構成してナレッジを拡張します。

ツール統合

Spring コンポーネントツール： ツールを Spring コンポーネントとして定義します。

@Component
public class Calculator {
    @Tool("Calculate the sum of two numbers")
    public double add(double a, double b) {
        return a + b;
    }
}

@AiService
public interface MathAssistant {
    String solve(String problem);
}

例

基本的な AI サービス

@AiService
public interface ChatAssistant {
    @SystemMessage("You are a helpful assistant.")
    String chat(String message);
}

メモリ付き AI サービス

@AiService
public interface ConversationalAssistant {
    @SystemMessage("You are a helpful assistant with memory of conversations.")
    String chat(@MemoryId String userId, String message);
}

ツール付き AI サービス

@Component
public class WeatherService {
    @Tool("Get weather for a city")
    public String getWeather(String city) {
        return "Sunny, 22°C in " + city;
    }
}

@AiService
public interface WeatherAssistant {
    String getWeatherForCity(String city);
}

RAG の構成、ストリーミングアシスタント、複数プロバイダーの設定など、その他の例については、references/examples.md を参照してください。

ベストプラクティス

• プロパティベースの構成を使用する： 値をハードコードせず、外部構成を使用します
• プロファイルを使用する： 開発、テスト、本番環境の構成を分離します
• 適切なロギングを追加する： AI サービスの呼び出しをデバッグし、パフォーマンスを監視します
• リトライ機構を実装する： バックオフ戦略を用いて一時的な障害に対処します
• トークン使用量を監視する： トークン消費量を追跡し、上限を設定します

参考資料

API の詳細や高度な構成については、以下を参照してください。

• API リファレンス - API ドキュメント一式
• 例 - 実装例の詳細
• 構成ガイド - 構成オプションの詳細な解説

制約と警告

• API キーは環境変数またはシークレット管理システムを使用して安全に保管してください
• AI モデルの応答は非決定的です。テストでは変動性を考慮してください
• AI プロバイダーにはレート制限が適用される場合があります。適切な再試行とバックオフの戦略を実装してください
• メモリープロバイダーは会話履歴を保存します。複数ユーザーのシナリオに対応するため、クリーンアップを実装してください
• トークンコストはすぐに積み上がります。使用量を監視し、トークン制限を実装してください
• ストリーミング応答では、部分的な障害に対する適切なエラー処理が必要です
• サポートされている機能について、プロバイダー固有のドキュメントを確認してください
• 複数のチャットモデルを設定する場合は、明示的な配線モードを使用してください
• 本番システムで使用する前に、AI が生成した出力を検証してください