LangChain4j Spring Boot統合

宣言的なAIサービス、オート構成、Spring Bootスターターを使用してLangChain4jをSpring Bootと統合します。AIモデルビーンを構成し、チャットメモリをセットアップし、Spring DataでRAGパイプラインを実装し、本番対応のAIアプリケーションを構築します。

使用時機

以下の場合にこのスキルを使用してください:

• 既存のSpring Bootアプリケーションへの LangChain4j統合
• Spring Bootを使用したAI搭載マイクロサービスの構築
• @Beanアノテーションを使用したAIモデルビーンの構成
• AIモデルおよびサービスのオート構成のセットアップ
• Spring依存性注入を使用した宣言的なAIサービスの作成
• Spring Data統合とのRAGシステムの実装
• Spring コンテキスト管理によるチャットメモリのセットアップ
• 複数のAIプロバイダー(OpenAI、Azure、Ollama、Anthropic)の構成
• Spring Bootを使用した本番対応AIアプリケーションの構築

概要

LangChain4j Spring Boot統合は、Spring Bootスターターを通じて宣言的なAIサービスを提供し、プロパティに基づいてAIコンポーネントの自動構成を可能にします。Spring依存性注入をLangChain4jのAI機能と組み合わせて、アノテーション付きのインターフェース定義を使用してください。

手順

1. 依存関係の追加

<!-- Core LangChain4j Spring Boot Starter -->
<dependency>
    <groupId>dev.langchain4j</groupId>
    <artifactId>langchain4j-spring-boot-starter</artifactId>
    <version>1.8.0</version>
</dependency>

<!-- OpenAI Spring Boot Starter -->
<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の構成

# 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:

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

3. 宣言的なAIサービスの作成

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の有効化

@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サービスのインジェクションと使用

@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. 統合の確認

セットアップ後、構成を確認します:

1. アプリケーションを起動し、LangChain4jSpringBootAutoConfigurationの有効化をログで確認します
2. AIサービスビーン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、レスポンス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: application.propertiesを通じて異なるプロバイダーのAIモデルを構成します。

手動ビーン構成: 高度な構成の場合、ビーン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、明示的なワイヤリングを使用します:

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

    @AiServiceAnnotation
    ChatModel azureModel;
}

宣言的なAIサービス

基本的なAIサービス: @AiServiceアノテーション付きインターフェースを作成し、メッセージテンプレート付き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レスポンスを実装します:

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

チャットメモリ: Spring コンテキストでの会話メモリのセットアップ:

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

RAG実装

埋め込みストア: Spring DataとのRAGパイプライン用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);
}

ドキュメント取得: ドキュメント処理用のContentInjectorおよびDocumentSplitterを使用します。 コンテンツ検索: 知識拡張用のEmbeddingStoreContentRetrieverを構成します。

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);
}

さらに多くの例(RAG構成、ストリーミングアシスタント、マルチプロバイダーセットアップを含む)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: ハードコード値ではなく外部構成を使用する
• プロファイルを使用: 開発、テスト、本番環境を分離した構成
• 適切なログを追加: AIサービスコールをデバッグし、パフォーマンスを監視する
• リトライメカニズムを実装: バックオフ戦略で一時的な障害を処理する
• トークン使用量を監視: トークン消費を追跡し、制限を実装する

参考資料

詳細なAPI参考資料と高度な構成については:

• API Reference - 完全なAPI ドキュメント
• Examples - 包括的な実装例
• Configuration Guide - 構成オプションの詳細解説

制約と警告

• APIキーを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存してください
• AIモデルレスポンスは非決定的です; テストは変動性を考慮する必要があります
• AIプロバイダーにはレート制限が適用される可能性があります; 適切なリトライとバックオフ戦略を実装してください
• メモリプロバイダーは会話履歴を保存します; マルチユーザーシナリオでクリーンアップを実装してください
• トークンコストは急速に累積します; 使用量を監視し、トークン制限を実装してください
• ストリーミングレスポンスは部分的な失敗に対するエラーハンドリングが必要です
• プロバイダー固有のドキュメントでサポートされている機能を確認してください
• 複数のチャットモデルが構成されている場合は、明示的なワイヤリングモードを使用してください
• AIが生成した出力を本番システムで使用する前に検証してください