🔥 基于 Java 的 LLM 开发框架，Agents-Flex rc.7 发布
Agents-Flex： 一个基于 Java 的 LLM 应用开发及编排框架。
经过近 1 年的开发和迭代，Agents-Flex 终于迎来了 RC，也就意味着 API 基本稳定，接下来的主要工作和完善文档和细节优化，进化在几个 RC 版本后，推出正式的版本。
目前，我们也基于 Agents-Flex 开发了许多有趣的应用，如下图所示：
工作流编排等：
Agents-Flex 的基本能力
- LLM 的访问能力
- Prompt、Prompt Template 定义加载的能力
- Function Calling 定义、调用和执行等能力
- 记忆的能力（Memory）
- Embedding
- Vector Store
- 文档处理
- 加载器（Loader）
- Http
- FileSystem
- 分割器（Splitter）
- 解析器（Parser）
- PoiParser
- PdfBoxParser
- 加载器（Loader）
- Chain 执行链
- SequentialChain 顺序执行链
- ParallelChain 并发（并行）执行链
- LoopChain 循环执行连
- ChainNode
简单对话
使用 OpenAi 大语言模型:
@Test
public void testChat() {
OpenAiLlmConfig config = new OpenAiLlmConfig();
config.setApiKey("sk-rts5NF6n*******");
Llm llm = new OpenAiLlm(config);
String response = llm.chat("请问你叫什么名字");
System.out.println(response);
}
使用 “通义千问” 大语言模型:
@Test
public void testChat() {
QwenLlmConfig config = new QwenLlmConfig();
config.setApiKey("sk-28a6be3236****");
config.setModel("qwen-turbo");
Llm llm = new QwenLlm(config);
String response = llm.chat("请问你叫什么名字");
System.out.println(response);
}
使用 “讯飞星火” 大语言模型:
@Test
public void testChat() {
SparkLlmConfig config = new SparkLlmConfig();
config.setAppId("****");
config.setApiKey("****");
config.setApiSecret("****");
Llm llm = new SparkLlm(config);
String response = llm.chat("请问你叫什么名字");
System.out.println(response);
}
历史对话示例
public static void main(String[] args) {
SparkLlmConfig config = new SparkLlmConfig();
config.setAppId("****");
config.setApiKey("****");
config.setApiSecret("****");
Llm llm = new SparkLlm(config);
HistoriesPrompt prompt = new HistoriesPrompt();
System.out.println("您想问什么？");
Scanner scanner = new Scanner(System.in);
String userInput = scanner.nextLine();
while (userInput != null) {
prompt.addMessage(new HumanMessage(userInput));
llm.chatStream(prompt, (context, response) -> {
System.out.println(">>>> " + response.getMessage().getContent());
});
userInput = scanner.nextLine();
}
}
Function Calling
- 第一步：通过注解定义本地方法
public class WeatherUtil {
@FunctionDef(name = "get_the_weather_info", description = "get the weather info")
public static String getWeatherInfo(
@FunctionParam(name = "city", description = "the city name") String name
) {
//在这里，我们应该通过第三方接口调用 api 信息
return name + "的天气是阴转多云。 ";
}
}
- 第二步：通过 Prompt、Functions 传入给大模型，然后得到结果
public static void main(String[] args) {
OpenAiLlmConfig config = new OpenAiLlmConfig();
config.setApiKey("sk-rts5NF6n*******");
OpenAiLlm llm = new OpenAiLlm(config);
FunctionPrompt prompt = new FunctionPrompt("今天北京的天气怎么样", WeatherUtil.class);
FunctionResultResponse response = llm.chat(prompt);
Object result = response.getFunctionResult();
System.out.println(result);
//"北京的天气是阴转多云。 "
}
Agents-Flex rc.7 更新记录：
- 新增：添加在在返回消息中增加推理内容的功能，支持 deepseek 的推理返回，感谢 @rirch
- 新增：添加 vectorexdb 内嵌版本支持，无需额外部署数据库，感谢 @javpower
- 新增：添加接入腾讯大模型语言、文生图模型与向量化接口的支持，感谢 @sunchanghuilinqing
- 新增：对接豆包 doubao-1-5-vision-pro-32k 多模态模型以及文生图的支持，感谢 @wang110wyy
- 新增：新增阿里百炼平台的文生图模型，感谢 @sunchanghuilinqing
- 新增：新增基于 VLLM 部署大模型接入，感谢 @sunchanghuilinqing
- 新增：新增 LogUtil 用于输出日志
- 优化：优化 DnjsonClient 的相关代码逻辑
- 修复：星火大模型的 uid 太长的问题，感谢 @wu-zhihao
- 修复：Ollama Llm 的 chatStream 主动关闭流时发生错误的问题
- 修复：修复默认情况下 OllamaProperties 的 endpoint 配置错误的问题
