您现在的位置是：首页 > 文章详情

🔥 Java 的 LLM 框架，Agents-Flex v1.1.9 发布

日期：2025-06-09点击：31收藏

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 发布了 30+ 个版本，终于迎来了 v1.0.0 正式版本。

与此同时，基于 Agents-flex 开发的对标 Dify Coze 等产品的 AIFlowy 也正式对外开源，开源地址： https://gitee.com/aiflowy/aiflowy

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
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。 " }