Hank的专栏

* MCP（Model Context Protocol，模型上下文协议）** 是 AI 智能体开发中的一项关键技术，旨在为 AI 模型与外部工具、数据和服务提供标准化的交互接口。它由 Anthropic 在 2024 年 11 月推出，并迅速获得 OpenAI、百度等科技巨头的支持～说人话，基于他这个协议可以将原来的智能体分为，调大模型写的客户端和调各种工具的工具应用，从而最大程度的复用工具能力，简化智能体的开发，我将其理解为智能体的分布式架构。网关和业务微服务的关系。MCP整体架构。

在AI技术快速发展的今天，MCP、A2A和Function Calling这三种架构设计和技术标准为我们提供了不同的视角和解决方案。它们各自具有独特的优点和应用场景，同时也存在一定的局限性。通过深入理解它们之间的关系和特点，我们可以更好地选择适合的技术方案，推动AI应用的开发和落地。未来，随着技术的不断融合和创新，AI将具备更强的协作能力和更广泛的应用范围，为我们的生活和工作带来更多的便利和价值。

本笔记记录本地安装N8N 的过程，有遇到一些小问题，在此记录首先检查服务器的Docker版本docker - v本地运行镜像拉取和运行命令检查是否运行成功从如上效果来看， 已经安装成功，接下来直接访问即可，如果是http://localhost:5678/;默认应该出现如下效果(初始的页面忘记截图，应该根据系统初始化参与信息调研，然后申请一个免费的KEY，激活后就可以看到如下界面)要其他电脑访问，需要通过IP地址+端口访问，并且需要开启HTTPS，要么就禁用HTTPS。

定义了一个接口TextUtils，用于封装文本处理功能。translate(String text, String language)：将文本翻译为目标语言。summarize(String text, int n)：将文本总结为n个要点。解析方法定义：每个方法都通过@UserMessage注解定义了用户消息模板，{{text}}和{{language}}会被替换为方法参数。这使得AI能够理解用户的意图，并生成相应的响应。系统消息。

定义了一个接口RecipeExtractor，用于封装从文本中提取并构造Recipe对象的功能。接口中包含一个方法，用于从文本中提取Recipe对象。解析方法定义：extractRecipeFrom(String text)方法用于从文本中提取Recipe对象。注解使用：@UserMessage注解定义了用户消息模板，{{it}}会被替换为方法参数（即要提取信息的文本）。这使得AI能够理解用户的意图，并生成相应的响应。定义了一个Recipe类，用于表示提取的POJO对象。

POJO提取服务通过定义一个接口PersonExtractor来封装POJO提取功能。接口中包含一个方法，用于从文本中提取并构造Person对象。解析方法定义：extractPersonFrom(String text)方法用于从文本中提取Person对象。注解使用：@UserMessage注解定义了用户消息模板，{{it}}会被替换为方法参数（即要提取信息的文本）。这使得AI能够理解用户的意图，并生成相应的响应。定义了一个Person类，用于表示提取的POJO对象。

动态生成服务实现的基础是接口和注解的定义。开发者首先定义一个接口，接口中的每个方法都通过注解来描述其功能和行为。接口：定义了服务的契约，即可以被调用的方法。注解：提供了方法的具体行为描述，例如用户消息模板（@UserMessage）或系统消息（@SystemMessage）。动态生成服务实现是LangChain4j框架的核心功能，它通过接口和注解定义服务契约，动态创建代理对象来实现接口方法。这种机制使得开发者无需手动实现具体逻辑，而是由框架根据注解信息动态生成实现。

LangChain借助大模型从自然语言中提取日期和时间，日期和时间提取服务通过定义一个接口DateTimeExtractor来封装日期和时间提取功能。extractDateFrom(String text)：从文本中提取日期（LocalDate）。extractTimeFrom(String text)：从文本中提取时间（LocalTime）。extractDateTimeFrom(String text)：从文本中提取日期和时间（LocalDateTime）。解析方法定义。

LangChain结构化输出，关键内容提取；数字提取服务通过定义一个接口NumberExtractor来封装数字提取功能。extractInt(String text)：从文本中提取整数（int）。extractLong(String text)：从文本中提取长整数（long）。extractBigInteger(String text)：从文本中提取大整数（BigInteger）。extractFloat(String text)：从文本中提取浮点数（float）。

LangChain结构化输出，情感分析服务通过定义一个接口SentimentAnalyzer来封装情感分析功能。：分析文本的情感倾向，并返回一个Sentiment枚举值（POSITIVE、NEUTRAL、NEGATIVE）。：判断文本是否具有正面情感，并返回一个布尔值。")情感分析服务（SentimentAnalyzer）通过定义接口、使用注解和动态生成服务实现，展示了LangChain4j框架的强大功能。这种实现方式不仅简化了开发流程，还提高了代码的可维护性和可扩展性。

文章详细介绍了LangChain4j中如何使用结构化输出（Structured Outputs）。文章还详细介绍了如何在低级ChatLanguageModel API和高级AI服务API中使用JSON Schema，以及如何通过@Description注解提供更详细的指令。此外，还列举了使用JSON Schema时的限制和注意事项。这种结构化输出功能使得LLM生成的输出可以更方便地被应用程序解析和使用。

高级 RAG（Advanced RAG）通过多个模块化组件（如查询转换器、查询路由器、内容检索器、内容聚合器和内容注入器）来增强检索功能。这种实现方式提供了高度的灵活性和定制化能力，适用于需要复杂检索逻辑的场景。通过合理配置这些组件，开发者可以构建高效、智能的问答系统。

Naive RAG 是一种简单但有效的 RAG 实现，适用于需要快速启用 RAG 功能的场景。通过配置 EmbeddingStoreContentRetriever 和 AiServices，可以轻松地将文档内容检索功能集成到 AI 服务中。这种方法虽然简单，但在许多场景下已经足够有效，尤其是在需要快速原型开发和概念验证时。

功能：对文档进行总结，并将总结存储在元数据中。目的提高效率：通过总结，语言模型可以更快地理解文档的核心内容。改善搜索：总结可以被包含在每个 TextSegment 中，从而提高搜索的准确性。示例由于没有一种通用的解决方案，LangChain4j 建议开发者根据自己的数据特点实现自己的 DocumentTransformer。建议自定义逻辑：根据你的数据格式和需求，实现特定的转换逻辑。灵活性：自定义转换器可以更好地适应你的应用场景。示例@Override// 自定义转换逻辑。

Easy RAG 是 LangChain4j 提供的一个简化版的检索增强生成（RAG）功能，旨在帮助开发者快速上手并使用 RAG 技术核心功能简化文档处理：Easy RAG 支持多种文档格式（如 txt、csv、pdf、md、doc、docx 等），并自动将文档内容转换为嵌入向量，存储在嵌入存储（向量数据库）中。提供了从文件系统加载文档的功能，支持单个文件或整个目录的加载。自动嵌入与存储：使用默认的嵌入模型（如 bge-small-en-v1.5）将文档片段转换为嵌入向量，并存储在内存向量数据库（

本章主要介绍基于 LangChain4j 中的 RAG（Retrieval-Augmented Generation，检索增强生成）概念及其实现方式。RAG 是一种通过检索相关知识来增强语言模型生成能力的技术，特别适用于需要结合特定领域知识或私有数据的场景。

这篇文章详细介绍了LangChain4j中工具（Tools）的概念和使用方法。工具允许LLM在生成文本的同时，触发外部操作（如调用API、执行代码等）。工具的基本概念：工具是LLM可以调用的外部功能，用于增强其能力（如数学计算、网络搜索等）。工具的声明和使用：通过ToolSpecification和@Tool注解，开发者可以定义工具并将其集成到LLM的交互中。工具的执行和反馈：LLM可以在响应中表达调用工具的意图，开发者需要执行工具并将结果反馈给LLM。高级抽象。

大多数基本的“代理”功能可以通过高层次的 AI Service 和 Tool APIs 构建。ChatLanguageModel（聊天语言模型）ToolSpecification（工具规范）ChatMemory（聊天记忆）本文简要介绍了 LangChain4j 中的“代理”概念，并提供了构建代理的两种方法：使用高层次的 AI Service 和 Tool APIs，或者使用低层次的 ChatLanguageModel、ToolSpecification 和 ChatMemory API。

对于ChatLanguageModel和LanguageModel接口，LangChain4j提供了对应的StreamingChatLanguageModel和StreamingLanguageModel接口。这些接口的API类似，但支持流式传输响应。它们接受一个实现了StreamingResponseHandler接口的对象作为参数。// 当生成下一个token时调用default void onComplete(Response<T> response) {} // 当LLM完成生成时调用。

这篇文章详细介绍了 LangChain4j 中的 AI Services 概念，展示了如何通过高层次的抽象来简化与大语言模型（LLM）的交互。AI Services 的核心思想是隐藏底层复杂性，让开发者专注于业务逻辑，同时支持聊天记忆、工具调用和 RAG 等高级功能。通过示例和代码片段，文章展示了如何定义和使用 AI Services，以及如何将它们组合起来构建复杂的 LLM 驱动的应用程

这篇文章详细介绍了如何在LangChain4j中配置和调整模型参数，以优化模型的输出和性能。模型参数的作用：如何通过调整参数来控制模型的输出（如创造力、确定性、生成内容的量）以及连接性（如API密钥、超时时间等）。参数设置方式：通过静态工厂或构建器模式创建模型，并为每个参数指定值。在Quarkus和Spring Boot中的配置。

本文主要介绍了LangChain4j中与语言模型和聊天模型相关的API。强调了ChatLanguageModel的重要性，并详细解释了如何通过ChatMessage管理多轮对话、支持多模态输入，以及如何利用Kotlin扩展进行异步处理。这些功能使得LangChain4j在构建聊天应用时更加灵活和强大。这是LangChain开发智能体的系列文档，欢迎连读第1章:LangChain4j的聊天与语言模型第2章:如何基于LangChain4j实现聊天记忆第3章:在LangChain中如何设置模型参数。

文章详细介绍了LangChain4j中的ChatMemory功能，包括如何管理和维护聊天消息、如何实现驱逐策略、如何进行持久化存储，以及对SystemMessage的特殊处理。ChatMemory是构建聊天应用时管理对话状态的重要工具，通过合理使用驱逐策略和持久化功能，可以优化性能、降低成本，并实现更复杂的对话逻辑。