用 LangChain4j 打造带历史记忆的 AI 聊天机器人，让仓库管理更智能

摘要：基于 Spring Boot + LangChain4j 实现支持多轮对话的 AI 助手，让仓库任务查询变得像聊天一样简单。

引言

在仓库管理系统中，我们经常需要查询任务状态、运行情况等信息。传统的做法是打开后台系统，找到对应的查询页面，输入任务 ID，然后等待结果。

但如果这一切可以通过聊天完成呢？

"帮我查一下任务 ID 是 85090，运行情况"
"任务 ID 85090，运行完成没有？"

就像和同事聊天一样自然。这正是我们基于 LangChain4j 实现的 AI 聊天机器人所做的。

技术架构

核心组件

整体流程

用户请求 → Spring Controller → @AiService → LLM API (流式)
                ↑                       ↓
         ChatMemoryProvider ← InMemoryChatMemoryStore

关键实现

1. 聊天记录存储

@Slf4j
public class InMemoryChatMemoryStore implements ChatMemoryStore {
    private final Map<Object, List<ChatMessage>> store = new ConcurrentHashMap<>();

    @Override
    public List<ChatMessage> getMessages(Object memoryId) {
        return store.getOrDefault(memoryId, List.of());
    }

    @Override
    public void updateMessages(Object memoryId, List<ChatMessage> messages) {
        store.put(memoryId, messages);
    }

    @Override
    public void deleteMessages(Object memoryId) {
        store.remove(memoryId);
    }
}

设计要点：

• 使用 ConcurrentHashMap 保证线程安全
• 通过 memoryId（即 sessionId）隔离不同会话
• 应用重启后历史会丢失（生产环境可替换为 Redis/数据库）

2. AI 配置与流式模型

@Configuration
@RequiredArgsConstructor
public class AiConfig {
    final AiProperties aiProperties;

    @Bean
    public OpenAiStreamingChatModel openAiStreamingChatModel() {
        return OpenAiStreamingChatModel.builder()
            .apiKey(aiProperties.getApiKey())
            .baseUrl(aiProperties.getBaseUrl())
            .sendThinking(true)    // 发送思考内容
            .returnThinking(true)  // 接收思考内容
            .modelName(aiProperties.getModelName())
            .build();
    }

    @Bean("chatMemoryProvider")
    public ChatMemoryProvider chatMemoryProvider(InMemoryChatMemoryStore store) {
        return memoryId -> MessageWindowChatMemory.builder()
            .id(memoryId)
            .chatMemoryStore(store)
            .maxMessages(50)  // 保留最近50条消息
            .build();
    }
}

亮点：

• sendThinking / returnThinking 支持模型的推理内容往返
• MessageWindowChatMemory 控制消息窗口大小，避免上下文过长

3. AI 服务接口

@AiService(
    streamingChatModel = "openAiStreamingChatModel",
    tools = {"tasksFileReadTool"},
    chatMemoryProvider = "chatMemoryProvider"
)
public interface IChatService {
    Flux<String> chat(@MemoryId String sessionId, @UserMessage String message);
}

核心特性：

• @AiService 注解自动实现接口，无需手写实现类
• tools 参数注入自定义工具（如文件读取、数据库查询）
• 返回 Flux<String> 实现 SSE 流式输出

4. Controller 层

@RestController
@RequiredArgsConstructor
public class ChatController {
    final IChatService chatService;

    @GetMapping(value = "chat", produces = "text/plain;charset=utf-8")
    public Flux<String> chat(String sessionId, String question) {
        return chatService.chat(sessionId, question);
    }
}

实际效果

第一轮对话

用户提问：

帮我查一下任务id是85090，运行情况

AI 回复：

好的，我来查询任务ID为85090的相关信息。

任务ID 85090 运行情况报告

项目	内容
任务ID	85090
箱号	CDKJLX013566
任务类型	入库任务（type=1, smallType=3）
最终状态	✅ 已完成（status=3）

时间线：

• 10:23:18 — 任务创建
• 10:23:19 — 任务下发
• 10:24:21~24 — RGV小车（03号）在6层执行任务
• 10:24:30 — 任务状态上报为完成

结论： 任务85090是一个入库任务，将箱号CDKJLX013566从2层搬运至6层储位，整个过程耗时约1分12秒，成功完成。

第二轮对话（带历史记忆）

用户提问：

任务id85090，运行完成没有？

AI 回复：

根据查询到的日志信息，任务ID 85090 已经运行完成了 ✅

关键信息如下：

1. 任务状态 → 已完成（status=3）
2. 入库完成时间：2026-05-13 10:24:30
3. 任务删除回调成功：success=true, errorCode=0
4. 数据已迁移至历史表归档

总结： 任务85090已于 10:24:30 顺利执行完成，整个过程无异常。

注意： 第二轮对话中，AI 不需要用户再次提供任务详情，直接基于历史上下文给出了精准回答。

技术亮点总结

1. 多轮对话记忆

通过 ChatMemoryProvider + InMemoryChatMemoryStore，每个 sessionId 拥有独立的对话历史，AI 能理解上下文。

2. 流式输出体验

使用 Flux<String> 实现 SSE 流式返回，用户可以看到 AI 逐字输出的效果，体验更接近真实对话。

3. 工具扩展能力

@AiService 的 tools 参数支持注入任意 Bean，可以轻松扩展：

• 数据库查询工具
• 文件读取工具
• API 调用工具
• 自定义业务逻辑

4. 思考内容往返

sendThinking(true) + returnThinking(true) 让模型的推理过程也能在对话中传递，适合需要展示推理链的场景。

生产环境优化建议

结语

通过 LangChain4j + Spring Boot，我们用不到 100 行核心代码就实现了一个带历史记忆的 AI 聊天机器人。仓库管理人员只需要像聊天一样提问，就能获取任务状态、运行情况等信息。

代码即文档，对话即交互。 这，就是 AI 原生应用的魅力。

本文代码基于 LangChain4j 1.x + Spring Boot 3.x 实现，适用于 Java 17+ 环境。

标签： #LangChain4j #SpringBoot #AI聊天机器人 #仓库管理 #Java #大模型应用