从 0 到 1，海外运营新手指南：避开深坑，抓住红利

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
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。 " }