引言

哈嘍大家好，我是小米！

最近啊，辦公室的幾個同事圍著我問：“你不是在搞 LangChain4j 嗎？我們公司要做一個小型的智能問答系統，能不能用這個把客戶的問題自動分類一下？”

我當時笑了笑，心里在想：你們問對人啦！

這篇文章，我就來跟大家聊聊我最近研究的一個小主題：LangChain4j 在文本向量化分類上的應用。別急，我保證講得通俗易懂，代碼示例安排上，連我媽（如果她想學編程）都能看懂！

故事從“搜索難題”開始

先說說我是怎么掉進 LangChain4j 這個“兔子洞”的。

那天是周四下午，我正窩在公司角落喝著平替星巴克，突然產品小姐姐跑過來：“小米，我們的客戶支持后臺太傻了，能不能加個功能，把客戶提問自動分類，比如屬于‘支付問題’、‘物流問題’、‘售后問題’的，都標好？”

我點了點頭，說了三個字：“沒問題！”（其實我心里慌得一批）

于是我開始查資料：分類問題，傳統方法如樸素貝葉斯、SVM 已經用爛了，語義太弱。然后我突然想起，前段時間不是玩過 LangChain4j 嗎？它不是支持 Embedding 和向量數據庫嗎？

靈感就這么來了：我們用 Embedding 把每條文本向量化，然后拿去匹配、分類不就行了？

LangChain4j 是個啥？

在深入前，咱們先快速介紹一下這個神器：LangChain4j。它是 Java 世界中專為接入 LLM（大語言模型）打造的一套框架。

簡單說，它的作用有三個：

• 接入 OpenAI、Claude、百度文心一言等大模型。
• 支持 RAG（檢索增強生成），和向量數據庫聯動。
• 提供鏈式調用，方便構建類似 ChatGPT 的復雜對話流程。

換句話說，它是 Java 開發者對接大模型的高速通道。

而文本向量化（embedding）功能，就是我們今天要用的核心工具之一！

文本分類的思路：Embedding + 向量匹配

我們來想一下文本分類怎么做。

傳統做法：

• 定義分類標簽，比如“支付”、“物流”、“售后”
• 把用戶問題和標簽一起丟給模型訓練分類器

BUT！訓練模型太重，太慢，太累，我們只想“輕量上云”！

于是我采用了新的思路，核心邏輯是這樣的：

1. 每個分類（比如“支付問題”、“物流問題”）寫一個“描述文本”

2. 用 LangChain4j 的 Embedding 工具把這些描述轉為向量，存進向量數據庫（比如 FAISS）

3. 客戶提問來了，把問題文本也 Embedding 一下

4. 跟向量庫里的分類向量比對，找最接近的

5. 得出分類，返回結果

是不是很聰明？而且零訓練、零調參、部署簡單！

實戰開始！一步步實現分類系統

下面，我手把手教你怎么用 LangChain4j 實現一個文本分類系統！

第一步：引入依賴

首先在你的 Java 項目中引入 LangChain4j 和 OpenAI 依賴：

圖片

記得加上 OpenAI 的 API Key 配置哦。

第二步：構建你的分類向量庫

圖片

我們把分類定義為 label+說明，并通過 embeddingStore 向量化后存進去。

第三步：處理客戶問題，分類定位

輸入客戶問題，通過 embedding 后和已有分類向量比相似度，返回最相近的 label！

第四步：我們測試一下

圖片

是不是爽到飛起？

小米的改進建議

當然啦，一個系統做到這還遠遠不夠，我還嘗試了幾個優化方向：

• 分類語料擴展：每個分類不僅只有一句話，可以擴展到多個“描述短句”，向量平均處理后效果更穩。
• 多分類返回：可以設置返回 Top-3 分類，顯示相似度，做成一個“候選建議”系統。
• 落地結合數據庫：我用 SQLite 存 Embedding + 分類標簽，做到持久化。
• 結合 Chat Completion 做進一步 Q&A 跳轉：分類完之后，跳轉給 ChatGPT 去細化對話，閉環！

一行 Embedding，打開智能應用的潘多拉盒子

說實話，自從我把這個“文本向量化分類”的 Demo 做出來，產品那邊簡直愛死了：“哇，小米你這簡直就是分類神器啊！”

而我想說的其實是：大模型+Embedding，讓我們這種普通程序員，也能用極小的代價，搭建出過去需要專業算法團隊才能完成的系統。

LangChain4j 是我見過最 Java 友好的 LLM 框架之一，如果你和我一樣愛 Java，又不想被時代落下，真的建議你試試！