LangChain4j实战：构建RAG医疗问答系统完整教程

为什么需要LangChain4j？

在Java生态的AI智能体开发领域，Spring AI 2.0无疑是当前最热门的选择。它功能强大，与Spring Boot深度集成，是大多数新项目的首选方案。然而，现实开发中并非所有项目都运行在Spring Boot之上——老系统的二次开发、轻量级CS项目、或者不依赖Spring框架的独立应用，都需要一个更灵活的替代方案。

LangChain4j正是为这类场景而生。LangChain4j是LangChain框架的Java移植版本，LangChain最初由Harrison Chase于2022年在Python生态中创建，迅速成为构建LLM应用的事实标准框架。LangChain4j由Dmytro Liubarskyi主导开发，目标是将LangChain的核心抽象——如Chain、Agent、Tool、Memory等概念——带入Java生态。与Spring AI 2.0不同，LangChain4j不依赖Spring容器的依赖注入和自动配置机制，而是通过Builder模式和纯Java API构建组件，这意味着它可以在Quarkus、Micronaut、甚至普通的Java SE应用中运行。Spring AI则深度绑定Spring Boot的自动配置体系，通过application.yml即可完成大部分配置，开发体验更接近传统Spring开发。同时掌握Spring AI 2.0和LangChain4j这两套方案，才能在不同项目场景中游刃有余。

本文将介绍一个基于LangChain4j的RAG（检索增强生成）医疗健康知识问答系统的完整实战项目，该项目使用Cursor AI编程辅助实现，展示了从需求分析到功能落地的全过程。

项目技术架构与选型

核心技术栈

该项目采用了前后端分离的经典架构：

• 后端：Spring Boot 4（Server Module）
• 前端：Vue 3 + Vite（Client Module）
• 数据库：MySQL 8（端口3308，默认3306）
• 向量数据库：Redis（用于存储文档向量）
• 大模型：Ollama本地部署的Qwen3-4B
• 嵌入模型：Ollama的Qwen3-Embedding-4B

有意思的是，该项目选择了Ollama本地私有部署方案，而非调用云端API。Ollama是一个开源的本地大模型运行时，由Meta的Llama模型生态催生，支持在消费级硬件上运行量化后的大语言模型。它封装了llama.cpp等底层推理引擎，提供了类似Docker的模型管理体验——通过ollama pull命令即可下载模型，ollama run即可启动推理服务。Qwen3-4B是阿里巴巴通义千问团队发布的40亿参数模型，经过量化后可在16GB内存的普通笔记本上流畅运行。

这对于医疗健康类应用尤为重要——医疗数据的隐私性要求数据不出本地。在中国，《个人信息保护法》和《数据安全法》明确要求敏感医疗数据不得未经授权传输至第三方服务器，因此本地部署不仅是技术选择，更是法律合规的必要条件。

数据库表设计

系统共设计了4张核心数据表：

1. 用户表：支持管理员和普通用户两种角色，密码采用MD5加密。需要注意的是，MD5（Message-Digest Algorithm 5）是一种128位哈希函数，由Ron Rivest于1991年设计，但早在2004年就被王小云教授的团队证明存在碰撞漏洞，目前已被认为不适合用于安全敏感场景。现代密码存储的最佳实践是使用BCrypt、SCrypt或Argon2等自适应哈希算法，它们内置了盐值（Salt）和可调节的计算成本因子，能有效抵御彩虹表攻击和暴力破解。该项目作为学习演示项目使用MD5可以接受，但在生产环境的医疗系统中，应当升级为更安全的方案。
2. 文档表：记录上传的知识库文件信息
3. 问答记录表：存储用户的提问与回答历史
4. 知识库类别表：对知识文档进行分类管理

RAG检索增强生成核心流程

该系统的核心是RAG（Retrieval-Augmented Generation）架构。RAG由Meta AI研究团队于2020年在论文《Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks》中首次提出，其核心思想是将信息检索与文本生成解耦：生成模型不再仅依赖训练时学到的参数化知识，而是在推理时动态检索外部知识库，将检索结果作为上下文注入Prompt。这种架构解决了大模型的两大痛点：一是知识截止日期问题（模型无法获知训练数据之后的信息），二是幻觉问题（模型在缺乏相关知识时倾向于编造看似合理的答案）。在医疗领域，一个错误的药物剂量建议可能危及生命，因此RAG通过提供可追溯的引用来源，让每个回答都有据可查。

其工作流程可以分为两个阶段。

知识入库：文档解析与向量化

系统支持四种主流文档格式的上传与解析：TXT、DOCX、PDF、Markdown。文档上传后，系统会自动完成以下处理：

1. 文件解析：提取文档中的文本内容
2. 文本分块：将长文本切分为适当大小的片段。文本分块（Chunking）是RAG系统中直接影响检索质量的关键环节。常见的分块策略包括：固定大小分块（按字符数或Token数切分）、递归字符分块（按段落、句子、词语逐级回退）、语义分块（基于嵌入向量的语义相似度判断分割点）。分块大小的选择需要权衡：过大的块包含更多上下文但检索精度下降，过小的块检索精度高但可能丢失语义完整性。LangChain4j内置了DocumentSplitter接口及多种实现，支持设置chunk size和overlap（重叠区域），重叠区域确保跨块边界的语义信息不会丢失。对于医疗文档，通常建议使用500-1000个Token的块大小，配合50-100个Token的重叠。
3. 向量化：通过Qwen3-Embedding-4B嵌入模型将文本片段转换为向量。向量嵌入（Embedding）是将文本映射到高维向量空间的过程，使得语义相近的文本在向量空间中距离更近。Qwen3-Embedding-4B是专门为文本嵌入任务优化的模型，与通用语言模型不同，它经过对比学习训练，能够生成更适合检索任务的向量表示。
4. 存储：将向量数据存入Redis向量数据库。Redis从7.2版本开始通过Redis Stack模块原生支持向量搜索功能（RediSearch），支持FLAT（暴力搜索）和HNSW（Hierarchical Navigable Small World，层次化可导航小世界图）两种索引算法。相比专业向量数据库如Milvus、Pinecone或Weaviate，Redis的优势在于：大多数Java项目已经在使用Redis作为缓存层，无需引入额外的基础设施组件；Redis的内存计算模型提供了极低的检索延迟；运维团队通常已具备Redis的管理经验。但其劣势也很明显：向量数据全部存储在内存中，对于大规模知识库（百万级以上文档）成本较高。对于中小规模的医疗知识库场景，Redis是一个务实的选择。

问答检索：从提问到生成回答

当用户提出问题时，系统执行以下流程：

1. 将用户问题通过嵌入模型（Qwen3-Embedding-4B）转换为向量
2. 在Redis向量数据库中进行相似度检索，获取Top-K（默认4条）最相关的文档片段。相似度检索通常使用余弦相似度（Cosine Similarity）或欧氏距离来衡量向量间的接近程度。Top-K中的K值选择需要权衡：K过小可能遗漏关键信息，K过大则引入噪声干扰生成质量，K=4是一个在信息覆盖度和噪声控制之间的常见平衡点。
3. 将用户问题与检索到的文档片段组合为Prompt
4. 将Prompt发送给Qwen3-4B大模型生成回答
5. 返回回答内容及引用来源

这种架构确保了回答基于实际的知识库内容，而非大模型的"幻觉"，对于医疗健康这类需要准确性的领域至关重要。

系统功能模块详解

管理员后台功能

管理员登录后可以访问以下功能模块：

• 数据概览：首页展示系统运行的统计数据和图表
• 用户管理：管理系统中的用户账号
• 分类管理：维护知识库的分类体系
• 知识库管理：上传文档、触发向量化处理、查看解析状态
• 问答历史：查看所有用户的问答记录

项目中预置了12个测试用的知识库文件，涵盖多种医疗健康主题，方便开发者快速上手测试。

普通用户端功能

普通用户登录后可以使用以下功能：

• 知识问答：选择知识类别后进行提问，系统基于RAG返回答案及引用来源
• 问答历史：查看个人的历史提问记录
• 个人中心：更换头像、修改昵称、修改密码等

Cursor AI辅助编程实践经验

结构化需求Prompt的设计技巧

该项目的一大亮点是全程使用Cursor AI辅助编程。Cursor是基于VS Code分叉开发的AI原生代码编辑器，由Anysphere公司开发。它集成了多种大语言模型（包括GPT-4、Claude等），提供了三种核心交互模式：Tab补全（行级/块级代码自动完成）、Chat对话（在侧边栏与AI讨论代码问题）、以及Agent模式（AI自主执行多步骤任务，包括创建文件、运行命令、修复错误）。

作者设计了一个结构化的需求Prompt，包含以下关键要素：

• 明确技术栈：指定后端框架、前端框架、数据库类型及端口
• 功能边界：要求"复杂度适中"，避免过于简单或过于复杂
• 代码规范：要求生成中文注释，包括类和方法级别
• 配置细节：指定大模型名称、嵌入模型名称、向量数据库类型
• 界面要求：明确要求"美观大方，多一些好看的样式，不能太古板"

这种详细的Prompt设计使得Cursor生成的代码质量相当高。结构化Prompt的设计质量直接决定了AI生成代码的可用性——明确的技术约束、功能边界和代码规范能显著减少后续的人工修改量。整个项目的开发流程包括：Plan沟通方案 → AI生成代码 → Agent修复Bug → 完善功能，这正是Cursor Agent模式的典型应用：AI首先理解需求并制定实施计划，然后生成代码，最后自动运行测试并修复发现的问题。一共6讲即可完成核心开发。

开发效率与代码理解

借助Cursor AI编程，该项目的开发效率显著提升。从项目搭建到功能完善，核心开发过程被压缩到了6讲的内容量。当然，理解生成代码的架构和实现细节同样重要——作者额外花了两天时间录制了14讲的项目架构与功能模块讲解，帮助学习者真正理解代码背后的设计思路。

学习建议与前置知识要求

要顺利完成这个项目，需要具备以下前置知识：

1. Java基础：扎实的Java编程能力
2. Spring Boot：熟悉Spring Boot的基本使用
3. LangChain4j基础：了解LangChain4j的核心概念和API
4. 基本的AI概念：理解向量、嵌入、RAG等基本概念

对于已经掌握Spring AI 2.0的开发者来说，LangChain4j的学习曲线并不陡峭，两者在概念层面有很多相通之处，核心差异在于框架的集成方式和API设计风格。

总结

这个基于LangChain4j的RAG医疗问答系统项目，展示了Java生态中构建AI智能体应用的完整路径。从技术选型上看，LangChain4j + Ollama本地部署的组合，为不依赖Spring Boot的Java项目提供了可行的AI能力集成方案；从开发方式上看，Cursor AI编程显著提升了项目开发效率，但理解代码架构仍然是不可跳过的环节。

对于想要入门Java AI开发的工程师来说，同时掌握Spring AI 2.0和LangChain4j两套方案，将在实际项目中拥有更大的技术选择空间。