langchain4j-aideepin
moyangzhan/langchain4j-aideepin加载项目详情…
本应用为开源项目，仅供学习研究，请遵守其开源协议。
微信扫码咨询客服
POMOAI — 让开源 AI 即刻运行
加载项目详情…
本应用为开源项目，仅供学习研究，请遵守其开源协议。
想象一下这个场景：你在一家中型企业负责产品运营，每天要在 5 个不同的 AI 工具之间来回切换——用 ChatGPT 写文案、用 Midjourney 出图、用飞书知识库查资料、用 Zapier 编排自动化流程。光是管理这些工具的 API Key、记住每个工具的入口、确保数据不泄露，就足以让人崩溃。
LangChain4j-AIDeepin 正是为解决这个痛点而生。它是一个开箱即用的 AI 应用平台，将对话、画图、知识库检索、工作流编排、语音交互、MCP 工具扩展等能力统一整合到一个平台里，让企业用户在一个界面中完成所有 AI 辅助工作，而开发者则可以基于它快速构建定制化的 AI 业务助手。
大语言模型（LLM）在 2022-2023 年的爆发让全世界看到了 AI 的潜力，但真正落到企业场景时，面临三重挑战：
第一，能力碎片化。 单一模型只能做一件事——ChatGPT 擅长对话但不会画图，DALL-E 会画图但无法联网查资料。企业需要的是"能说会画、懂业务、能干活"的复合型助手，而不是 N 个工具的拼装。
第二，部署和集成门槛高。 大多数优秀的 AI 框架（LangChain、LlamaIndex）面向开发者设计，需要写代码、搭环境、配 API。企业内部的业务人员难以直接使用。
第三，数据安全焦虑。 企业不愿意把内部文档上传到第三方 AI 服务。私有化部署几乎是必选项，但自己做又太贵太复杂。
LangChain4j-AIDeepin 的作者 moyangzhan 从 2023 年开始，基于 Java 生态中成熟的 langchain4j 框架，构建了这套全栈式 AI 应用平台。选用 Java/Spring Boot 而非 Python，一方面是因为 Java 在企业后端中根深蒂固（大量企业遗留系统是 Java 的），另一方面 langchain4j 社区正在快速发展，已支持主流模型和向量数据库。
AIDeepin 的对话模块不只是简单的 ChatGPT 克隆。它支持多角色配置——可以为客服机器人、产品顾问、技术支持等不同场景创建专属角色，每个角色有独立的系统提示词、模型参数和会话隔离。在对话过程中，系统会自动从对话历史中提取关键信息存入长期记忆，使 AI 在后续对话中能感知用户的背景和偏好，而不需要每次都重复上下文。
这是 AIDeepin 最具技术深度的模块。它同时支持两种知识检索方式：
向量检索（pgvector）：将文档切分后用 embedding 模型转为向量，存储在 PostgreSQL 的 pgvector 扩展中。查询时将用户问题也转为向量，通过余弦相似度找到最相关的文档片段。这适合处理"这段合同里关于违约金是怎么规定的"这类模糊匹配场景。
知识图谱检索（Apache AGE / Neo4j）：将知识建模为实体-关系图结构。适合"某公司的供应商和客户之间的关系链是什么"这类结构化推理场景。
两种方式可以互补使用——向量检索找相关文档，知识图谱做关联推理。这种双轨设计在同类开源项目中相当少见。
AIDeepin 内置了可视化工作流编辑器，支持条件分支、并行执行、子流程调用等高级特性。工作流节点类型丰富，包括：
用工作流编排"新品上市推广"场景为例：先用 LLM 生成文案 → 调用知识库验证内容准确性 → 调用文生图模型生成配图 → 调用 TTS 生成语音版本 → 人工审核后一键发布。整个流程零代码，拖拽即可完成。
MCP（Model Context Protocol）是 Anthropic 主导推出的 AI 工具扩展协议，AIDeepin 内置了 langchain4j-mcp 模块，支持接入 MCP 服务。这相当于为 AI 装上了一个标准化的"工具插口"——只要符合 MCP 协议，无论是调用企业内部 CRM 查客户数据、调用飞书文档搜索会议记录，还是调用代码库搜索工具，都可以即插即用。
作者还提供了 MCP 服务市场功能，可以集中管理和配置各种 MCP 工具，降低了企业集成外部数据源的门槛。
AIDeepin 集成了语音识别（ASR）和语音合成（TTS）能力，支持四种交互模式的灵活切换：文字⇆文字、文字⇆语音、语音⇆文字、语音⇆语音。AI 音色可选，已支持千问、硅基流动等平台的语音模型。这意味着用户可以对着手机说一句话，让 AI 帮你查资料、生成文案、再把结果念给你听——完全不需要动手。
AIDeepin 后端基于 Spring Boot 3.5.14 + JDK 17，采用多模块 Maven 项目结构：
关键技术选型：
管理端（admin-web）和用户端（user-web）均采用 Vue 3 + Naive UI 组件库，配合 Vite 构建工具。Naive UI 是专为中后台设计的企业级组件库，支持暗色模式，API 设计友好，完美契合 AI 应用的专业感视觉需求。
图1：AI 对话界面，支持多角色、多会话、上下文记忆
系统依赖 PostgreSQL 作为主数据库，通过 Flyway 或手动 SQL 初始化表结构。核心表包括：ai_model（模型配置）、ai_chat_session（会话）、ai_chat_message（消息）、ai_knowledge_base（知识库）、ai_knowledge_document（文档）、ai_workflow（工作流定义）、ai_mcp_service（MCP 服务）等。数据库迁移脚本存放在 db_migration/ 目录，按 DDL/DML/DML_CN 分层组织。
AIDeepin 提供了生产级的 Docker Compose 配置，这是它区别于大多数 langchain4j 示例项目的核心优势。部署只需要：
cd docker
# 修改 .env 中的数据库账号、API Key 等配置
# 内存 ≥ 8G：并行构建
docker compose up -d --build
一条命令即可启动以下全部服务：
后端多阶段 Dockerfile 优化做得不错：构建阶段用完整的 Maven 镜像，运行时仅打包 JRE 镜像，镜像体积大幅缩减。.env.prod 文件提供了生产环境配置模板。
硬件需求方面：不需要 GPU，纯 CPU 运行即可，内存建议 8GB 以上（Java 堆初始 1GB，最大 2GB），磁盘 10GB 足够。这对普通服务器来说完全没有压力。
尽管 AIDeepin 功能完善，但仍有几点值得注意：
1. 前端定制有一定门槛。 Vue 3 + Naive UI 的前端代码未做主题抽象，直接改样式需要深入了解组件库 API。对于想要深度定制 UI 的团队，需要投入一定的前端开发资源。
2. 模型成本控制依赖配置。 AIDeepin 支持同时接入多个模型平台，但没有内置用量统计和成本告警功能。企业使用时需要自行对接账单监控，避免某个模型被意外大量调用。
3. Neo4j 作为可选依赖，增加了运维复杂度。 虽然支持 pgvector + Apache AGE 作为 Neo4j 的替代，但如果团队选择 Neo4j 路线，需要额外维护一个图数据库实例。
4. 工作流编辑器的可视化程度有待验证。 README 提到了可视化编辑器，但具体实现效果需要实际部署后体验，复杂工作流的调试能力仍是未知数。
LangChain4j-AIDeepin 的出现反映了一个重要趋势：AI 应用正在从极客玩具走向企业级生产力工具。
过去一年多，开源社区涌现了大量 AI 应用框架，但大多数停留在"Hello World"级别——能跑起来，但无法用于生产。AIDeepin 的价值在于，它把企业级 AI 应用需要的周边能力（多租户隔离、权限管理、审计日志、知识库管理、MCP 扩展）都做进去了，而且有可以直接上线的 Docker Compose 配置。
从技术选型角度看，选择 langchain4j 而非 Python 生态也颇有深意。全球范围内有大量企业遗留系统是 Java/Spring Boot 的，这些团队如果要做 AI 升级，直接在现有 Java 项目中集成 langchain4j 的成本远低于引入一套全新的 Python 技术栈。AIDeepin 为这类团队提供了一个可直接参考的完整参考架构。
截至目前，该项目在 GitHub 已获得超过 1300 Star，对于一个 2024 年才起步的垂直领域项目来说，增长速度相当可观。其支持的模型平台覆盖了国内主流的千问、硅基流动，以及国际主流的 OpenAI、Ollama、DeepSeek，形成了完整的国内外生态兼容。