%20in%20software%20development.%20The%20image%20features%20a%20hierarchical%20structure%20showing%20software%20c.webp)
.%20The%20model%20is%20shown%20in%20four%20levels,%20with%20each%20level%20representi.webp){kind=spacer}
Na bazie świetnego artykułu Baeldung o budowie chatbota w Javie z LangChain4j i MongoDB przygotowałem podobny, praktyczny przewodnik – ze wskazówkami, kodem i alternatywami. Oryginał znajdziesz tutaj: Building an AI Chatbot in Java With Langchain4j and MongoDB Atlas .
Dlaczego ten stack?
- LangChain4j – wygodna warstwa do pracy z LLM w Javie (prompty, łańcuchy, pamięci, narzędzia).
- MongoDB Atlas + Vector Search – trwałe przechowywanie embeddingów i szybkie zapytania semantyczne; idealne do RAG.
Efekt końcowy: prosty chatbot w stylu Q&A nad Twoimi dokumentami – z indeksem wektorowym w Atlasie, generacją embeddingów i łączeniem wyników z modelem językowym (RAG).
Wymagania wstępne
- Java 17+
- Konto w MongoDB Atlas i klaster (free tier wystarczy)
- Klucz do dostawcy LLM/embeddingów (np. OpenAI) lub lokalny Ollama
Struktura projektu (Maven + Spring Boot)
<dependencies>
<dependency>
<groupId>org.springframework.boot</groupId>
<artifactId>spring-boot-starter-web</artifactId>
</dependency>
<dependency>
<groupId>org.mongodb</groupId>
<artifactId>mongodb-driver-sync</artifactId>
<version>5.1.0</version>
</dependency>
<dependency>
<groupId>dev.langchain4j</groupId>
<artifactId>langchain4j</artifactId>
<version>0.35.0</version>
</dependency>
<dependency>
<groupId>dev.langchain4j</groupId>
<artifactId>langchain4j-openai</artifactId>
<version>0.35.0</version>
</dependency>
<dependency>
<groupId>dev.langchain4j</groupId>
<artifactId>langchain4j-mongodb</artifactId>
<version>0.35.0</version>
</dependency>
</dependencies>
Konfiguracja środowiska
server:
port: 8080
app:
mongo:
uri: ${MONGODB_URI}
db: ragdb
collection: chunks
openai:
apiKey: ${OPENAI_API_KEY}
rag:
indexName: rag_vector_index
dimensions: 1536
Definicja indeksu wektorowego
{
"fields": [
{ "type": "vector", "path": "embedding", "numDimensions": 1536, "similarity": "cosine" },
{ "type": "string", "path": "source" },
{ "type": "string", "path": "text" }
]
}
Chunkowanie i embeddingi
Przykładowy kod Java generujący embeddingi i zapisujący do MongoDB:
float[] vec = embeddings.embed(chunk);
col.insertOne(new Document()
.append("source", sourceName)
.append("text", chunk)
.append("embedding", toList(vec))
);
Retriever i RAG
Zapytanie semantyczne do Atlas Vector Search:
List<Bson> pipeline = List.of(
Aggregates.vectorSearch("embedding", toList(qVec), indexName, 5, 200),
Aggregates.project(Projections.include("text", "source"))
);
Łańcuch RAG z kontekstem i modelem czatu:
var messages = List.of(
SystemMessage.from("Jesteś asystentem RAG..."),
UserMessage.from("Kontekst:\n" + contextBlock + "\n\nPytanie: " + userQuestion)
);
return chat.generate(messages).content().text();
REST API
@PostMapping("/ingest")
public void ingest(@RequestBody IngestRequest req) {
ing.ingest(req.source(), req.text());
}
@PostMapping
public ChatResponse chat(@RequestBody ChatRequest req) {
return new ChatResponse(rag.ask(req.question()));
}
Alternatywy
- Inny dostawca embeddingów/LLM – OpenAI, Ollama, Azure OpenAI.
- Quarkus + LangChain4j – alternatywa dla Spring Boot.
- Oficjalny tutorial Atlas + LangChain4j – pełny workflow RAG.
Typowe pułapki
- Niedopasowany
numDimensionsw indeksie vs. model embeddingów. - Brak overlapu przy chunkowaniu – tracony kontekst.
- Za duży kontekst – tnij do top-k i stosuj re-ranking.
- Sekrety w repo – używaj zmiennych środowiskowych.
Podsumowanie
W kilkudziesięciu linijkach kodu stworzyliśmy RAG chatbota – z MongoDB Atlas, LangChain4j i prostym REST API. Teraz możesz dodać streaming, cache embeddingów, czy personalizację dostępu.
Źródło, na którym bazowałem: Baeldung – Building an AI Chatbot in Java With Langchain4j and MongoDB Atlas
