Payara Micro 集成

LangChain4j 可以无缝集成到 Payara Micro 应用中，并充分利用 Jakarta EE 与 MicroProfile 在依赖注入和配置方面的标准能力。

本指南演示了如何创建 JAX-RS 资源，让它们直接实例化并使用 LangChain4j 模型，而配置则由 MicroProfile Config 负责管理。

Maven 依赖

首先，在 pom.xml 中加入核心 langchain4j 依赖，以及你需要使用的具体模型集成模块：

<properties>
    <project.build.sourceEncoding>UTF-8</project.build.sourceEncoding>
    <maven.compiler.release>21</maven.compiler.release>
    <jakartaee-api.version>10.0.0</jakartaee-api.version>
    <payara.version>6.2025.5</payara.version>
    <version.langchain4j>1.13.0</version.langchain4j>
</properties>

<dependencies>
    <dependency>
        <groupId>dev.langchain4j</groupId>
        <artifactId>langchain4j-open-ai</artifactId>
        <version>${version.langchain4j}</version>
    </dependency>
    
    <dependency>
        <groupId>dev.langchain4j</groupId>
        <artifactId>langchain4j-google-ai-gemini</artifactId>
        <version>${version.langchain4j}</version>
    </dependency>
    
    <dependency>
        <groupId>jakarta.platform</groupId>
        <artifactId>jakarta.jakartaee-api</artifactId>
        <version>${jakartaee-api.version}</version>
        <scope>provided</scope>
    </dependency>
</dependencies>

配置多个模型

你可以在 MicroProfile 配置文件中为多个 AI 模型分别提供参数。该配置文件通常位于 src/main/resources/META-INF/microprofile-config.properties：

openai.api.key=${OPENAI_API_KEY}
openai.chat.model=gpt-4o-mini

google-ai-gemini.chat-model.api-key=${GEMINI_KEY}
google-ai-gemini.chat-model.model-name=gemini-2.0-flash-lite

deepseek.api.key=${DEEPSEEK_API_KEY}
deepseek.chat.model=deepseek-reasoner

实现聊天资源

在这种方式下，每个 JAX-RS 资源类都自行负责它所使用的 AI 模型实例。同样的模式可以对每个 provider 重复使用。

RestConfiguration 类继承 jakarta.ws.rs.core.Application，并为所有 REST endpoint 定义 /api 作为基础路径：

import jakarta.ws.rs.ApplicationPath;
import jakarta.ws.rs.core.Application;

@ApplicationPath("api")
public class RestConfiguration extends Application {
}

对于每个模型，我们都会有一个 JAX-RS Resource 类，它负责：

使用 @Inject 和 @ConfigProperty 注入配置项。
使用带有 @PostConstruct 注解的方法，在属性注入完成后构建模型实例。
创建一个 @GET endpoint 用于与模型交互。

@Path("openai")
public class OpenAiChatModelResource {

    @Inject
    @ConfigProperty(name = "openai.api.key")
    private String openAiApiKey;

    @Inject
    @ConfigProperty(name = "openai.chat.model")
    private String modelName;

    private OpenAiChatModel chatModel;

    @PostConstruct
    public void init() {
        chatModel = OpenAiChatModel.builder()
                .apiKey(openAiApiKey)
                .modelName(modelName)
                .build();
    }

    @GET
    @Path("chat")
    @Produces(MediaType.TEXT_PLAIN)
    public String chat(@QueryParam("message") @DefaultValue("Hello") String message) {
        return chatModel.generate(message);
    }
}

同样的模式也适用于 GeminiChatModelResource 和 DeepSeekChatModelResource。

需要注意的是，最后一个资源类复用了 OpenAiChatModel 类，只是把 baseUrl 改成了 deepseek API，这也展示了该库在接入不同 provider 时的灵活性。

API 文档

该示例项目包含 Swagger UI，可用于交互式浏览和测试 API endpoint。

webapp 目录中的 index.html 文件配置了 Swagger UI，使其加载由 Payara Micro 自动在 /openapi endpoint 生成的 OpenAPI 规范：

openapi: 3.0.0
info:
  title: Deployed Resources
  version: 1.0.0
...
        
endpoints:/
- /api/deepseek/chat
- /api/gemini/chat
- /api/openai/chat
components: {}

运行示例应用

该项目已配置好使用 Payara Micro Maven plugin 运行。

前置要求：

Java SE 21+
Maven 执行环境

执行方式

在项目根目录打开终端。
设置所需的 API key 环境变量。应用需要这些变量来与 AI 服务完成鉴权。你必须配置：
- OPENAI_API_KEY
- GEMINI_KEY
- DEEPSEEK_API_KEY
执行以下 Maven 命令：mvn clean package payara-micro:start

服务启动后，你可以通过两种方式测试这些 endpoint：

如果你使用的是 IntelliJ IDEA（Ultimate Edition）或其他具备类似能力的 IDE，你可以直接从 .http 文件中执行请求：

a. 打开位于 src/test/resources/ 下的 test.http 文件。

b. IDE 会在每个请求定义旁边显示一个绿色的 “play” 图标：

c. 点击你要执行的请求旁边的图标，API 的响应会直接显示在 IDE 的工具窗口中：
使用 AI 聊天界面

在浏览器中访问 http://localhost:8080/ 。这会打开一个交互式 Chat Page，你可以直接在浏览器中探索并测试可用 endpoint：

Maven 依赖​

配置多个模型​

实现聊天资源​

API 文档​

运行示例应用​

前置要求：​

执行方式​