ADK für Java erweitert: LangChain4j-Integration ermöglicht Nutzung externer Sprachmodelle

Die aktuelle Version 0.2.0 des Agent Development Kit (ADK) für Java von Google integriert erstmals das LLM-Framework LangChain4j. Damit erhalten Entwickler Zugriff auf eine breite Auswahl an Large Language Models (LLMs), die über LangChain4j verfügbar sind, und können diese für den Aufbau von KI-Agenten nutzen.

Neben den bereits im ADK enthaltenen Anbindungen an Google Gemini und Anthropic Claude erlaubt die Erweiterung nun auch den Einsatz weiterer Drittanbieter-Modelle wie OpenAI, Anthropic, GitHub oder Mistral. Ebenso lassen sich lokale Open-Weight-Modelle einbinden, etwa über Ollama oder den Docker Model Runner.

LangChain4j-Integration für eine große Auswahl an Modellen

Das LangChain4j-LLM-Framework unterstützt eine Vielzahl von Modellen. Die Liste der unterstützten Modelle finden Sie in der LangChain4j-Dokumentation. Sehen wir uns ein paar konkrete Beispiele an, bei denen Gemma mit Docker Model Runner und Ollama mit Qwen verwendet werden.

Wenn Sie Ihren ADK-Agenten mit dem LlmAgent Builder deklarieren, geben Sie das LLM über die model() Builder-Methode an. In der Regel übergeben Sie eine Zeichenfolge, die den Namen des Modells angibt, z. B. „gemini-2.5-flash”.

Es ist auch möglich, eine Instanz einer Klasse zu verwenden, die die abstrakte Klasse BaseLlm erweitert. Genau das leistet die Integration mit LangChain4j, um eine Brücke zwischen beiden Frameworks zu schlagen. Sie müssen eine neue Klasse LangChain4j verwenden, die diese Klasse BaseLlm erweitert.

Neue Funktionen in dieser Version

Über die Integration von LangChain4j hinaus bietet Version 0.2.0 mehrere weitere leistungsstarke Verbesserungen für den Agent-Entwicklungs-Workflow:

• Erweiterte Tooling-Funktionen: Wir haben die Erstellung und Verwaltung von Tools erheblich verbessert.
  • Instanzbasierte FunctionTools: Sie können jetzt FunctionTools nicht nur aus statischen Methoden, sondern auch aus Objektinstanzen erstellen, was Ihnen mehr Flexibilität bei der Architektur Ihres Agenten bietet.
  • Verbesserte Async-Unterstützung: FunctionTools unterstützen jetzt Methoden, die einen Single zurückgeben. Dies verbessert die Unterstützung für asynchrone Operationen und macht Agenten reaktionsschneller.
  • Bessere Schleifensteuerung: Das neue Feld endInvocation in Event Actions ermöglicht die programmgesteuerte Unterbrechung oder das Stoppen der Agentenschleife nach einem Tool-Aufruf. Dies ermöglicht eine feinere Steuerung der Agentenexekution.
• Erweiterte Agentenlogik und Speicher:
  • Verkettete Callbacks: Wir haben Unterstützung für verkettete Callbacks für vor/nach Ereignisse bei der Ausführung von Modellen, Agenten und Tools hinzugefügt. Dies ermöglicht eine komplexere und feinere Logik innerhalb des Lebenszyklus Ihres Agenten.
  • Neuer Speicher und Abruf: Diese Version führt einen InMemoryMemoryService für eine einfache und schnelle Speicherverwaltung ein und implementiert VertexAiRagRetrieval unter Verwendung von AI Platform-APIs für fortgeschrittenere RAG-Muster.
• Weitere wichtige Verbesserungen sind ein übergeordnetes POM und der Maven Wrapper (./mvnw), die einen konsistenten und unkomplizierten Build-Prozess für alle Mitwirkenden gewährleisten.

Entdecken Sie mehr

Bild/Quelle: Pixabay

Folgen Sie uns auf X

Folgen Sie uns auf Bluesky