LangChain4j పదజాలం

March 3, 2026 · View on GitHub

зміాంశం

కోర్సు మొత్తం ఉపయోగించే పదాలు మరియు కాన్సెప్ట్‌ల త్వరిత సూచిక.

ముఖ్య కాన్సెప్ట్‌లు

AI ఏజెంట్ - AIని ఉపయోగించి స్వతంత్రంగా తార్కికత మరియు చర్యలు తీసుకునే వ్యవస్థ. Module 04

చెయిన్ - అవుట్పుట్ తదుపరి దశకి పోషణ చేసే చర్యల సన్నివేశం.

చంకింగ్ - డాక్యుమెంట్లను చిన్న భాగాలుగా విభజించడం. సాధారణంగా: 300-500 టోకెన్లతో ఒవర్‌లాప్. Module 03

కాంటెక్స్ట్ విండో - మోడల్ ప్రాసెస్ చేయగల గరిష్ట టోకెన్లు. GPT-5.2: 400K టోకెన్ల (అంతర్గత 272K, అవుట్పుట్ 128K).

ఎంబెడింగ్స్ - టెక్స్ట్ అర్ధాన్ని సూచించే సంఖ్యాపరమైన వెక్టర్లు. Module 03

ఫంక్షన్ కాలింగ్ - మోడల్ బాహ్య ఫంక్షన్లను పిలవడానికి నిర్మిత అభ్యర్థనలను సృష్టిస్తుంది. Module 04

హాలుసినేషన్ - మోడళ్లు తప్పు అయినా సహజమైన సమాచారాన్ని సృష్టిస్తాయి.

ప్రాంప్ట్ - భాషా మోడల్‌కు టెక్స్ట్ ఇన్‌పుట్. Module 02

సెమాంటిక్ సెర్చ్ - కీవర్డ్స్ కాకుండా అర్థం ఆధారంగా సెర్చ్ చేయడం ఎంబెడింగ్స్ ఉపయోగించి. Module 03

స్టేట్‌ఫుల్ vs స్టేట్‌లెస్ - స్టేట్‌లెస్: జ్ఞాపకశక్తి లేదు. స్టేట్‌ఫుల్: సంభాషణ చరిత్రని నిలుపుతుంది. Module 01

టోకెన్లు - మోడళ్లు ప్రాసెస్ చేసే ప్రాథమిక టెక్స్ట్ యూనిట్లు. ఖర్చులు, పరిమితులు ప్రభావితం చేస్తాయి. Module 01

టూల్ చైనింగ్ - ఒక టూల్ అవుట్పుట్ తదుపరి కాల్‌ను సూచిస్తుంది. Module 04

LangChain4j భాగాలు

AiServices - టైప్-సేఫ్ AI సర్వీస్ ఇంటర్‌ఫేస్‌లను సృష్టిస్తుంది.

OpenAiOfficialChatModel - OpenAI మరియు Azure OpenAI మోడల్స్ కోసం ఏకీకృత క్లయింట్.

OpenAiOfficialEmbeddingModel - OpenAI ఆఫీషియల్ క్లయింట్ ఉపయోగించి ఎంబెడింగ్స్ సృష్టిస్తుంది (OpenAI మరియు Azure OpenAI రెండింటికీ మద్దతు).

ChatModel - భాషా మోడల్స్ కోసం ప్రధాన ఇంటర్‌ఫేస్.

ChatMemory - సంభాషణ చరిత్రను నిలుపుతుంది.

ContentRetriever - RAG కోసం సంబంధించిన డాక్యుమెంటు చంక్స్‌ను కనుగొంటుంది.

DocumentSplitter - డాక్యుమెంట్లను చంక్స్‌గా విడగొడుతుంది.

EmbeddingModel - టెక్స్ట్‌ను సంఖ్యాపరమైన వెక్టర్‌లుగా మారుస్తుంది.

EmbeddingStore - ఎంబెడింగ్స్ నిల్వ చేయడం మరియు పొందడం.

MessageWindowChatMemory - ఇటీవల సందేశాల స్లైడింగ్ విండోను నిర్వహిస్తుంది.

PromptTemplate - {{variable}} ప్లేస్‌హోల్డర్లతో పునర్వినియోగించదగిన prompts సృష్టిస్తుంది.

TextSegment - మెటాడేటాతో కూడిన టెక్స్ట్ చంక్. RAGలో ఉపయోగం.

ToolExecutionRequest - టూల్ నడపడం కోసం అభ్యర్థనను సూచిస్తుంది.

UserMessage / AiMessage / SystemMessage - సంభాషణ‌లో ఉపయోగించే సందేశ రకాలు.

AI/ML కాన్సెప్ట్‌లు

Few-Shot లర్నింగ్ - promptsలో ఉదాహరణలివ్వడం. Module 02

లార్జ్ లాంగ్వేజ్ మోడల్ (LLM) - విస్తృత టెక్స్ట్ డేటా మీద శిక్షణ పొందిన AI మోడల్స్.

రీజనింగ్ ఎఫర్ట్ - GPT-5.2లో ఆలోచనా లోతును నియంత్రించే పారామీటర్. Module 02

టెంపరేచర్ - అవుట్పుట్ రాండమ్నెస్‌ను నియంత్రిస్తుంది. తక్కువ=నియమిత, అధిక=సృజనాత్మక.

వెక్టర్ డేటాబేస్ - ఎంబెడింగ్స్ కోసం ప్రత్యేక డేటాబేస్. Module 03

జీరో-షాట్ లర్నింగ్ - ఉదాహరణలు లేకుండా టాస్కులు చేయడం. Module 02

గార్డ్‌రేల్స్ - Module 00

డిఫెన్స్ ఇన్ డెప్త్ - అప్లికేషన్-స్థాయి గార్డ్‌రేల్స్ మరియు ప్రొవైడర్ సేఫ్టీ ఫిల్టర్లను కలిపిన బహుళ పొర భద్రతా దృష్టికోణం.

హార్డ్ బ్లాక్ - తీవ్రమైన కంటెంట్ పాలసీ ఉల్లంఘనలపై ప్రొవైడర్ HTTP 400 లోపం విసిరిపోతుంది.

InputGuardrail - LangChain4j ఇంటర్‌ఫేస్ యూజర్ ఇన్‌పుట్‌ను LLMకు చేరేందుకు ముందే జాగ్రత్తగా వాలిడేట్ చేసి ఖర్చు మరియు లేటెన్సీ తగ్గిస్తుంది.

InputGuardrailResult - గార్డ్‌రెయిల్ వాలిడేషన్ రిటర్న్ రకం: success() లేదా fatal("కారణం").

OutputGuardrail - AI సమాధానాలు యూజర్లకు పంపే ముందు సరి చూసే ఇంటర్‌ఫేస్.

Provider Safety Filters - AI ప్రొవైడర్ల (ఉదా: GitHub Models) లోపాల్ని API స్థాయిలో గుర్తించే సిధ్ధమైన కంటెంట్ ఫిల్టర్లు.

Soft Refusal - మోడల్ దయతో సమాధానం ఇవ్వడాన్ని తిరస్కరించి లోపం లేకుండా ఒప్పుకోకపోవడం.

ప్రాంప్ట్ ఇంజనీరింగ్ - Module 02

చెయిన్-ఆఫ్-థాట్ - మెరుగైన ఖచ్చితత్వం కోసం దశల వారీ తార్కికత.

కన్స్ట్రెయిన్డ్ అవుట్పుట్ - నిర్దిష్ట ఫార్మాట్ లేదా నిర్మాణం గట్టి ఆచరణలోకి తీసుకెళ్తుంది.

హై ఈగర్నెస్ - GPT-5.2 సంపూర్ణ తార్కికతకు రూపొందించిన నమూనా.

లో ఈగర్నెస్ - GPT-5.2 త్వరిత సమాధానాలకు నమూనా.

మల్టీ-టర్న్ సంభాషణ - మార్పిడులపై కాంటెక్స్ట్ కొనసాగించడం.

రోల్-బేస్డ్ ప్రాంప్టింగ్ - సిస్టమ్ సందేశాల ద్వారా మోడల్ వ్యక్తిత్వాన్ని సెట్ చేయడం.

సెల్ఫ్-రెఫ్లెక్షన్ - మోడల్ తన అవుట్పుట్‌ను అంచనా వేచి మెరుగుపరుస్తుంది.

స్ట్రక్చర్లు అనాలిసిస్ - స్థిరమైన మూల్యాంకన ఫ్రేమ్‌వర్క్.

టాస్క్ ఎగ్జిక్యూషన్ ప్యాటర్న్ - ప్లాన్ → ఎగ్జిక్యూట్ → సారాంశం.

RAG (రీట్రీవల్-ఆగ్మెంటెడ్ జనరేషన్) - Module 03

డాక్యుమెంట్ ప్రాసెసింగ్ పైప్‌లైన్ - లోడ్ → చంక్ → ఎంబెడ్ → స్టోర్.

ఇన్-మెమరీ ఎంబెడ్డింగ్ స్టోర్ - పరీక్షలకు తాత్కాలిక నిల్వ.

RAG - రిట్రీవల్ మరియు జనరేషన్ కలిపి సమాధానాలను స్థిరపరుస్తుంది.

సిమిలారిటీ స్కోర్ - సెమాంటిక్ సాదృশ্যానికి 0-1 మధ్య కొలిచే ప్రమాణం.

సోర్స్ రిఫరెన్స్ - తీసుకున్న కంటెంట్‌కు సంబంధించిన మెటాడేటా.

ఏజెంట్లు మరియు టూల్స్ - Module 04

@Tool అనొటేషన్ - జావా మెథడ్స్‌ను AI-కాల్ చేయదగిన టూల్స్‌గా గుర్తించే గుర్తింపు.

ReAct ప్యాటర్న్ - రీజనింగ్ → చర్య → పరిశీలన → మళ్లీ.

సెషన్ మేనేజ్మెంట్ - వేర్వేరు యూజర్లకు వ్యక్తిగత కాంటెక్స్ట్‌లను నిర్వహించడం.

టూల్ - AI ఏజెంట్ పిలవగల ఫంక్షన్.

టూల్ వివరణ - టూల్ ప్రయోజనం మరియు పారామీటర్ల డాక్యుమెంటేషన్.

ఏజెంటిక్ మాడ్యూల్ - Module 05

@Agent అనొటేషన్ - ఇంటర్‌ఫేస్‌లను AI ఏజెంట్లుగా మరియు వ్యవహరణ నిర్వచనంతో గుర్తించడం.

ఏజెంట్ లిసనర్ - beforeAgentInvocation() మరియు afterAgentInvocation() ద్వారా ఏజెంట్ నడుపుటను పర్యవేక్షించే హుక్.

ఏజెంటిక్ స్కోప్ - ఏజెంట్లు ఉత్పత్తులను outputKey ఉపయోగించి నిల్వ చేసే భాగస్వామ్య జ్ఞాపకం తదుపరి ఏజెంట్లు వినియోగించడానికి.

AgenticServices - agentBuilder() మరియు supervisorBuilder() ఉపయోగించి ఏజెంట్‌లు సృష్టించే ఫ్యాక్టరీ.

షరతుల ఆధారిత వర్క్‌ఫ్లో - వివిధ నైపుణ్య ఏజెంట్లకు షరతుల ప్రకారం మార్గదర్శనం.

హ్యూమన్-ఇన్-ది-లూప్ - మానవ అనుమతి లేదా కంటెంట్ సమీక్ష కోసం వర్క్‌ఫ్లో నమూనా.

langchain4j-agentic - ప్రకటనాత్మక ఏజెంట్ నిర్మాణం కోసం మేవెన్ డిపెండెన్సీ (ప్రయోగాత్మక).

లూప్ వర్క్‌ఫ్లో - నిబంధన (ఉదా: క్వాలిటీ స్కోర్ ≥ 0.8) కలుగునప్పటివరకు ఏజెంట్ అమలును పునరావృతం చేయడం.

outputKey - ఏజెంట్ అనొటేషన్ పారామీటర్, తద్వారా Agentic స్కోప్‌లో ఫలితాలు ఎక్కడ నిల్వ చేయబడతాయో సూచిస్తుంది.

ప్యారలల్ వర్క్‌ఫ్లో - స్వతంత్ర టాస్కులకు బహుముఖ ఏజెంట్లను ఒకసారిగా నడిపించడం.

రెస్పాన్స్ స్ట్రాటజీ - సూపర్వైజర్ చివరి జవాబును ఎలా రూపొందిస్తుందో: LAST, SUMMARY, లేదా SCORED.

సీక్వెన్షియల్ వర్క్‌ఫ్లో - అవుట్పుట్ తదుపరి దశకు వెళ్లే విధంగా ఏజెంట్లను క్రమబద్ధీకరించి నడిపించడం.

సూపర్వైజర్ ఏజెంట్ ప్యాటర్న్ - ఏజెంటిక్ ప్రత్యేక నమూనా, ఒక సూపర్వైజర్ LLM ఏ ఉప-ఏజెంట్లను పిలవాలో సజీవంగా నిర్ణయిస్తుంది.

మోడల్ కాంటెక్స్ట్ ప్రోటోకాల్ (MCP) - Module 05

langchain4j-mcp - LangChain4jలో MCP ఇంటిగ్రేషన్ కోసం మేవెన్ డిపెండెన్సీ.

MCP - మోడల్ కాంటెక్స్ట్ ప్రోటోకాల్: AI యాప్‌లను బాహ్య టూల్స్‌తో అనుసంధానించడానికి סטాండర్డ్. ఒక్కసారి నిర్మించండి, ఎక్కడికైనా ఉపయోగించండి.

MCP క్లయింట్ - MCP సర్వర్లకు కనెక్ట్ అయ్యే, టూల్స్‌ను కనుగొని ఉపయోగించే అప్లికేషన్.

MCP సర్వర్ - స్పష్టమైన వివరణలు మరియు పారామీటర్ స్కీమాలతో MCP ద్వారా టూల్స్ అందించే సేవ.

McpToolProvider - AI సర్వీసులు మరియు ఏజెంట్లలో ఉపయోగించడానికి MCP టూల్స్‌ను రాప్ చేసే LangChain4j భాగము.

McpTransport - MCP కమ్యూనికేషన్ ఇంటర్‌ఫేస్. అమ‌లులో స్ట్డియో మరియు HTTP ఉన్నాయి.

Stdio ట్రాన్స్‌పోర్ట్ - లోకల్ ప్రాసెస్ ట్రాన్స్‌పోర్ట్ stdin/stdout ద్వారా. ఫైల్‌సిస్టమ్ యాక్సెస్ లేదా కమాండ్-లైన్ టూల్స్‌కు ఉపయోగకరం.

StdioMcpTransport - LangChain4j అమలు MCP సర్వర్‌ను subprocessగా స్టార్ట్ చేస్తుంది.

టూల్ డిస్కవరీ - క్లయింట్ టూల్స్ కోసం సర్వర్‌ను ప్రశ్నిస్తాడు వివరణలతో మరియు స్కీమాలతో.

అజ్యూర్ సర్వీసులు - Module 01

Azure AI Search - వెక్టర్ సామర్ధ్యాలతో క్లౌడ్ సెర్చ్. Module 03

Azure Developer CLI (azd) - Azure వనరులను డిప్లాయ్ చేస్తుంది.

Azure OpenAI - మైక్రోసాఫ్ట్ ఎంటర్ప్రైజ్ AI సర్వీస్.

Bicep - Azure ఇన్‌ఫ్రాస్ట్రక్చర్-ఏ-కోడ్ భాష. Infrastructure Guide

డిప్లాయ్‌మెంట్ పేరు - Azureలో మోడల్ డిప్లాయ్‌మెంట్‌కు పేరును సూచిస్తుంది.

GPT-5.2 - reasoning నియంత్రణతో తాజా OpenAI మోడల్. Module 02

పరీక్షలు మరియు అభివృద్ధి - Testing Guide

డెవ్ కంటైనర్ - కంటైనరైజ్డ్ అభివృద్ధి వాతావరణం. Configuration

GitHub Models - ఉచిత AI మోడల్ ప్లేగ్రౌండ్. Module 00

ఇన్-మెమరీ టెస్టింగ్ - మెమరీ నిల్వతో పరీక్షించడం.

ఇంటిగ్రేషన్ టెస్టింగ్ - నిజమైన ఇన్‌ఫ్రాస్ట్రక్చర్‌తో పరీక్ష.

Maven - జావా బిల్డ్ ఆటోమేషన్ టూల్.

Mockito - జావా మాక్ ఫ్రేమ్‌వర్క్.

Spring Boot - జావా అప్లికేషన్ ఫ్రేమ్‌వర్క్. Module 01

వివరణ: ఈ దస్త్రాన్ని AI అనువాద సేవ Co-op Translator ఉపయోగించి అనువదించబడింది. మేము ఖచ్చితత్వానికి పూర్వకంగా ప్రయత్నిస్తున్నప్పటికీ, ఆటోమేటెడ్ అనువాదాల్లో పొరపాట్లు లేదా లోపాలు ఉండే అవకాశం ఉంది. అసలు దస్త్రాన్ని దాని మూల భాషలోనే అధికారిక మూలంగా పరిగణించాలి. కీలకమైన సమాచారానికి, తగిన నిపుణుల మానవ అనువాదం సిఫార్సు చేయబడుతుంది. ఈ అనువాదం ఉపయోగంలోని ఎటువంటి అపార్థాలు లేదా తప్పుదోవలకు మేము బాధ్యులను కాదు.