Tutorial Memori Alat LangChain4j: Bangun Agen Java dengan Oracle AI Database

Dalam tutorial ini, kami akan membahas modul Java kecil yang mengekspos alat kustom, menyimpan catatan sebagai JSON di Oracle AI Database, dan mengambilnya kembali dengan pencarian teks penuh.

Jika Anda membangun agen AI, riwayat chat jangka pendek biasanya tidak cukup. Asisten nyata sering membutuhkan sejumlah kecil memori yang tahan lama agar dapat menyimpan fakta penting dan mengambilnya kembali nanti.

Tutorial ini menunjukkan cara membangun pola tersebut dengan modul Java minimal. Anda akan menggunakan alat LangChain4j, antarmuka agen sederhana, dan Oracle AI Database sebagai penyimpanan backend. Alih-alih menambahkan embedding atau pipeline pengambilan lengkap, contoh ini sengaja mempertahankan desain yang kecil: catatan disimpan sebagai dokumen JSON dan dicari dengan Oracle Text.

Pada akhirnya, Anda akan memahami bagaimana modul ini merangkai:

• Antarmuka agen LangChain4j
• Dua metode kustom @Tool
• Repositori JDBC untuk penyimpanan catatan yang tahan lama
• Aplikasi konsol yang menyatukan seluruh alur

Apa Itu Memori Berbasis Alat LangChain4j?

LangChain4j memungkinkan Anda mengekspos metode Java biasa sebagai alat yang dapat dipanggil model saat membutuhkan kapabilitas eksternal. Dalam modul ini, kapabilitas tersebut berorientasi pada memori:

• searchMemories(String question) menemukan catatan tersimpan yang relevan
•  storeMemory(String note) menulis catatan baru yang tahan lama

Itu berbeda dengan riwayat chat standar yang menyimpan pesan chat dalam jendela konteks in-memory.

Memori persisten berbasis alat memutuskan kapan perlu mencari atau menyimpan catatan, dan data dasarnya hidup di database.

Pola ini berguna ketika Anda ingin agen mengingat fakta seperti catatan insiden, pengingat runbook, atau tindakan lanjutan tanpa membangun sistem pengambilan yang lebih besar terlalu dini. 

Memori yang persisten dan didukung database juga dapat diakses secara bersamaan oleh satu atau lebih agen tanpa konflik data.

Memori berbasis alat memungkinkan asisten mengambil catatan yang ada atau menyimpan catatan baru di database yang tahan lama.

Fitur Utama Modul LangChain4j dan Oracle AI DB

Contoh ini kecil, tetapi menunjukkan beberapa gagasan penting dalam desain agen.

Alat kustom LangChain4j

Kelas MemoryTools mengekspos dua metode yang dianotasi dengan @Tool. Itu berarti LangChain4j dapat menyediakannya ke agen tanpa kode pembungkus tambahan.

// Retrieve relevant notes and format them for the assistant.
 @Tool(
     	"Search saved memory notes when earlier context might help answer the user."
 )
 public String searchMemories(String question) {
 	List<MemoryRepository.Note> matches = repository.search(question, 3);
 	if (matches.isEmpty()) {
     	return "No saved memory matched that question.";
 	}

 	StringBuilder builder = new StringBuilder();
 	for (int i = 0; i < matches.size(); i++) {
     	MemoryRepository.Note note = matches.get(i);
     	builder.append(i + 1)
             	.append(". [M")
             	.append(note.id())
             	.append("] ")
             	.append(note.text());
     	if (i + 1 < matches.size()) {
         	builder.append('\n');
     	}
 	}
 	return builder.toString();
 }Didukung oleh

Metode ini melakukan dua hal yang berguna. Ia mendelegasikan pengambilan ke repositori, dan memformat hasilnya dengan cara yang ramah model seperti [M12] some note text. 

Itu membuat keluaran alat mudah dikutip oleh agen dalam respons akhirnya.

Memori tahan lama di Oracle AI Database

Catatan disimpan dalam tabel agent_memories sebagai dokumen JSON native. Setiap baris berisi:

• Kolom identitas id
• Kolom JSON bernama memory_doc
• Timestamp created_at

Modul menginisialisasi skema secara otomatis:

-- Create a JSON-backed table for durable agent notes.
 CREATE TABLE IF NOT EXISTS agent_memories (
 	id NUMBER GENERATED ALWAYS AS IDENTITY PRIMARY KEY,
 	memory_doc JSON NOT NULL,
 	created_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP NOT NULL
 )Didukung oleh

Ini menjaga model penyimpanan tetap sederhana sekaligus memberikan data terstruktur dan ketahanan yang dikelola database.

Pencarian kata kunci dengan Oracle Text

Repositori tidak menghasilkan embedding. Sebagai gantinya, ia mengekstrak kata kunci dari pertanyaan pengguna, menghapus stop word, membangun ekspresi Oracle Text dengan ACCUM, dan mencari konten dokumen JSON dengan json_textcontains.

Itu sangat membantu untuk pengenal dan istilah operasional seperti CHG2145, di mana pencocokan token yang tepat atau mendekati tepat sering lebih penting daripada kemiripan semantik.

Alur kerja konsol minimal

Kelas Application membuat repositori, menginisialisasi skema, mengisi beberapa catatan awal, menyusun model chat, dan memulai loop terminal. Itu membuat contoh ini mudah dijalankan dan mudah diadaptasi ke layanan lain nanti.

Mulai Proyek Memori LangChain4j Anda

Sebelum menjalankan modul, pastikan lingkungan lokal Anda sesuai dengan persyaratan proyek.

Prasyarat

Anda memerlukan:

• Java 21 atau lebih baru
• Maven 3.9 atau lebih baru
• Oracle AI Database Free yang berjalan secara lokal atau jarak jauh
• Variabel lingkungan OPENAI_API_KEY

Proyek Maven bergantung pada:

• langchain4j
• langchain4j-open-ai
• ojdbc11
• JUnit dan Testcontainers untuk uji integrasi

Jalankan contoh

Setel dulu kunci API OpenAI Anda:

# Set the API key used by the chat model.
 export OPENAI_API_KEY=<your key>Didukung oleh

Lalu jalankan aplikasi dari direktori proyek:

# Compile and run the sample with the database connection details.
 mvn compile exec:java \
     -Dexec.args="jdbc:oracle:thin:@localhost:1521/freepdb1 testuser testpwd"Didukung oleh

Aplikasi mengharapkan tepat tiga argumen:

1. JDBC URL

2. Nama pengguna database

3. Kata sandi database

Jika itu tidak ada, Application.main() akan melempar IllegalArgumentException. Jika OPENAI_API_KEY tidak ada, ia akan melempar IllegalStateException.

Apa yang terjadi saat startup

Saat aplikasi mulai, ia:

1. Membuat MemoryRepository

2. Menginisialisasi skema database

3. Mengisi tiga catatan contoh jika tabel kosong

4. Membangun OpenAiChatModel

5. Merangkaikan model dan alat ke dalam AiServices

6. Memulai loop CLI yang membaca input pengguna hingga Anda mengetik exit

Itu berarti Anda dapat mencoba pengambilan memori segera tanpa memasukkan baris secara manual terlebih dahulu.

Cara Membangun Agen Java Berkemampuan Memori dengan LangChain4j

Sekarang mari kita telusuri modul dalam urutan yang sama dengan yang digunakan aplikasi.

Definisikan antarmuka agen

LangChain4j menggunakan antarmuka Java untuk mendeskripsikan kontrak agen. Dalam proyek ini, antarmuka tersebut adalah MemoryAssistant.

// Define the interface that receives each user message.
 public interface MemoryAssistant {

 	@SystemMessage("""
         	You are a simple assistant with access to durable memory notes.
         	Use searchMemories when earlier notes might help answer the user.
         	If the user explicitly asks you to remember something for later, call storeMemory.
         	Keep answers concise.
         	""")
 	@UserMessage("{{message}}")
 	String chat(@V("message") String message);
 }Didukung oleh

Bagian terpenting adalah pesan sistem. Ini memberi tahu model kapan harus menggunakan setiap alat:

• Cari ketika catatan sebelumnya mungkin membantu
• Simpan ketika pengguna secara eksplisit meminta asisten untuk mengingat sesuatu

Itu adalah contoh kebijakan alat yang ringan. Prompt-nya singkat, tetapi cukup spesifik untuk memandu pemilihan alat.

Ekspos operasi memori sebagai alat

Agen tidak berinteraksi langsung dengan repositori. Sebagai gantinya, ia memanggil lapisan MemoryTools.

Berikut metode penyimpanannya:

// Save a note and return its generated memory identifier.
 @Tool(
     	"Store a new memory note when the user asks you to remember something "
             	+ "important for later."
 )
 public String storeMemory(String note) {
 	long id = repository.store(note);
 	return "Stored memory M" + id + ".";
 }Didukung oleh

Ini sengaja dibuat ringkas. Seorang pengguna mungkin berkata:

Remember that the next shift should verify the checkout retry queue stays below 50.Didukung oleh

Jika model mengikuti prompt sistem dengan benar, ia memanggil storeMemory(), repositori menyimpan catatan tersebut, dan alat mengembalikan sesuatu seperti:

Stored memory M4.Didukung oleh

Nanti, pengguna dapat bertanya:

What should the next shift verify?Didukung oleh

Pada titik itu, agen dapat memanggil searchMemories() dan menggunakan catatan yang dikembalikan untuk menjawab.

Buat lapisan repositori

Repositori adalah tempat sebagian besar logika memori yang tahan lama berada. Ini tetap berupa JDBC biasa, yang membuat desainnya mudah diperiksa.

Secara tingkat tinggi, MemoryRepository bertanggung jawab atas:

• Pembuatan skema
• Pengisian awal opsional
• Penyisipan catatan
• Ekstraksi kata kunci
• Pencarian Oracle Text
• Pengambilan cadangan catatan terbaru saat tidak ada kata kunci yang berguna

Jalur penyisipan menormalisasi dan memvalidasi teks catatan sebelum menyimpannya:

// Normalize the note, store its JSON document, and return the generated ID.
 public long store(String note) {
 	String normalized = normalizeNote(note);
 	Instant createdAt = Instant.now();
 	try (
         	Connection connection = dataSource.getConnection();
         	PreparedStatement statement = connection.prepareStatement(
                 	INSERT_SQL,
                 	new String[]{"id"})
 	) {
     	statement.setObject(
             	1,
                 toJsonDocument(normalized, createdAt),
             	OracleTypes.JSON
     	);
     	statement.setTimestamp(2, Timestamp.from(createdAt));
     	statement.executeUpdate();
     	try (ResultSet keys = statement.getGeneratedKeys()) {
         	if (keys.next()) {
             	return keys.getLong(1);
         	}
     	}
     	throw new IllegalStateException(
             	"No generated id returned for stored memory."
     	);
 	} catch (SQLException e) {
     	throw new RuntimeException("Failed to store memory", e);
 	}
 }Didukung oleh

Dokumen JSON itu sendiri terlihat seperti ini:

{
 	"noteText": "Runbook note: use section 3 to validate checkout recovery after a rollback.",
 	"createdAt": "2026-04-27T17:00:00Z"
 }Didukung oleh

Struktur ini sederhana, tetapi cukup untuk mendukung penyimpanan dan pencarian teks.

Pahami strategi pencarian

Bagian paling menarik dari repositori adalah metode search():

// Search by extracted keywords or fall back to recent notes.
 public List<Note> search(String question, int maxResults) {
 	List<String> keywords = extractKeywords(question);
 	if (keywords.isEmpty()) {
     	return findRecent(maxResults);
 	}
 	return textSearch(buildTextExpression(keywords), maxResults);
 }Didukung oleh

Metode ini mengikuti alur praktis:

1. Tokenisasi pertanyaan pengguna

2. Ubah token menjadi huruf kecil

3. Hapus stop word seperti the, what, dan remember

4. Pertahankan token pendek yang bermakna saat mengandung digit

5. Bangun ekspresi Oracle Text dengan ACCUM

6. Cari data JSON dengan json_textcontains

Detail “digit diperbolehkan” itu penting. Ini membantu istilah seperti CHG2145 lolos dari ekstraksi kata kunci, yang merupakan jenis pencarian berbasis pengenal yang dibutuhkan banyak agen operasional.

Alur pencarian mengonversi pertanyaan menjadi ekspresi kata kunci dan mengembalikan catatan memori yang diperingkat.

Kueri SQL pencariannya adalah:

-- Rank matching notes by Oracle Text relevance.
 SELECT id,
    	JSON_VALUE(
        	memory_doc,
        	'$.noteText' RETURNING VARCHAR2(2000 CHAR)
    	) AS note_text,
    	created_at,
    	SCORE(1) AS text_score
 FROM agent_memories
 WHERE JSON_TEXTCONTAINS(memory_doc, '$', ?, 1)
 ORDER BY SCORE(1) DESC, id DESC
 FETCH FIRST ? ROWS ONLYDidukung oleh

Jika pertanyaan tidak menghasilkan kata kunci yang berguna, repositori kembali ke catatan terbaru. Itu memberi agen nilai bawaan yang masuk akal alih-alih terlalu cepat mengembalikan pencarian kosong.

Rangkai semuanya dalam aplikasi

Aplikasi menyatukan bagian-bagian dengan AiServices.builder():

// Build the chat model, then attach the memory tools to the assistant.
 ChatModel chatModel = OpenAiChatModel.builder()
     	.apiKey(apiKey)
         .modelName("gpt-5-nano")
     	.build();

 MemoryAssistant assistant = AiServices.builder(MemoryAssistant.class)
     	.chatModel(chatModel)
     	.tools(new MemoryTools(repository))
     	.build();Didukung oleh

Ini adalah pola lengkap dalam satu tempat:

• Bangun model chat
• Ekspos metode alat
• Ikat alat tersebut ke agen berbasis antarmuka

Setelah itu, loop konsol cukup meneruskan input pengguna ke assistant.chat(input).

Coba prompt demo

Aplikasi mencetak beberapa prompt awal:

What do we know about CHG2145?
 Remember that the next shift should verify the checkout retry queue stays below 50.
 What should the next shift verify?Didukung oleh

Prompt ini berguna karena melatih seluruh siklus hidup memori:

• Ambil catatan seed yang sudah ada
• Simpan catatan baru
• Ambil catatan yang baru disimpan nanti

Tips dan Pemecahan Masalah

Modul ini sengaja sempit, yang merupakan kekuatan saat Anda mempelajari polanya. Namun, ada beberapa detail praktis yang perlu diingat.

Buat instruksi alat tetap eksplisit

Prompt sistem memberi tahu model untuk menyimpan memori hanya ketika pengguna secara eksplisit memintanya. Itu membantu mengurangi penulisan yang tidak disengaja. Jika Anda memperluas prompt secara ceroboh, model bisa mulai menyimpan catatan bernilai rendah.

Perlakukan ini sebagai memori catatan yang tahan lama, bukan pengambilan pengetahuan penuh

Repositori ini paling cocok untuk catatan operasional singkat, pengingat, dan pengenal. Ini belum merupakan sistem retrieval-augmented generation lengkap dengan embedding, chunking, pencarian hibrida, atau perankingan.

Gunakan Oracle Text ketika pengenal itu penting

Untuk string seperti ID insiden, nomor tiket, dan referensi permintaan perubahan, pengambilan berorientasi kata kunci sering kali merupakan titik awal yang lebih baik daripada pencarian semantik. Contoh ini mencerminkan pertukaran tersebut dengan jelas.

Validasi setup database dan Docker Anda secara terpisah

Pengujian proyek adalah uji integrasi yang didukung oleh Testcontainers. Jika Docker tidak tersedia, mvn test akan gagal sebelum logika repositori berjalan. Itu adalah masalah lingkungan, bukan berarti bug aplikasi.

Jalankan pengujian dengan:

# Run the integration tests.
 mvn testDidukung oleh

Pengujian mencakup dua perilaku penting:

• Catatan dapat disimpan dan diambil melalui repositori
• Keluaran alat menyertakan ID memori dan teks catatan yang relevan

Mulai sederhana sebelum menambahkan lebih banyak fitur memori

Kesalahan umum dalam proyek agen adalah menambahkan penyimpanan vektor, riwayat percakapan, peringkasan, dan kebijakan pengambilan sekaligus. Contoh ini menunjukkan progresi yang lebih baik:

1. Definisikan kasus penggunaan memori yang konkret

2. Ekspos alat yang eksplisit

3. Dukung alat tersebut dengan penyimpanan yang tahan lama

4. Verifikasi perilaku pengambilan

5. Baru kemudian pertimbangkan pola memori yang lebih canggih

Terus Belajar

Jika Anda ingin terus membangun keterampilan agen setelah tutorial ini, sumber daya DataCamp berikut adalah langkah selanjutnya yang baik:

• Membangun Agen AI dengan Google ADK
• Tutorial Agent Development Kit (ADK)
• Jalur Dasar-dasar Agen AI

Kesimpulan

Anda sekarang telah melihat cara membangun agen kecil namun berguna yang berkemampuan memori dengan LangChain4j, Java, dan Oracle AI Database. Gagasan intinya sederhana: berikan alat memori yang eksplisit kepada model, simpan catatan secara tahan lama sebagai JSON, dan ambil kembali dengan strategi pencarian yang lugas.

Desain ini merupakan fondasi yang kuat karena mudah dipahami dan mudah diperluas. Setelah pola ini berfungsi, Anda dapat menambahkan penyaringan yang lebih baik, skema catatan yang lebih kaya, cakupan pengguna, atau bahkan pencarian vektor jika kasus penggunaan menuntutnya.

Jika Anda ingin terus belajar tentang desain agen, langkah baik berikutnya adalah membandingkan pola memori berbasis alat ini dengan kerangka agen yang lebih luas dan alur orkestrasi. Secara khusus, layak untuk mengeksplorasi bagaimana alat eksplisit, pola pengambilan, dan agen multi-langkah saling terhubung dalam sistem AI yang lebih besar.