LangChain 入门与实践：从 LLM 调用到 AI 工作流的工程化思维

随着 ChatGPT 在 2022 年引爆 AIGC，基于 Transformer 的大语言模型（LLM）迅速进入应用层。然而，真正落地 AI 应用时，人们很快发现一个问题：调用模型很简单，构建复杂、可维护、可扩展的 AI 应用却很困难。

LangChain 正是在这样的背景下出现的。

一、LangChain 是什么？为什么需要它

LangChain 是一个 AI 应用开发框架 ，其目标并不是"造一个模型"，而是帮助开发者高效组织和编排大语言模型能力。

从命名上看：

Lang：Language / LLM（大语言模型）
Chain：将多个步骤、节点、能力串联起来

LangChain 的核心价值在于：
把一次 LLM 调用，升级为可组合、可复用、可编排的 AI 工作流。

这使得 AI 应用不再只是"一次 prompt + 一次返回"，而是具备工程结构的系统。

二、LangChain 的工程定位

在 AI 应用开发中，LangChain扮演的是中间层框架角色：

向下：适配不同 LLM Provider（OpenAI、DeepSeek 等）
向上：为业务提供统一、抽象的 AI 能力接口

关键特点

LLM 可插拔
统一接口（Chat / Completion）
提示词模块化
流程可组合（Chain / Runnable）
适合构建 Agent 与复杂 AI 系统

这也是为什么 LangChain 往往比具体模型"生命周期更长"。

三、Node.js + ESM + 环境配置

LangChain 在 Node.js 生态下具有良好的工程体验，典型配置包括：

使用 ESM
json 复制代码
```
{
  "type": "module"
}
```
使用 dotenv 管理敏感信息
使用 pnpm 安装依赖

bash 复制代码

pnpm i @langchain/deepseek @langchain/core dotenv

环境变量统一管理模型 Key：

arduino 复制代码

import 'dotenv/config'

这符合现代后端与 AI 工程的最佳实践。

四、LLM 适配器模式：统一模型调用

javascript 复制代码

import { ChatDeepSeek } from '@langchain/deepseek';

const model = new ChatDeepSeek({
  model: 'deepseek-reasoner',
  temperature: 0
});

这里体现了 LangChain 的适配器思想：

不关心底层 API 差异
不需要手写请求逻辑
模型可随时替换

在 LangChain 中，模型是资源，不是架构核心。

五、PromptTemplate：提示词的工程化

在真实项目中，prompt 不应是随意拼接的字符串，而应是结构化、可复用的模板。

ini 复制代码

const prompt = PromptTemplate.fromTemplate(`
你是一个{role}.
请用不超过{limit}字回答以下问题:
{question}
`);

通过 format 注入变量：

php 复制代码

const promptStr = await prompt.format({
  role: '前端面试官',
  limit: '50',
  question: '什么是闭包'
});

PromptTemplate 的价值在于：

提示词逻辑集中管理
参数化、可配置
易于调优与迭代

六、Chain：从一次调用到流程编排

最简单的 Chain（Prompt → Model）

ini 复制代码

const chain = prompt.pipe(model);

const response = await chain.invoke({
  topic: '闭包'
});

这里的 pipe 本质是：

将多个 Runnable 节点 串联成一个执行流程

每个节点：

可执行
可替换
可独立测试

RunnableSequence：多步骤 AI 工作流

javascript 复制代码

const fullChain = RunnableSequence.from([
  (input) => explainChain.invoke({ topic: input.topic }).then(res => res.text),
  (explanation) =>
    summaryChain.invoke({ explanation })
      .then(res => `知识点:${explanation} 总结:${res.text}`)
]);

这个例子体现了 AI 应用的真实形态：

第一步：生成详细解释
第二步：基于结果进行总结
步骤之间通过数据流衔接

这已经不是"调模型"，而是：

用 LLM 构建可控的业务流程

七、LangChain 的核心编程范式

通过这些示例，可以总结出 LangChain 的 AI 编程范式：

LLM 是黑盒，但 Prompt 是入口

Prompt = 控制模型行为的唯一方式
Prompt 需要工程化管理

AI 能力需要"拆步骤"

复杂问题 ≠ 一次调用解决

而是：

拆解任务
每一步职责清晰
串联成工作流

Chain 是 AI 应用的核心抽象

Prompt 是节点
Model 是节点
Chain 是流程
Runnable 是执行单元