用 LangChain 玩转大模型：从零搭建你的第一个 AI 应用

AAA阿giao2025-12-27 13:38

引言

一句话概括：LangChain 是一个让你像搭积木一样构建 AI 应用的工程化框架。

在 ChatGPT 横空出世、Transformer 架构席卷全球的 2022 年，你可能以为 LangChain 是为了"蹭热度"才诞生的。但其实------LangChain 比 ChatGPT 还早！它早在 LLM（大语言模型）爆发前就默默布局，如今已推出 1.0+ 稳定版本，成为构建 AI 应用的事实标准之一。

今天，我们就通过一个真实的小项目，手把手带你走进 LangChain 的世界。我们将从环境准备 开始，到逐行解析代码 ，再到深入理解每个 API 的作用，让你不仅会用，还能讲清楚"为什么这么用"。

一、什么是 LangChain？

1.1 背景与定位

LangChain = Lang （语言模型） + Chain（链）

它的核心思想非常简单又强大：

  • 统一接口：无论你用的是 DeepSeek、OpenAI、Anthropic 还是本地 Llama，LangChain 都提供一致的调用方式。
  • 模块化组合：把 Prompt、LLM、Memory、Tools 等组件像乐高一样拼接成工作流（Chain）。
  • 工程化支持：不再是"prompt 调试即上线"，而是支持可测试、可维护、可扩展的 AI 应用开发。

你可以把它想象成 AI 版的 n8n 或 Coze ------ 把一个个"任务节点"（Node）连接起来，形成自动化流程。

1.2 核心概念速览

  • Model (LLM/ChatModel)：大语言模型的抽象接口。
  • PromptTemplate：结构化提示词模板，支持变量注入。
  • Chain：多个组件（如 Prompt + Model）组成的可执行流水线。
  • Runnable：所有可执行单元的基类（包括 Chain、Model、Function 等）。
  • Agent：能自主决策、调用工具的高级智能体（本项目未涉及，但基于 Chain 构建）。

LangChain 的哲学是：将 LLM 从"黑盒"变为"可编程模块"。

二、项目准备：5 分钟搭好脚手架

我们先看看项目的骨架。以下是 package.json 的内容：

bash 复制代码 
{
  "name": "demo",
  "version": "1.0.0",
  "main": "index.js",
  "scripts": {
    "test": "echo \"Error: no test specified\" && exit 1"
  },
  "keywords": [],
  "author": "",
  "license": "ISC",
  "description": "",
  "type": "module",
  "dependencies": {
    "@langchain/core": "^1.1.8",
    "@langchain/deepseek": "^1.0.3",
    "dotenv": "^17.2.3",
    "langchain": "^1.2.3"
  }
}

2.1 关键字段解析

  • "name": "demo"：项目名称。
  • "version": "1.0.0"：遵循语义化版本。
  • "type": "module"：关键配置 ！启用 ES Module（ESM），所以我们使用 import 语法而非 CommonJS 的 require。这是现代 Node.js 项目的推荐做法。
  • "dependencies"：
    • @langchain/core：LangChain 的核心抽象层，包含 PromptTemplate、RunnableSequence 等基础类。
    • @langchain/deepseek：DeepSeek 官方提供的模型适配器（Provider），封装了 API 调用细节。
    • dotenv：用于加载 .env 文件中的环境变量，保护敏感信息（如 API Key）。
    • langchain：主包，整合常用功能，简化导入路径。

💡 为什么分开 core 和 deepseek？

LangChain 采用插件化架构 。core 提供通用接口，而 @langchain/deepseek 是针对特定模型的实现。这样你可以轻松切换模型，只需更换适配器包。

2.2 环境变量配置

接着看 .env 文件（敏感信息已脱敏，但结构保留）：

复制代码 
DEEPSEEK_API_KEY=sk-986270f999f548f4b35dee32393eaf42
  • 这个文件绝不应提交到 Git （通常加入 .gitignore）。
  • dotenv 包会在程序启动时自动读取该文件，并将变量注入 process.env。
  • LangChain 的模型适配器会自动检测 环境变量中的 DEEPSEEK_API_KEY，无需手动传入。

2.3 安装依赖

在项目根目录运行：

bash 复制代码 
pnpm install
# 或 npm install / yarn install

推荐使用 pnpm：速度快、磁盘占用少，且与 LangChain 官方示例一致。

至此，项目环境已准备就绪！

三、从最简单的开始：main.js ------ 直连 LLM

来看 main.js（原样引用，一字不改）：

javascript 复制代码 
import 'dotenv/config' // 加载环境变量
// console.log(process.env.DEEPSEEK_API_KEY)
import { ChatDeepSeek } from '@langchain/deepseek' // 适配器
const model = new ChatDeepSeek({ 
  model: 'deepseek-reasoner', 
  temperature: 0, 
})

// invoke执行 是一个异步函数，需要用 await 等待结果
const res = await model.invoke('用一句话解释什么是RAG')
console.log(res.content)
// RAG是一种基于检索的生成模型，它通过从外部知识库中检索相关信息来生成文本。

3.1 逐行详解

第 1 行：import 'dotenv/config'
  • 这是一个 side-effect import（副作用导入）。
  • 执行时会自动读取项目根目录下的 .env 文件，并将其中的键值对加载到 process.env 对象中。
  • 因此，后续代码可以直接通过 process.env.DEEPSEEK_API_KEY 访问密钥（虽然这里不需要显式使用）。
第 3 行：import { ChatDeepSeek } from '@langchain/deepseek'
  • 从 DeepSeek 适配器包中导入 ChatDeepSeek 类。
  • 这是一个 Chat 模型专用类 ，继承自 LangChain 的 BaseChatModel 抽象基类。
  • 它封装了与 DeepSeek API 的通信细节（如 HTTP 请求、错误处理、流式响应等）。
第 4--7 行：实例化模型
javascript 复制代码 
const model = new ChatDeepSeek({ 
  model: 'deepseek-reasoner', 
  temperature: 0, 
})
  • model: 'deepseek-reasoner' ：指定使用的模型名称。DeepSeek 提供多种模型，reasoner 版本擅长逻辑推理和复杂任务。
  • temperature: 0 ：控制生成文本的随机性。
    • 0 表示完全确定性（相同输入永远得到相同输出），适合事实性问答。
    • 值越高（最大通常为 1 或 2），输出越有创意但也越不稳定。

✅ 设计亮点：通过适配器模式，LangChain 屏蔽了不同 LLM 的 API 差异。换模型？只需改一行 import 和类名！

第 10-11 行：调用模型
javascript 复制代码 
const res = await model.invoke('用一句话解释什么是RAG')
console.log(res.content)
  • .invoke(input) ：
    • 这是所有 LangChain Runnable 对象的标准方法。
    • 对于 Chat 模型，input 可以是：
      • 字符串（本例）：自动包装为 HumanMessage。
      • BaseMessage[] 数组：用于多轮对话（如 [new HumanMessage("..."), new AIMessage("...")]）。
    • 返回一个 Promise<AIMessage>。
  • res.content ：
    • AIMessage 是 LangChain 定义的消息类型，包含：
      • .content：模型生成的文本。
      • .additional_kwargs：额外元数据（如 token 使用量，取决于模型支持）。
    • 打印结果如注释所示，准确解释了 RAG（Retrieval-Augmented Generation）。

✅ 小结 ：main.js 展示了 LangChain 最基础的能力------用统一接口调用任意 LLM，背后是"适配器模式"的威力。

四、加入提示词模板：1.js ------ 动态 Prompt

现在让 AI 更聪明一点。看 1.js：

javascript 复制代码 
// 适配器 provider 省去了适配工作
// 适配大模型也是工作量
import 'dotenv/config'
import { ChatDeepSeek } from '@langchain/deepseek' // 提示词模块 用于格式化提示词模板
import {PromptTemplate} from '@langchain/core/prompts'
// static 方法 用于创建提示词模板 方法 类的 不是实例的
const prompt = PromptTemplate.fromTemplate(`
 你是一个{role} 请用不超过{limit}字回答以下问题： {question} 
`)
const promptStr = await prompt.format({ 
  role: '前端面试官', 
  limit: 50, 
  question: '什么是闭包',
})
// const prompt2 = await prompt.format({
// role: '后端面试官',
// limit: '50',
// question: '什么是MVC'
// })
// console.log(promptStr, prompt2)
const model = new ChatDeepSeek({ 
  model: 'deepseek-reasoner', 
  temperature: 0.7
});
const res = await model.invoke(promptStr)
console.log(res.content); 
// 闭包是函数及其所在词法环境的组合，它使函数能够记住并访问创建时的作用域，即使函数在其他地方执行。

4.1 逐行详解

第 5 行：import {PromptTemplate} from '@langchain/core/prompts'
  • 从核心包导入 PromptTemplate。
  • 这是 LangChain 实现 Prompt 工程化 的基石。
第 7--9 行：创建模板
javascript 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} 
`)
  • PromptTemplate.fromTemplate(templateString) ：
    • 这是一个 静态工厂方法（static method），直接通过类调用，无需实例化。
    • 模板字符串中的 {role}、{limit}、{question} 是占位符。
    • LangChain 会自动解析这些占位符，并在 .format() 时替换。

💡 为什么用反引号（`````）？

方便书写多行字符串，提升可读性。实际内容会被 trim 和标准化。

第 10--14 行：格式化 Prompt
javascript 复制代码 
const promptStr = await prompt.format({ 
  role: '前端面试官', 
  limit: 50, 
  question: '什么是闭包',
})
  • .format(variables) ：

    • 接收一个对象，键必须与模板中的占位符匹配。

    • 返回一个格式化后的字符串（Promise<string>，所以用 await）。

    • 本例生成：

      复制代码 
      你是一个前端面试官 请用不超过50字回答以下问题： 什么是闭包

📝 注释中的 prompt2 示例展示了模板的复用性：同一模板，不同角色、问题。

第 23--26 行：调用模型
javascript 复制代码 
const model = new ChatDeepSeek({ 
  model: 'deepseek-reasoner', 
  temperature: 0.7
});
const res = await model.invoke(promptStr)
  • temperature: 0.7 ：
    • 引入适度随机性，让回答更自然、不机械。
    • 对比 main.js 的 0，这里更适合"面试官"这种需要人性化表达的场景。
第 27 行：输出结果
javascript 复制代码 
console.log(res.content); 
// 闭包是函数及其所在词法环境的组合，它使函数能够记住并访问创建时的作用域，即使函数在其他地方执行。
  • 模型成功扮演"前端面试官"，并在 50 字内精准回答。

小结 ：1.js 引入了 动态提示词，让同一个模板能应对不同角色、限制和问题，极大提升复用性与可控性。

五、构建工作流：2.js ------ 用 Chain 连接 Prompt 和 LLM

AI 应用往往不止一步。2.js 展示了如何用 Chain（链） 组合多个步骤：

javascript 复制代码 
// chain 链 多个节点 链接起来 形成一个流程
// AI业务是复杂的，需要多个节点来完成 分步骤处理
// 每个节点都有自己的功能，每个点都可执行
// 节点之间通过 输入输出 来通信
// 链 就是多个节点 链接起来 形成一个流程，即工作流
import 'dotenv/config'
import { ChatDeepSeek } from '@langchain/deepseek'
import { PromptTemplate } from '@langchain/core/prompts'
const model = new ChatDeepSeek({ 
  model: 'deepseek-reasoner', 
  temperature: 0.7
})
const prompt = PromptTemplate.fromTemplate(`
 你是一个前端专家，用一句话解释{topic} 
`)
// prompt 模板节点 -> model 节点
// model 代表的是llm节点 
// 结束节点 invoke 
// pipe 管道 用于链接多个节点，形成工作流
// runnable 可运行序列 是一个链 Sequencial workflow Agent
// SequencialChain
const chain = prompt.pipe(model)
// console.log(chain)
// console.log(chain, instanceof RunnableSequence)
const response = await chain.invoke({ topic: '什么是闭包'})
console.log(response.content) 
// 闭包是指函数能够记住并访问其词法作用域中的变量，即使该函数在其原始作用域之外执行。

5.1 逐行详解

第 12--15 行：定义模型与模板
  • 与之前类似，但模板更简洁：用一句话解释{topic}。
第 24 行：构建 Chain
javascript 复制代码 
const chain = prompt.pipe(model)
  • .pipe(other) ：
    • 这是 Runnable 接口的核心方法。
    • 它将当前对象（prompt）的输出作为下一个对象（model）的输入，返回一个新的 RunnableSequence。
    • 数据流：{topic} → prompt.format() → string → model.invoke() → AIMessage
  • RunnableSequence ：
    • 代表一个顺序执行的工作流。
    • 它本身也是一个 Runnable，因此可以继续 .pipe() 或直接 .invoke()。

💡 注释提到 "SequencialChain" ------ 这是 LangChain 旧版术语，新版统一为 RunnableSequence。

第 29 行：调用 Chain
javascript 复制代码 
const response = await chain.invoke({ topic: '什么是闭包'})
  • 注意：现在传入的是 { topic: '...' }，而不是格式化后的字符串！
  • chain 内部会自动将这个对象传递给 prompt.format()。
第 30 行：输出
javascript 复制代码 
console.log(response.content)
  • 返回 AIMessage，取 .content 即可。

✅ 小结 ：2.js 展示了 LangChain 的核心抽象------Chain 。它把"构造 prompt"和"调用 LLM"封装成一个原子操作，代码更简洁、逻辑更清晰，且具备组合性（可嵌套、可复用）。

六、复杂工作流：3.js ------ 多步 Chain 与总结提炼

最后，挑战高阶玩法：多阶段 Chain 。看 3.js：

javascript 复制代码 
import 'dotenv/config' // 加载环境变量
import { ChatDeepSeek } from '@langchain/deepseek' // 适配器
import { PromptTemplate } from '@langchain/core/prompts' // 提示词模板
// AI 应用的编程方式
// LLM 黑盒打开 以前key是prompt 现在是input
// langchain AI应用的工程化
import { RunnableSequence } from '@langchain/core/runnables' // 可运行序列 链
const model = new ChatDeepSeek({ 
  model: 'deepseek-reasoner', 
  temperature: 0.7
})
const explainPrompt = PromptTemplate.fromTemplate(`
 你是一个前端专家，请详细介绍一下概念：{topic}
 要求：覆盖定义、原理、使用方式、别超过300字。
`)
const summaryPrompt = PromptTemplate.fromTemplate(`
 请将以下前端概念解释总结为3个核心要点（每点不超过30个字）：
 {explanation}
`)
const explainChain = explainPrompt.pipe(model)
// console.log(explainChain)
const summaryChain = summaryPrompt.pipe(model)
// console.log(summaryChain)
const fullChain = RunnableSequence.from([
  // input 作为一个对象，包含topic
  (input) => explainChain.invoke({ topic: input.topic }).then(res => res.text),
  (explanation) => summaryChain.invoke({ explanation }).then(res => `知识点：${explanation} 总结：${res.text}`)
])
// console.log(fullChain)
const response = await fullChain.invoke({ topic: '什么是RAG'})
console.log(response) 
// RAG是一种基于检索的生成模型，它通过从外部知识库中检索相关信息来生成文本。

6.1 逐行详解

第 7 行：导入 RunnableSequence
  • 显式导入 RunnableSequence，用于手动构建复杂链。
第 10--19 行：定义两个 Prompt 模板
  • explainPrompt：要求详细解释（定义、原理、使用方式），限 300 字。
  • summaryPrompt：要求将解释总结为 3 个要点，每点 ≤30 字。
第 20--23 行：构建两个子 Chain
javascript 复制代码 
const explainChain = explainPrompt.pipe(model)
const summaryChain = summaryPrompt.pipe(model)
  • 每个 Chain 负责一个独立任务，高内聚、低耦合。
第 26--31 行：构建主 Chain
javascript 复制代码 
const fullChain = RunnableSequence.from([
  // input 作为一个对象，包含topic
  (input) => explainChain.invoke({ topic: input.topic }).then(res => res.text),
  (explanation) => summaryChain.invoke({ explanation }).then(res => `知识点：${explanation} 总结：${res.text}`)
])
  • RunnableSequence.from(steps) ：
    • 接收一个函数数组，每个函数代表一个处理步骤。
    • 步骤 1：
      • 输入：{ topic: 'RAG' }
      • 调用 explainChain，获取详细解释。
      • .then(res => res.text)：提取 AIMessage 的文本内容（res.text 是 res.content 的别名）。
    • 步骤 2：
      • 输入：上一步的输出（即解释文本）。
      • 调用 summaryChain，生成摘要。
      • 拼接最终字符串：知识点：... 总结：...
  • 为什么用 .then()？
    • 因为 invoke() 返回 Promise，而 RunnableSequence 要求每个步骤同步返回 Promise（不能用 await，因为函数不是 async）。

⚠️ 注意：这种写法略显冗长。LangChain 也支持更简洁的 LCEL（LangChain Expression Language）写法，但本例展示了底层机制。

第 34--35 行：执行与输出
javascript 复制代码 
const response = await fullChain.invoke({ topic: '什么是RAG'})
console.log(response)
  • 最终输出是一个包含"详细解释 + 要点总结"的字符串。

✅ 小结 ：3.js 展示了 LangChain 处理复杂 AI 逻辑的能力------分阶段思考、逐步精炼，模拟人类专家的工作流。这种模式非常适合教学、报告生成、知识提炼等场景。

七、总结：LangChain 的工程化价值

通过这 4 个文件，我们见证了 LangChain 如何一步步将"调用大模型"这件事：

文件 能力 核心 API 工程价值
main.js 基础调用 ChatDeepSeek, .invoke() 统一接口，屏蔽模型差异
1.js 动态 Prompt PromptTemplate.fromTemplate(), .format() Prompt 可配置、可复用
2.js 单步 Chain .pipe(), RunnableSequence 流程封装，逻辑清晰
3.js 多步 Chain RunnableSequence.from([...]) 复杂任务分解，模块化

为什么需要 LangChain？

  • 避免重复造轮子：每个 LLM 的 API 都不同，LangChain 提供统一抽象。
  • 提升开发效率：用声明式方式构建 AI 应用，而非过程式拼接字符串。
  • 增强可维护性：Chain 可测试、可组合、可监控。
  • 面向未来：轻松集成 Memory、Tools、Agents 等高级功能。

完整项目链接：lesson_zp/ai/langchain/demo: AI + 全栈学习仓库

下一步建议

  1. 添加对话记忆 ：使用 ConversationChain 或 RunnableWithMessageHistory。
  2. 接入 RAG ：用 RetrievalQAChain 连接向量数据库，实现知识库问答。
  3. 构建 Agent：让 AI 自主选择工具（如搜索、计算、API 调用）。
  4. 部署优化：使用缓存、流式响应、token 限制等生产级技巧。

Happy Coding！🚀

相关推荐
m0_692457102 小时前
图像噪点消除
人工智能·算法
Brduino脑机接口技术答疑2 小时前
TDCA 算法在 SSVEP-BCI 中的时间戳技术要求与工程实现
人工智能·深度学习·机器学习·脑机接口·ssvep
KAI智习2 小时前
大模型榜单周报（2025/12/27）
人工智能·大模型
duanju6662 小时前
2025年AI写作工具实战测评：寻找真正适配网文创作的工具
人工智能·ai写作·ai漫剧工具·ai创作工具
musk12122 小时前
english-12-word-25-12-25 , 单词 legacy Linear scenes 深度学习知识卡片
人工智能·深度学习
qq_2518364572 小时前
RAG（Retrieval-Augmented Generation，检索增强生成）系统开发
ai编程
丝斯20112 小时前
AI学习笔记整理（36）——自然语言处理
人工智能·笔记·学习
ar01232 小时前
AR+AI：人工智能驱动增强现实的无限可能
人工智能·ar
mini_0552 小时前
elementPlus版本升级,el-select默认值显示问题
前端·javascript·vue.js
热门推荐
01GitHub 镜像站点02从快手“12·22”直播攻击事件看：一次教科书式的业务层饱和攻击033D 圣诞树网页代码04电脑检测软件—图吧工具箱05Linux下V2Ray安装配置指南06UV安装并设置国内源07在VSCode配置Java开发环境的保姆级教程（适配各类AI编程IDE）08jdk21下载、安装（Windows、Linux、macOS）09Gemini3 生成的基于手势控制3D粒子圣诞树10Claude Code Skills 实用使用手册