让 AI 自动写 SQL、读文档，前端也能玩转 Agent！ langchain chains 模块解析

前言

注，langchain 更新速度很快，本文所有案例都经过试验，在 2025年12月可用！并且所有案例的 python 和 node.js 版本我都测试通过。

这是「写给小白学 AI」系列的第 5 篇文章，这个系列专门为刚接触人工智能的前端开发者和编程新手打造。如果你错过了之前的精彩内容，可以在这里补课：

学习提示：案例使用的 node.js

LangChain Chains中的 Chains 模块，主要作用就是串联基础模块的功能，简单来说如果你用过 linux，你一定知道管道操作符，作用也是一模一样的，我们举个例子你就马上明白了。

下面是没有用 chains 模块，我们需要经历如下过程才能得到结果（使用了 json 解析器）伪代码：

rust 复制代码

定义 template -> 将 template 的结果传入到大模型 -> 调用大模型, 得到结果 -> 传入 json解析器解析结果

我们拿一个 node.js 版本代码举例：

javascript 复制代码

import dotenv from "dotenv";
import { ChatOpenAI } from "@langchain/openai";
import {
  ChatPromptTemplate,
} from "@langchain/core/prompts";
import {
  StructuredOutputParser,
} from "@langchain/core/output_parsers";
import { z } from "zod";

dotenv.config();

/**
 * 1. 定义结构（强烈推荐）
 */
const UserSchema = z.object({
  name: z.string().describe("用户姓名"),
  age: z.number().describe("用户年龄"),
});

/**
 * 2. 创建 Parser
 * 本质：JsonOutputParser + Zod 校验
 */
const parser = StructuredOutputParser.fromZodSchema(UserSchema);

/**
 * 3. Prompt（必须注入 format instructions）
 */
const prompt = ChatPromptTemplate.fromMessages([
  ["system", "你是一个后端 API，请严格返回 JSON.\n${instructions}"],
  ["human", "{input}"],
]);

/**
 * 4. 模型
 */
const llm = new ChatOpenAI({
  modelName: process.env.MODEL_NAME,
  temperature: 0,
  openAIApiKey: process.env.OPENAI_API_KEY,
  baseUrl: process.env.OPENAI_BASE_URL,
});

async function printResult() {
  const template = await prompt.invoke({
    input: "生成一个用户对象",
    instructions: parser.getFormatInstructions(),
  });

  const res = await llm.invoke(template);

}

printResult();

上面的代码如果改为 chains 语法（链式语法），主要变化体现在 printResult 函数上：

csharp 复制代码

/**
 * 2. 创建 Parser
 * 本质：JsonOutputParser + Zod 校验
 */
const parser = StructuredOutputParser.fromZodSchema(UserSchema);

const prompt = ChatPromptTemplate.fromMessages([
  ["system", "你是一个后端 API，请严格返回 JSON.\n${instructions}"],
  ["human", "{input}"],
]);

async function printResult() {
  const res = await prompt.pipe(llm).pipe(parser).invoke({
    input: "生成一个用户对象",
    instructions: parser.getFormatInstructions(),
  });

如上，通过 prompt 的pipe方法，将 prompt（提示词模板），交接给大模型（llm）,然后将大模型的输出，通过 pipe 方法传递给 parser，这里我们定义的其实是一个json parser，本质就是从大模型返回的数据中提取 json 数据（大模型返回的字段很多，json parser 只提取返回的我们需要的 json 格式数据）。

其实这里基础的 chains 模块的知识就讲完了。也就是liangchain 把各个模块通过链式语法简化了使用方式。接下来我们介绍一些有意思的也是 chains 模块的方法。

create_sql_query_chain

我们都说前端已死，意思是 ai 能替代很多前端工作，这里介绍的这个 chain，其实能替代不少后端工作。它就是：

create_sql_query_chain 的职责非常单一、清晰：

将自然语言问题 → 转换为 SQL 查询语句（字符串）

这个完全可以当做一个业务上的辅助模块，帮助后端开发自动生成对应的 sql 语句。简单来说：我们直接用 langchain 中的 create_sql_query_chain 结合大模型，问："最近 7 天每天新增的用户数量"，然后就会返回真正查询数据库的 sql 语句。

注：langchain文档变化非常快，以至于很多包导入方式跟文档不一样（最新文档也不行）。以下代码是看了源码才知道如何导入的。。。费了很大力气。

以下需要使用导入新的包 @langchain/classic, typeorm, 因为我本地起了一个 postgresql，所以还要下载 pg 这个 npm 包（导入适合你使用的数据库）。

其中我用的 new ChatOpenAI 的参数不知道的，请参考我之前的文章，

前端和小白都能看懂的 LangChain Model 模块核心实战指南

javascript 复制代码

import dotenv from "dotenv";
import { ChatOpenAI } from "@langchain/openai";
import { SqlDatabase } from "@langchain/classic/sql_db";
import { createSqlQueryChain } from "@langchain/classic/chains/sql_db";
import { DataSource } from "typeorm";

dotenv.config();

const datasource = new DataSource({
  type: "postgres",
  host: "localhost",
  port: 5432,
  username: "xxx",
  password: "xxx",
  database: "xxx",
  // schema: "public", // 默认为 public，如果使用其他 schema 请指定
});

// 2. 初始化 LangChain 数据库包装类
const db = await SqlDatabase.fromDataSourceParams({
  appDataSource: datasource,
});


const llm = new ChatOpenAI({
  modelName: process.env.MODEL_NAME,
  temperature: 0,
  openAIApiKey: process.env.OPENAI_API_KEY,
  baseUrl: process.env.OPENAI_BASE_URL,
});

// 4. 创建 SQL 生成链
const chain = await createSqlQueryChain({
  llm,
  db,
  dialect: "postgres", // 显式指定为 postgres
});

// 5. 测试生成
const response = await chain.invoke({
  question: "User 表中有多少用户？",
});

console.log("生成的 SQL:", response);

生成的 SQL 如下：

python 复制代码

"SELECT COUNT(*) FROM "public"."User""

是不是还是挺方便的，哈哈。其实上面的代码拓展一下，在某种程度上能实现一个辅助程序员的 sql 生成库。在开发环境可用，生产环境肯定是不建议的，因为你不能百分百相信大模型的生成结果。

createStuffDocumentsChain

createStuffDocumentsChain 是一个用于将多个文档（Documents）"塞进"提示词（Prompt）中并发送给大模型（LLM）的辅助函数。它是构建 RAG（检索增强生成）应用的核心步骤之一。

以下是一个案例，一看就懂！

javascript 复制代码

import dotenv from "dotenv";
import { ChatOpenAI } from "@langchain/openai";
import { createStuffDocumentsChain } from "@langchain/classic/chains/combine_documents";
import { Document } from "@langchain/core/documents";


dotenv.config();

// 创建提示词模板给大模型
const prompt = ChatPromptTemplate.fromTemplate(`
    使用以下上下文回答用户的问题。
    如果你不知道答案，就说你不知道，不要尝试虚构。
    
    上下文: {context}
    
    问题: {input}
  `);

// 初始话大模型（我们用的 deepseek，充值10元能用很久）
const llm = new ChatOpenAI({
  modelName: process.env.MODEL_NAME,
  temperature: 0,
  openAIApiKey: process.env.OPENAI_API_KEY,
  baseUrl: process.env.OPENAI_BASE_URL,
});

// 创建文档chain
const chain = await createStuffDocumentsChain({
  llm,
  prompt,
});

// 模拟一些文档数据
const docs = [
  new Document({
    pageContent: "LangChain 是一个用于开发由语言模型驱动的应用的框架。",
  }),
  new Document({
    pageContent: "它支持 Python 和 JavaScript/TypeScript 两种语言。",
  }),
];

// 5. 测试生成
const response = await chain.invoke({
  input: "LangChain 支持哪些编程语言？",
  context: docs,
});

console.log(response);

返回的结果是：

复制代码

根据上下文，LangChain 支持 Python 和 JavaScript/TypeScript 两种编程语言。

欢迎一起交流

欢迎大家一起进群讨论前端全栈技术和 ai agent ，一起进步！

我的微信: a2298613245