5分钟跑通 LangChain，第一个 AI Demo（超详细）

本文主要跑通一个基本langchain 的Model I/O(Model Input / Output)：也就是 你如何把数据"送进模型"（Input），以及如何从模型"拿出结果"（Output）。
会先以最基本的 初始化模型 -> 用户输入 -> 模型调用。完成最小闭环。至于提示词工程，结构化输出，消息类型，会在后面做补充
以下是Lanchain Model I/O的示意图: 模型调用的"输入输出协议层"

文章目录

• 为什么要用 LangChain 开发ai 应用
• apiKey的申请 及开发环境准备
• 模型初始化 initChatModel 方法
• 模型调用 invock 方法
• 细节补充及总结

为什么要用 LangChain 开发ai 应用？

• 抹平模型厂商差异

现在 AI 模型厂商层出不穷，这对整个行业来说是好事，推动了 AI 的快速发展。

但对于开发者来说，其实并不那么友好。

在实际项目中，我们往往不会只使用一家模型厂商的服务，比如可能同时接入：

• OpenAI
• 阿里百炼
• 智谱 AI
• 甚至一些本地模型

这时候问题就来了：

👉 不同厂商的 API 调用方式、参数格式、返回结构都不一样

如果每接一个模型就写一套适配逻辑：

• 代码会变得非常混乱
• 后期维护成本极高

而 LangChain 的价值就在这里：

👉 统一模型调用方式，屏蔽底层差异

你可以把它理解为：

LangChain ≈ Java 里的 JDBC

只需要面向统一接口开发，就可以灵活切换不同模型厂商。

来看图示

langchain 源码体现：

👉 枚举各个厂商，然后通过 动态 import + 统一的 ConfigurableModel 代理实现（具体不细讲）

• 提供丰富的组件能力

LangChain 不只是"统一调用模型"这么简单，它本质是一个完整的 AI 应用开发框架，内置了很多核心能力，比如：

• Prompt 模板（PromptTemplate）
• 输出解析（OutputParser）
• 工具调用（Tools）
• 记忆管理（Memory）
• Agent 能力

不过说实话，对于大多数前端/应用开发者来说：

👉 日常用到最多的，其实还是：

• 聊天能力（LLM 调用）
• 简单的 Prompt 组织
• AI 工具接入 （cursor, Cloud Code）

---

大模型 ≠ 完整 AI 应用

很多人会有一个误区：

"有了大模型，就等于有了 AI 应用"

其实不是。

你可以把大模型理解为一个"超级大脑"，它具备：

• 强大的知识能力
• 推理能力

但它本身不具备：

• 长期记忆
• 行动能力
• 任务规划能力

所以，一个完整的 AI 应用通常是这样的：

AI Agent = LLM（大脑） + Memory（记忆） + Planning（规划） + Tools（工具）

👉 而 LangChain，正是帮你把这些能力"拼装起来"的工具。

下面就让我们来开始一个demo 尝尝鲜 😄😄😄

模型申请（阿里云百炼：有免费额度）

点击下方链接，阅读文档，根据文档指引，申请API Key

• 获取API Key

• 在模型广场选一个合适的模型即可，这里我们使用 qwen-coder-turbo

开发环境准备

• 创建项目

mkdir langchain-project
cd langchain-project
npm init -y

• 创建文件入口

src/langchain-invoke.mjs

说明：

• .mjs 是 ESM 模块格式
• 支持 import / export
• 方便我们快速调试

👉 后续工程化后，直接使用 .js 也是完全没问题的

初始化模型

• 安装依赖

pnpm install langchain

• 使用 initChatModel 初始化模型

import { initChatModel } from 'langchain';
const model = initChatModel(
   'qwen-coder-turbo' // 模型名
    {
        modelProvider: "openai", // 告诉工厂：虽然是 xxx服务，但请用 OpenAI 的 SDK 逻辑
        baseUrl: "https://dashscope.aliyuncs.com/compatible-mode/v1" // 对应SDK里的字段
        apiKey: 'sk-d69fd787d37241fxxxxe8bb914292108'  // 对应SDK里的字段
    }
)

模型调用

我们这里使用的是 ChatModel（对话模型），在初始化模型处 initChatModel

👉 特点：

• 输入：单条消息 / 消息列表
• 输出：一条 AIMessage

使用invoke

const response = await model.invoke("为什么鹦鹉有彩色的羽毛？");
console.log(response);
// console.log(response.content);

返回结果说明

返回值是一个 AIMessage 对象，例如：

{
  content: "因为羽毛中含有色素和结构色...",
  ...
}

👉 如果你只关心文本内容：

console.log(response.content);

🎉 小结

到这里，我们已经完成了：

• 模型初始化
• 模型调用
• 获取返回结果

👉 一个最基础的 LangChain Demo 就跑通了，是不是很简单？

进阶补充

❗ 别让你的 API Key "裸奔" ------ 使用.env

直接把 API Key 写死在代码里：

apiKey: 'sk-xxx'

👉 只适用于临时测试

👉 在生产环境中是非常危险的（会泄露密钥）

使用 dotenv 管理环境变量

• 安装：

pnpm install dotenv

• 创建 .env 文件：

# OpenAI API 配置

# OpenAI API 密钥
OPENAI_API_KEY=sk-d69fd787d37241xxxf9e8bb914292108
# OpenAI API 地址
OPENAI_BASE_URL=https://dashscope.aliyuncs.com/compatible-mode/v1
# 模型名称
MODEL_NAME=qwen-coder-turbo

• 在代码中使用

// import dotenv from "dotenv";
// dotenv.config();
import 'dotenv/config';
import { initChatModel } from 'langchain';

const model = await initChatModel(process.env.MODEL_NAME, {
  modelProvider: 'openai',
  apiKey: process.env.OPENAI_API_KEY,
  baseUrl: process.env.OPENAI_BASE_URL,
});

const result = await model.invoke("为什么鹦鹉有彩色的羽毛？");
console.log(result);

• .gitignore 忽略敏感信息

node_modules
.env
package-lock.json
.DS_Store

为什么有时读取不到 .env ？

我一开始为了图省事，直接 cd 到 src 目录，然后执行：

node ./langchain-invoke.mjs

结果直接报错：

👉 提示找不到 API Key

🧠 根本原因

问题其实出在这一点：

dotenv 默认是基于 当前执行目录（process.cwd） 去查找 .env 文件

也就是说：

👉 Node 并不知道你的"项目根目录"在哪里

👉 它只知道：你是从哪个目录执行 node 命令的

👉 src 下没有.env， 自然就读取不到了

初始化模型的另一种方式：ChatOpenAI

在早期 LangChain 使用中，我们通常直接使用 ChatOpenAI 这样的模型类。但随着多模型时代的到来，LangChain 提供了 initChatModel 作为统一入口，使开发者可以在不修改业务代码的情况下切换不同模型厂商，从而实现真正的模型解耦。

• 安装

pnpm install @langchain/openai

• 使用

import { ChatOpenAI } from '@langchain/openai';
const model = new ChatOpenAI({
  model: process.env.MODEL_NAME,
  apiKey: process.env.OPENAI_API_KEY,
  configuration: {
    baseURL: process.env.OPENAI_BASE_URL,
  },
});
const result = await model.invoke("为什么鹦鹉有彩色的羽毛？");
console.log(result);

initChatModel 和 ChatOpenAI 的区别

👉 ChatOpenAI = 面向 **OpenAI 的模型 SDK（具体实现）

👉 initChatModel = 模型统一入口（抽象层 + 工厂模式）

架构对比

# ChatOpenAI（单一厂商）
你的代码 → ChatOpenAI → OpenAI API

# initChatModel（多模型架构）
你的代码 → initChatModel → Provider Adapter → 任意模型

消息类型

在上面我们已经接触到了 AIMessage，顾名思义，它表示 AI 返回的消息 。

除此之外，LangChain 中还定义了一系列标准消息类型：

• HumanMessage：用户输入
• SystemMessage：系统指令（用于控制 AI 行为）
• AIMessage：模型输出
• ToolMessage：工具执行结果

demo

• 对象列表 （new xxx）

import { SystemMessage, HumanMessage, AIMessage } from "langchain";

const messages = [
  new SystemMessage("You are a poetry expert"),
  new HumanMessage("Write a haiku about spring"),
  new AIMessage("Cherry blossoms bloom..."),
];
const response = await model.invoke(messages);

• 字典格式 (k-v)

const messages = [
  { role: "system", content: "You are a poetry expert" },
  { role: "user", content: "Write a haiku about spring" },
  { role: "assistant", content: "Cherry blossoms bloom..." },
];
const response = await model.invoke(messages);

他的demo相对比较简单，看官方文档即可 docs.langchain.com/oss/javascr...

🤔 为什么不直接返回字符串？

你可能会有一个疑问：

👉 "我问 AI 一个问题，它直接返回字符串不就行了吗？为什么还要包一层 AIMessage？"

🤔 先说结论

Message 的存在，不是为了"多包一层"，

而是为了让 AI 的输出，从"文本"升级为"可编排的数据结构"。

Message 解决的 4 个真实问题（重点）

Message 是AI 执行过程的"状态载体"，会贯穿后面整个学习流程，所以是至关重要的！！！

1️⃣ 让 AI 可以"调用系统能力"

AIMessage.tool_calls

👉 用于：

• 查天气
• 查数据库
• 调接口
• 调用你写的函数

---

👉 没有 Message：

AI 只能"建议你去做"

👉 有 Message：

AI 可以"驱动系统帮你做"

2️⃣ 让 AI 输出"结构化数据"

比如你做电商（你现在就在做）👇

用户说：

帮我生成一个商品标题

---

👉 string：

"2024新款男士运动鞋，透气舒适"

👉 你还得自己解析 😓

---

👉 Message + 结构化：

{
  content: "",
  additional_kwargs: {
    title: "2024新款男士运动鞋",
    keywords: ["透气", "舒适"],
    category: "运动鞋"
  }
}

---

💥 第三个价值：

✅ 天然支持结构化输出（适合业务系统）

---

3️⃣ 支持多轮对话（上下文）

[
  new SystemMessage("你是电商运营助手"),
  new HumanMessage("帮我优化标题"),
  new AIMessage("请提供商品信息"),
  new HumanMessage("男士跑鞋")
]

---

👉 如果只是 string：

❌ 上下文全丢

---

💥 第四个价值：

✅ Message = 对话上下文容器

---

---

4️⃣ 支持"中间状态"（非常关键）

在复杂流程里，AI 不止返回最终结果：

---

👉 比如：

思考 → 调工具 → 再思考 → 输出结果

---

👉 Message 可以承载：

• 中间推理（部分可见）
• tool 调用
• token 消耗
• trace 信息

---

模型的其他调用方式

上面我们使用 invoke 来调用模型，可以发现它会在生成完整结果后一次性返回，因此往往需要等待一段时间。

如果希望像"打字机"一样实时看到模型的输出（流式返回），可以使用 stream 方法，让结果边生成边输出，提升交互体验。 除此之外，还有批量处理模型请求的batch

// stream
const stream = await model.stream("帮我生成一个比亚迪商品标题"); 
for await (const chunk of stream) { 
    // console.log('stream:', chunk);
    // console.log(chunk.text) 
    console.log(chunk.content) 
}

🎉 总结

本文围绕 LangChain 的 Model I/O，完成了从 模型初始化 → 输入构建 → 模型调用 → 输出解析 的最小闭环。

主要内容包括：

1. 为什么使用 LangChain

   通过统一接口抹平不同模型厂商之间的差异，同时提供丰富的组件能力，让我们可以专注于业务开发，而不是处理各种兼容问题。

2. 模型初始化

   以最常见的 ChatModel 为例，介绍了如何使用 initChatModel 初始化模型，以及 apiKey、baseUrl 等核心参数的配置方式，并补充了 dotenv 环境变量的使用实践。

3. 消息类型（Message）

   通过模型返回值 AIMessage，引出了 SystemMessage、HumanMessage 等消息类型，并讲解了对象形式与字典形式的写法。同时也解释了：

   👉 为什么模型不直接返回字符串，而是使用 Message 结构 ------ 因为 Message 是 AI 执行过程的"状态载体"，能够支持工具调用、多轮对话、中间状态以及结构化输出等能力。

4. 模型调用方式

   对比了 invoke、stream、batch 三种调用方式：

   • invoke：一次性返回，适合调试
   • stream：流式输出，更适合实际交互场景（主流方式）
   • batch：批量处理请求

---

至此，一个最基础的 AI Demo 已经完成。相信你已经对 LangChain 的 Model I/O 有了整体认知。

不过，关于 Message 的理解目前还停留在"能用"的阶段。

👉 在下一篇中，我们将深入分析 LangChain 的消息机制，以及它是如何驱动 Tool 和 Agent 执行的。

为了语句通顺，加入了很多ai 代写，希望大家谅解 🐶🐶🐶

入门文章，如有遗漏，还请多多指教 🤝🤝🤝