langchain.js

一、核心说明 你提供的代码是 LangChain.js 实现 RAG（Retrieval-Augmented Generation，检索增强生成） 的标准范例，核心是将「向量数据库的相似性检索」与「大

核心说明 向量数据库是 LangChain 构建知识库问答的核心组件，用于存储文档文本的向量嵌入（Embedding），并支持相似性检索（根据查询语句的向量匹配最相关的文本块）。分为「内存向量数据库」

核心说明 LangChain 提供丰富的文档加载器（Loader），用于将不同格式（CSV/JSON/JSONL/DOCX/TXT）的文件转换为标准化的 Document 对象（包含 pageCont

核心说明 会话记忆是 LangChain 实现多轮对话上下文感知的核心能力，核心分为「临时会话记忆」（内存存储，程序重启丢失）和「长期会话记忆」（持久化存储，跨会话保留）。两者均基于 Runnable

核心说明 LangChain.js 提供多种提示词模板（PromptTemplate），用于规范化构建大模型输入，替代硬编码的字符串拼接，提升交互的精准性、复用性和可维护性。以下结合通义千问翻译场景，

大模型按功能和使用场景可分为三大核心类型，以下结合 LangChain.js 调用通义千问的实操代码，分别讲解各类模型的定位、用法和适用场景： 模型分类 核心定位 典型能力 适用场景 大语言模型（LL

调用通义千问大模型 方式1：使用 @langchain/community 专属适配器 依赖安装 调用代码 方式2：使用 @langchain/openai 兼容接口 依赖安装 调用代码