前端学AI：基于Node.js的LangChain开发-知识概念本文主要介绍LangChain的简介、核心定位、核心组件

前端学AI：基于Node.js的LangChain开发-知识概念

本文主要介绍LangChain的简介、核心定位、核心组件、典型应用场景、常见基础API详解和推荐资料。

供自己以后查漏补缺，也欢迎同道朋友交流学习。

引言

最近在学习各种 AI 相关的知识，也研究了下 LangChain，我打算分俩个章节来介绍 LangChain，本章节主要介绍其简介、核心定位、核心组件、典型应用场景、常见基础API详解和推荐资料。

LangChain的简介

LangChain 是一个面向大语言模型（LLMs）应用开发的开源框架，旨在简化语言模型与外部系统、工具及数据的集成，帮助开发者快速构建智能化应用。

它不仅支持 Python 生态，还提供了完整的 Node.js 版本，使得 JS/TS 开发者能够无缝接入语言模型的能力。

我个人是前端开发工程师，Python 我也是会的，但还是写 Node.js 更方便，下面都会基于 Node.js 来介绍 LangChain 框架。

核心定位

LangChain 的核心目标是 将语言模型从“对话工具”转变为“生产级应用组件” ，解决以下关键问题：

集成性：将 LLMs 与数据库、API、文档等外部系统连接。
模块化：通过预构建的组件（如提示模板、记忆存储、工具链）降低开发复杂度。
灵活性：支持自定义扩展，适应从简单问答到复杂业务流程的多种场景。

Node.js版本的特点：

全栈能力：可直接在前后端项目中复用代码（如 Next.js、Express ）。
异步高效：基于 JS 的异步非阻塞模型，适合高并发场景。
工具链完善：与主流 Node.js 工具（如 Prisma、Supabase）深度集成。

核心组件

LangChain 通过六大核心组件实现功能解耦与复用：

`组件`	`功能描述`	`Node.js示例场景`
Models	对接多种 LLM 服务（如`OpenAI`、`Anthropic`）或本地模型（如`Ollama`）。	调用`ChatOpenAI`生成客服对话回复。
Prompts	动态生成`提示词模板`，支持`变量插值`和`结构化`输出控制。	创建商品推荐模板：`为{用户兴趣}推荐3个{品类}商品`。
Memory	管理对话或任务的`上下文状态`（`短期记忆`/`长期记忆`）。	保存`用户聊天记录`以实现`多轮对话连续性`。
Chains	将多个组件串联成`工作流`（如：`文档加载`→`文本分割`→`向量化`→`检索`→`生成答案`）。	构建`自动文档摘要生成链`。
Agents	让模型自主选择`工具`完成任务（如调用搜索引擎、计算器或数据库）。	开发`旅行规划助手`，自动查询天气、航班和酒店。
Indexes	结构化`外部数据`（文档、数据库），支持高效检索与语义理解。	为企业知识库构建问答系统。

典型应用场景

文档问答系统
- 流程：加载PDF/Word文档 → 文本分块 → 向量化存储 → 语义检索 → 生成答案。
- 技术栈：TextLoader + RecursiveCharacterTextSplitter + OpenAIEmbeddings + ChromaDB。
智能客服机器人
- 功能：多轮对话管理、意图识别、自动调用知识库或API。
- 核心组件：BufferMemory（记忆历史对话） + SerpAPI（实时信息查询） + LLMChain（生成自然回复）。
自动摘要与报告生成
- 实现：从数据库或网页抓取数据 → 提取关键信息 → 生成结构化摘要（JSON/Markdown）。
- 工具链：CheerioWebBaseLoader（网页抓取） + MapReduceChain（长文本处理） + OutputFixingParser（格式修正）。
知识图谱构建
- 步骤：解析非结构化文本 → 实体关系抽取 → 存储到图数据库（如Neo4j）。
- 关键能力：结合 LLMs 的语义理解与自定义抽取规则。

LangChain的优势

与传统直接调用 LLM API 的方式相比，LangChain 提供了显著优势：

标准化流程：预置最佳实践（如提示工程、错误重试），减少重复开发。
可扩展架构：允许替换模型供应商（如从 OpenAI 切换到 Azure OpenAI）而无需重写业务逻辑。
社区支持：活跃的开发者社区持续贡献新工具（如 Discord 集成、PDF解析器）。

Node.js版本的独特价值：

全栈开发：前端（React/Vue）与后端（Node.js）共享同一语言，降低学习成本。
性能优化：支持流式响应（Streaming）和边缘计算（如Vercel Edge Functions）。

与其他框架的对比

`框架`	`优势`	`局限性`	`适用场景`
LangChain	`功能全面`、社区活跃、`多语言支持`	`学习曲线较陡`	复杂 AI 应用开发
LlamaIndex	专注于`文档检索`与`问答`	缺乏链式流程和 `Agent` 支持	知识库问答
Semantic Kernel	微软生态集成、`C#`支持	`Node.js` 功能尚未完全对等	`Azure`云服务深度集成
Haystack	检索增强生成（`RAG`）领域领先	主要面向 Python，`Node.js 支持有限`	企业级搜索与问答系统

LangChain基础API详解

LangChain 的 API 设计以模块化和链式调用为核心，下面是一些基础 API 的简单介绍：

模型调用（Models）

LangChain 支持三类核心模型接口，满足不同场景需求：

LLMs

基础文本生成模型（如 GPT-3.5 ）

核心方法：generate() / call()

const model = new OpenAI({ temperature: 0.7 }); 
await model.call("写一首春天的诗");

Chat Models

对话式模型（如 GPT-4 ）

核心方法：predictMessages()

const chat = new ChatOpenAI();
await chat.predictMessages([new HumanMessage("你好！")]);

Embeddings

文本向量化模型（用于语义检索、聚类）

核心方法：embedQuery() / embedDocuments()

const embeddings = new OpenAIEmbeddings();
const vec = await embeddings.embedQuery("机器学习");

关键参数说明

temperature（0-2）：控制生成随机性，值越高结果越多样。
maxTokens：限制生成文本的最大长度。
streaming：启用流式传输（适合实时聊天场景）。

提示模板（Prompts）

通过模板动态生成提示词，支持结构化输入与输出控制：

基础模板

import { PromptTemplate } from "@langchain/core/prompts";

// 单变量模板
const template = "用{style}风格翻译以下文本：{text}";
const prompt = new PromptTemplate({
  template,
  inputVariables: ["style", "text"], 
});

// 使用示例
const formattedPrompt = await prompt.format({
  style: "文言文",
  text: "Hello world",
});
// 输出："用文言文风格翻译以下文本：Hello world"

Few-shot模板

嵌入示例提升模型表现：

import { FewShotPromptTemplate } from "langchain/prompts";

const examples = [
  { input: "高兴", output: "欣喜若狂" },
  { input: "悲伤", output: "心如刀绞" }
];

const examplePrompt = new PromptTemplate({
  template: "输入：{input}\n输出：{output}",
  inputVariables: ["input", "output"],
});

const fewShotPrompt = new FewShotPromptTemplate({
  examples,
  examplePrompt,
  suffix: "输入：{adjective}\n输出：", 
  inputVariables: ["adjective"],
});

await fewShotPrompt.format({ adjective: "愤怒" });
/* 输出：
输入：高兴
输出：欣喜若狂

输入：悲伤
输出：心如刀绞

输入：愤怒
输出： 
*/

文件模板加载

从外部文件读取模板：

import { PromptTemplate } from "@langchain/core/prompts";
import fs from "fs";

const template = fs.readFileSync("./prompts/email_template.txt", "utf-8");
const prompt = new PromptTemplate({
  template,
  inputVariables: ["userName", "product"],
});

链式调用（Chains）

通过组合多个组件构建复杂工作流：

LLMChain（基础链）

import { LLMChain } from "langchain/chains";

const chain = new LLMChain({
  llm: new OpenAI(),
  prompt: new PromptTemplate({
    template: "生成关于{topic}的{num}条冷知识", 
    inputVariables: ["topic", "num"]
  }),
});

const res = await chain.call({ topic: "宇宙", num: 3 });
// 输出：模型生成的3条宇宙冷知识

SequentialChain（顺序链）

串联多个链实现分步处理：

import { SequentialChain } from "langchain/chains";

const chain1 = new LLMChain({ ... }); // 生成文章大纲
const chain2 = new LLMChain({ ... }); // 扩展章节内容
const chain3 = new LLMChain({ ... }); // 优化语言风格

const overallChain = new SequentialChain({
  chains: [chain1, chain2, chain3],
  inputVariables: ["title"],
  outputVariables: ["outline", "content", "final"],
});

const result = await overallChain.call({ title: "人工智能的未来" });

TransformChain（转换链）

自定义数据处理逻辑：

import { TransformChain } from "langchain/chains";

const transform = new TransformChain({
  transform: async (inputs) => {
    // 自定义处理逻辑（如文本清洗）
    return { cleaned: inputs.text.replace(/\d+/g, "") };
  },
  inputVariables: ["text"],
  outputVariables: ["cleaned"],
});

文档加载器（Document Loaders）

支持从多种来源加载结构化文档：

本地文件：加载 文本/PDF/Word 文档。

const loader = new TextLoader("example.txt");
const docs = await loader.load();

const loader2 = new PDFLoader("report.pdf");
const docs2 = await loader2.load();

console.log({ docs });
console.log({ docs2 });

网页内容：抓取指定 URL 的 HTML 内容。

const loader = new CheerioWebBaseLoader("https://exampleurl.com");
const docs = await loader.load();
console.log({ docs });

数据库：从 MySQL/MongoDB 读取数据。

import { createClient } from "@supabase/supabase-js";
import { OpenAIEmbeddings } from "@langchain/openai";
import { SupabaseHybridSearch } from "@langchain/community/retrievers/supabase";

// 初始化 Supabase 客户端
const client = createClient(
  process.env.SUPABASE_URL,
  process.env.SUPABASE_PRIVATE_KEY
);

// 创建混合检索器
const retriever = new SupabaseHybridSearch(new OpenAIEmbeddings(), {
  client,
  similarityK: 5,       // 语义搜索返回结果数
  keywordK: 3,           // 关键词搜索返回结果数
  tableName: "documents", // 数据库表名
  similarityQueryName: "match_documents", // 语义搜索函数名
  keywordQueryName: "kw_match_documents", // 关键词搜索函数名
  // 高级参数
  reRanker: (results) => {
    // 自定义结果合并策略（如加权分数）
    return results.sort((a, b) => b.score - a.score);
  }
});

云存储：从 AWS S3/GCS 加载文件。

const loader = new S3Loader({
  bucket: "my-document-bucket-123",
  key: "AccountingOverview.pdf",
  s3Config: {
    region: "us-east-1",
    credentials: {
      accessKeyId: "<YourAccessKeyId>",
      secretAccessKey: "<YourSecretAccessKey>",
    },
  },
  unstructuredAPIURL: "<YourUnstructuredAPIURL>",
  unstructuredAPIKey: "<YourUnstructuredAPIKey>",
});
const docs = await loader.load();

文档分块处理：

import { RecursiveCharacterTextSplitter } from "langchain/text_splitter";

const splitter = new RecursiveCharacterTextSplitter({
  chunkSize: 500,   // 单块最大字符数
  chunkOverlap: 50, // 块间重叠字符
});

const docs = await loader.load();
const splitDocs = await splitter.splitDocuments(docs);

内存管理（Memory）

管理对话或任务的上下文状态：

对话记忆

import { BufferMemory } from "langchain/memory";

const memory = new BufferMemory({
  memoryKey: "chat_history", // 存储对话历史的字段名
});

const chain = new ConversationChain({ 
  llm: new ChatOpenAI(),
  memory 
});

// 连续对话
await chain.call({ input: "你好！" });
await chain.call({ input: "刚才我们聊了什么？" }); // 模型能回忆历史

实体记忆

跟踪特定实体信息：

import { EntityMemory } from "langchain/memory";

const memory = new EntityMemory({
  llm: new OpenAI(),
  entities: ["userName", "preferences"], // 需要跟踪的实体
});

await memory.saveContext(
  { input: "我叫张三，喜欢科幻电影" }, 
  { output: "已记录您的偏好" }
);

const currentEntities = await memory.loadEntities();
// 输出：{ userName: "张三", preferences: "科幻电影" }

输出解析（Output Parsers）

将模型返回的文本转换为结构化数据：

基础解析器

import { StringOutputParser } from "@langchain/core/output_parsers";

const chain = prompt.pipe(model).pipe(new StringOutputParser());
const result = await chain.invoke({ topic: "量子计算" });

结构化解析

import { StructuredOutputParser } from "langchain/output_parsers";

// 定义输出Schema
const parser = StructuredOutputParser.fromZodSchema(
  z.object({
    title: z.string().describe("生成的文章标题"),
    keywords: z.array(z.string()).describe("3-5个关键词"),
    content: z.string().describe("不少于500字的内容")
  })
);

const chain = new LLMChain({
  llm: model,
  prompt: new PromptTemplate({
    template: "根据主题{topic}写一篇文章\n{format_instructions}",
    inputVariables: ["topic"],
    partialVariables: { format_instructions: parser.getFormatInstructions() }
  }),
  outputParser: parser
});

const res = await chain.call({ topic: "可再生能源" });
// res 将自动转换为JSON对象：{ title: "...", keywords: [...], content: "..." }

工具与代理（Tools & Agents）

集成外部API扩展模型能力：

预定义工具

import { Calculator, SerpAPI } from "langchain/tools";

const tools = [
  new Calculator(),       // 数学计算
  new SerpAPI(),          // 实时网络搜索
  new WolframAlphaTool(), // 科学计算
];

自定义工具

import { DynamicTool } from "langchain/tools";

const weatherTool = new DynamicTool({
  name: "get_weather",
  description: "查询指定城市的天气",
  func: async (city) => {
    const apiUrl = `https://api.weather.com/${city}`;
    return await fetch(apiUrl).then(res => res.json());
  }
});

代理执行

import { initializeAgentExecutorWithOptions } from "langchain/agents";

const executor = await initializeAgentExecutorWithOptions(
  tools, 
  new ChatOpenAI({ temperature: 0 }), 
  { agentType: "structured-chat-zero-shot-react-description" }
);

const res = await executor.invoke({
  input: "上海当前温度是多少？比纽约高多少摄氏度？"
});
// 模型将自动调用天气查询工具和计算器

检索增强（Retrieval）

结合向量数据库实现知识增强：

import { MemoryVectorStore } from "langchain/vectorstores/memory";
import { OpenAIEmbeddings } from "@langchain/openai";

// 1. 加载文档并向量化
const vectorStore = await MemoryVectorStore.fromDocuments(
  splitDocs, 
  new OpenAIEmbeddings()
);

// 2. 语义检索
const results = await vectorStore.similaritySearch("神经网络的发展历史", 3);

// 3. 将检索结果注入提示词
const chain = createRetrievalChain({
  retriever: vectorStore.asRetriever(),
  combineDocsChain: new LLMChain(...)
});

前端学AI：基于Node.js的LangChain开发-知识概念