LangChain：让大模型开发像搭积木一样简单LangChain 是一个面向大语言模型的开发框架，通过统一接口、模块化

LangChain：让大模型开发像搭积木一样简单

2022年，ChatGPT 的横空出世引爆了全球对生成式人工智能（AIGC）的关注。然而很多人可能不知道，在 ChatGPT 爆火之前，一个名为 LangChain 的开源框架就已经悄然诞生，并在 2023 年发布了 1.0+ 正式版本。LangChain 并不是大模型本身，而是一个面向大语言模型（LLM）应用开发的工程化框架，其核心理念是“Lang + Chain”——用自然语言驱动、通过可组合的链（Chain）构建复杂 AI 应用。

本文将从基础概念出发，结合实战代码，带你深入理解 LangChain 的设计哲学与使用方式，尤其适合前端工程师快速上手 AI 应用开发。

一、为什么需要 LangChain？

大模型如 DeepSeek、GPT、Claude 等虽然强大，但直接调用 API 存在几个痛点：

模型接口不统一：不同厂商的 API 参数、格式、认证方式各异；
提示词（Prompt）管理混乱：硬编码字符串难以维护和复用；
业务逻辑复杂：真实场景往往需要多步推理、工具调用、记忆上下文等；
模型迭代快：今天用 DeepSeek，明天可能换 Qwen，代码耦合度高。

LangChain 正是为解决这些问题而生。它通过适配器模式统一了 LLM 接口，通过模块化组件（如 PromptTemplate、RunnableSequence）让开发者像搭积木一样构建 AI 工作流。

二、LangChain 核心概念解析

1. `lang`：统一的大模型抽象层

LangChain 提供了对主流 LLM 的封装，例如 @langchain/deepseek、@langchain/openai 等。你只需安装对应包，即可用完全一致的接口调用不同模型。

// main.js
import 'dotenv/config'; // 加载 .env 文件中的环境变量到 process.env
import { ChatDeepSeek } from '@langchain/deepseek';

const model = new ChatDeepSeek({
  model: 'deepseek-reasoner',
  temperature: 0,
});
const res = await model.invoke('用一句话解释什么是RAG？');
console.log(res.content);

注意：LangChain 会自动从环境变量（如 DEEPSEEK_API_KEY）读取密钥，无需手动传入 apiKey 或 baseURL。这种设计极大简化了配置，也便于切换模型——只需改一行 import 和构造函数。

💡 关于 dotenv：dotenv 是一个轻量级 Node.js 工具，用于将项目根目录下的 .env 文件中的键值对自动加载到 process.env 中。这样我们就能安全地管理敏感信息（如 API Key），避免硬编码或提交到 Git。例如，在 .env 中写入 DEEPSEEK_API_KEY=sk-xxx，代码中即可通过 process.env.DEEPSEEK_API_KEY 访问，而 LangChain 会自动读取该变量，无需手动传参。

2. `chain`：可组合的工作流

真实 AI 应用很少是“问一句答一句”。比如面试系统可能需要：

生成结构化问题；
调用模型回答；
对答案打分总结。

LangChain 的 Chain 机制允许我们将多个步骤串联成流水线。这类似于低代码平台（如 n8n、Coze）中的节点连接，但以代码形式实现，更灵活可控。

三、LangChain 实战：从简单到复杂

示例 1：动态提示词 —— `PromptTemplate`

硬编码提示词难以复用。LangChain 提供 PromptTemplate，支持变量插值：

// 1.js
import 'dotenv/config';
import { PromptTemplate } from '@langchain/core/prompts';

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 res = await model.invoke(promptStr);
console.log(res.content);

通过模板，我们实现了提示词的参数化与复用，这是工程化的第一步。

示例 2：构建简单链 —— `RunnableSequence`

当提示词和模型调用频繁配对时，可以将其封装为一个“链”：

// 2.js
import { RunnableSequence } from '@langchain/core/runnables';

const prompt = PromptTemplate.fromTemplate(`你是一个前端专家，用一句话解释：{topic}`);
const chain = prompt.pipe(model); // 使用 pipe 连接

const response = await chain.invoke({ topic: '闭包' });
console.log(response.text);

这里，prompt.pipe(model) 创建了一个 RunnableSequence 实例。它代表一个顺序执行的工作流：输入 → 提示词渲染 → 模型调用 → 输出。这种声明式写法清晰表达了数据流向。

示例 3：多步复杂链 —— 组合多个 Runnable

更复杂的场景需要多阶段处理。例如：先详细解释概念，再提炼要点。

// 3.js
const explainPrompt = PromptTemplate.fromTemplate(`
  你是一个前端专家，请详细介绍以下概念：{topic}
  要求：覆盖定义、原理、使用方式、不超过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20字）：
  {explanation}
`);

const explainChain = explainPrompt.pipe(model);
const summaryChain = summaryPrompt.pipe(model);

const fullChain = RunnableSequence.from([
  (input) => explainChain.invoke({ topic: input.topic }).then(res => res.text),
  (explanation) => summaryChain.invoke({ explanation }).then(res => 
    `知识点：${explanation}\n总结：${res.text}`
  ),
]);

const res = await fullChain.invoke({ topic: '闭包' });
console.log(res);

这个例子展示了 LangChain 的强大之处：

分阶段处理：解释 → 总结；
中间结果传递：前一步的输出作为后一步的输入；
自定义逻辑嵌入：可在链中插入任意 JavaScript 函数。

这种模式非常适合构建Agent、RAG 系统、智能客服等复杂 AI 应用。

四、LangChain vs 传统做法：一场工程化革命

为了更直观地理解 LangChain 的价值，我们将其与“传统裸调 API”的方式做对比：

维度	传统做法（裸调 API）	LangChain 方式
模型切换	需重写整个请求逻辑（URL、headers、body 结构都不同）	只需更换 import 和构造函数，接口完全一致
提示词管理	字符串拼接，易出错、难测试、无法复用	使用 `PromptTemplate`，支持变量、版本控制、单元测试
多步流程	手动嵌套 async/await，逻辑耦合严重	用 `RunnableSequence` 声明式编排，清晰可读
错误处理 & 重试	需自行封装 try-catch、指数退避等逻辑	内置 retry、fallback、streaming 等高级能力
可测试性	黑盒调用，难以 mock	每个组件（prompt、model、chain）均可独立测试
扩展性	添加新功能（如记忆、工具调用）需大量重构	通过 LangChain 的 Memory、Tools、Agents 模块无缝集成

举个具体例子：

传统写法（伪代码） ：

const response = await fetch('https://api.deepseek.com/chat', {
  method: 'POST',
  headers: { 'Authorization': `Bearer ${process.env.DEEPSEEK_API_KEY}` },
  body: JSON.stringify({
    model: 'deepseek-reasoner',
    messages: [{ role: 'user', content: `你是一个前端专家...` }]
  })
});
const data = await response.json();
console.log(data.choices[0].message.content);

一旦要换成 OpenAI，几乎整段都要重写。

而 LangChain 写法：

// 只需改这一行
// import { ChatDeepSeek } from '@langchain/deepseek';
import { ChatOpenAI } from '@langchain/openai';

const model = new ChatOpenAI({ model: 'gpt-4o' });
// 后续代码完全不变！

这种“插件化模型接入”正是 LangChain 的核心优势——它把 LLM 变成了可拔插的“服务组件”，而非绑定死的基础设施。

五、结语：LangChain 是 AI 应用的“React”

如果说 React 让 UI 开发组件化，那么 LangChain 就是让 AI 开发工作流化。它不生产模型，而是让模型更好用；它不替代 Prompt Engineering，而是让 Prompt 可管理、可复用、可组合。

随着 AIGC 从“玩具”走向“生产力工具”，LangChain 这类工程化框架将成为连接大模型与真实业务的桥梁。无论你是前端、后端还是全栈工程师，掌握 LangChain 都将为你打开 AI 应用开发的新大门。

小贴士：本文所有代码基于 @langchain/deepseek，你也可以轻松替换为 @langchain/openai、@langchain/anthropic 等，体验真正的“模型无关”开发。

别忘了在项目根目录创建 .env 文件并填入你的 API Key，例如：
text
编辑
DEEPSEEK_API_KEY=your-api-key-here
并确保 .gitignore 中包含 .env，防止密钥泄露。

这样，读者不仅能理解 LangChain 的强大，还能掌握安全使用 API 密钥的最佳实践。。

参考资源：

LangChain 官网：www.langchain.com/
LangChain.js GitHub：github.com/langchain-a…
DeepSeek API 文档：platform.deepseek.com/

LangChain：让大模型开发像搭积木一样简单