从零理解 LangChain：如何用 DeepSeek 大模型构建一个“前端面试官”问答工具？

我会从 核心概念拆解 → 代码逐行解析 → 运行逻辑梳理 三个层面，带你彻底弄懂它。全程使用通俗语言，不跳过任何基础细节——哪怕你今天第一次听说 LangChain，也能看明白。

我们将从最简单的“一句话解释闭包”开始，再升级到更实用的“详细讲解 + 自动总结”工作流，让你真正理解 LangChain 如何让 AI 应用开发变得像搭积木一样简单。

---

一、先搞懂核心概念（代码的 “骨架”）

在看具体代码前，必须先建立几个关键认知。否则，代码会显得杂乱无章，像一堆零件堆在一起。

1. 什么是「Chain（链 / 工作流）」？

你的代码注释里其实已经点出了本质：

AI 业务复杂，需要分步骤、按顺序处理，每一步都是一个 “可执行、可配置” 的独立节点，把这些节点按顺序串联起来，就形成了 Chain（工作流 / 链条） 。

▶ 简单场景（单步 Chain）

你想让 AI 回答“什么是闭包？”，但要求它：

• 扮演前端专家
• 只用一句话回答

这就不能直接扔问题给大模型，而要：
构造提示词 → 调用模型 → 输出结果。
这就是一条最简单的 线性 Chain（Sequential Chain） 。

▶ 复杂场景（多步 Chain）

更真实的场景可能是：

先让 AI 详细讲解“闭包”（含定义、原理、用法，≤300 字），
再让它把讲解内容提炼为 3 个核心要点（每点 ≤20 字）。

这就需要 两个 AI 任务串联执行：
讲解 → 总结 → 拼接输出。
这正是 RunnableSequence 的用武之地。

✅ Chain 的价值：把复杂任务拆解为可复用、可组合的小单元，就像搭积木一样灵活。

---

2. 关键工具 / 类的作用（代码的 “零件”）

工具 / 类	核心作用
dotenv/config	加载 .env 文件中的环境变量（如 API 密钥），避免硬编码泄露
ChatDeepSeek	对接「深度求索（DeepSeek）」大模型的客户端，负责和大模型服务器通信
PromptTemplate	提示词模板，用于规范化向大模型提问的格式，避免手动拼接字符串的混乱
RunnableSequence	链式执行的核心类，负责将多个 “可运行节点” 按顺序串联，实现自动化工作流
pipe() 方法	简化版的 “节点连接工具”，本质是创建 RunnableSequence，把前一个节点的输出作为后一个节点的输入
invoke() 方法	启动工作流的 “开关”，传入初始参数，触发整个链条按顺序执行并返回结果

这些“零件”组合起来，就能搭建出一个自动化的 AI 应用流水线。

---

二、基础版：单步 Chain —— 一句话解释“闭包”

我们先从最简单的例子入手，建立直觉。

1. 加载环境变量（必备配置）

ts
编辑
import 'dotenv/config';

• 作用：自动加载项目根目录下的 .env 文件。
• 为什么重要？
  DeepSeek 的 API 密钥（如 DEEPSEEK_API_KEY=xxx）属于敏感信息，绝不能写死在代码里。
• 没有这行会怎样？
  后续调用大模型时因缺少密钥而认证失败，直接报错。

---

2. 导入需要的工具类

ts
编辑
import { ChatDeepSeek } from '@langchain/deepseek'; 
import { PromptTemplate } from '@langchain/core/prompts';

• @langchain/deepseek：LangChain 官方为 DeepSeek 提供的适配模块。
• @langchain/core/prompts：处理提示词模板的核心能力。

💡 这些不是通用 JavaScript 功能，而是 LangChain 框架提供的“乐高积木”。

---

3. 创建提示词模板（规范提问格式）

ts
编辑
const prompt = PromptTemplate.fromTemplate(`
  你是一个前端专家，用一句话解释: {topic}
`);

• {topic} 是一个“变量插槽”，后续可动态替换为“闭包”“事件循环”等。

• 好处：避免每次手写 "你是一个前端专家，请解释..."，让提示词结构统一、易于维护。

• ✅ 示例：当传入 topic: '闭包'，模板自动渲染为：

  “你是一个前端专家，用一句话解释: 闭包”

---

4. 初始化大模型

ts
编辑
const model = new ChatDeepSeek({
    model: 'deepseek-reasoner', // 推理型模型，适合技术问答
    temperature: 0.7,           // 平衡严谨性与灵活性
});

• 相当于“创建了一个能和 DeepSeek 对话的机器人”。
• temperature: 0.7：既不会死板重复，也不会胡说八道，非常适合技术解释。

---

5. 串联节点，形成工作流（核心：创建 Chain）

ts
编辑
const chain = prompt.pipe(model);

这是整段代码的灵魂所在。你可能会疑惑：“是不是先创建一条空链子，再把 prompt 和 model 接上去？”

答案是否定的！

▶ pipe() 干了什么？

• 一步到位创建完整链式工作流（Chain）。

• 同时完成两件事：

  1. 定义执行顺序：先执行 prompt，再执行 model
  2. 自动传递数据：prompt 的输出 → 自动作为 model 的输入

🔍 技术上，prompt.pipe(model) 等价于：

ts
编辑
const chain = RunnableSequence.from([prompt, model]);

所以 chain instanceof RunnableSequence 会返回 true。

▶ 为什么叫 “pipe（管道）”？

想象水流从水管一端流入，经过过滤器，再流出——pipe() 就是那根“水管”，确保数据按顺序、无损地从前一个节点流向后一个节点。

---

6. 启动工作流，传入参数并获取结果

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

• await：因为调用大模型是异步操作（需要网络请求），必须等待响应。

• chain.invoke(...)：启动整个工作流的“开关”。

• 执行过程：

  1. prompt 渲染出完整提示词 → “你是一个前端专家，用一句话解释: 闭包”
  2. pipe() 自动将提示词传给 model
  3. model 调用 DeepSeek → 返回回答
  4. response.text 是纯文本结果

✅ 示例输出：
“闭包是指一个函数能够访问并保留其定义时所在作用域的变量，即使该函数在其定义作用域外被调用的一种前端编程特性。”

---

三、进阶版：多步骤工作流 —— 讲解 + 总结

现在升级到真实场景：先详细讲解，再自动总结。

1. 新增依赖：引入 RunnableSequence

ts
编辑
import { RunnableSequence } from '@langchain/core/runnables';

• 用于串联多个异步任务，构建复杂工作流。

---

2. 定义两个提示词模板

（1）讲解模板：要求全面但简洁

ts
编辑
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。
`);

（2）总结模板：强制提炼要点

ts
编辑
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）：
  {explaination}  
`);

注意：第二个模板的占位符是 {explaination}（拼写需一致），将由第一步的输出填充。

---

3. 创建两个单任务链

ts
编辑
const explainChain = explainPrompt.pipe(model);   // 输入 topic → 输出详细讲解
const summaryChain = summaryPrompt.pipe(model);  // 输入讲解 → 输出3个要点

每个 Chain 都是一个独立、可复用的 AI 任务单元。

---

4. 用 RunnableSequence 串联两步

ts
编辑
const fullChain = RunnableSequence.from([
    // 第一步：执行讲解链
    (input) => explainChain.invoke({ topic: input.topic }).then(res => res.content),
    
    // 第二步：用讲解内容执行总结链，并拼接最终结果
    (explaination) => summaryChain.invoke({ explaination }).then(res => 
        `知识点: ${explaination}\n总结: ${res.content}`
    )
]);

▶ 关键机制解析：

• 第一步输入：input 是 fullChain.invoke({ topic: '闭包' }) 传入的对象。
• 数据流转：第一步返回的 res.content（即详细讲解文本）自动作为第二步的参数 explaination。
• 异步处理：每个 .invoke() 返回 Promise，用 .then() 提取文本内容。
• 结果拼接：最终返回包含“讲解 + 总结”的完整字符串。

🔑 核心思想：RunnableSequence 让多步骤 AI 任务像工厂流水线一样自动运行。

---

5. 执行完整工作流（必须包裹在 async 函数中）

ts
编辑
async function run() {
    const response = await fullChain.invoke({ topic: '闭包' });
    console.log(response);
}
run();

• 必须使用 async/await，因为涉及多次异步 AI 调用。
• fullChain.invoke(...) 触发整个链条：讲解 → 总结 → 拼接 → 返回。

---

四、整体运行逻辑梳理（从启动到输出）

基础版流程（单步 Chain）：

text
编辑
加载 .env → 导入工具 → 创建 model/prompt → pipe() 串联 → invoke() 执行 → 输出

进阶版流程（多步 Chain）：

text
编辑
1. 初始化：model + 两个模板 + 两个单链
2. 调用 fullChain.invoke({ topic: '闭包' })
   ↓
3. 第一步：explainChain 生成详细讲解（≤300字）
   ↓
4. 第二步：summaryChain 用讲解内容生成3个要点（每点≤20字）
   ↓
5. 拼接结果：`知识点: ...\n总结: ...`
   ↓
6. 控制台打印完整输出

整个过程全自动、无手动干预——这就是 LangChain 工作流的威力。

---

五、运行前提与完整代码

运行前提：

1. Node.js ≥ v18（支持 ES Module）

2. package.json 中添加 "type": "module"

3. 安装依赖：

   bash
   编辑
   npm install dotenv @langchain/deepseek @langchain/core
   

4. 创建 .env 文件：

   text
   编辑
   DEEPSEEK_API_KEY=你的_api_key（从 deepseek.com 获取）
   

完整可运行代码：

ts
编辑
import { ChatDeepSeek } from '@langchain/deepseek';
import { PromptTemplate } from '@langchain/core/prompts';
import 'dotenv/config';
import { RunnableSequence } from '@langchain/core/runnables';

// 1. 初始化模型
const model = new ChatDeepSeek({
    model: 'deepseek-reasoner',
    temperature: 0.7,
});

// 2. 定义提示词模板
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）：
  {explaination}  
`);

// 3. 创建单任务链
const explainChain = explainPrompt.pipe(model);
const summaryChain = summaryPrompt.pipe(model);

// 4. 串联成完整工作流
const fullChain = RunnableSequence.from([
    (input) => explainChain.invoke({ topic: input.topic }).then(res => res.content),
    (explaination) => summaryChain.invoke({ explaination }).then(res => 
        `知识点: ${explaination}\n总结: ${res.content}`
    )
]);

// 5. 执行
async function run() {
    const response = await fullChain.invoke({ topic: '闭包' });
    console.log(response);
}
run();

---

六、运行结果示例（参考）

plaintext
编辑
知识点: 闭包是指函数能够访问其定义时所在的词法作用域，即使该函数在其词法作用域之外执行。原理：JavaScript 函数在创建时会形成词法环境，闭包会保留对外部词法环境的引用，使其变量不被垃圾回收。使用方式：可用于创建私有变量（如计数器）、延迟执行（如定时器回调）、模块化开发（隐藏内部逻辑），示例：function outer() { let a = 1; return function inner() { console.log(a++); }; } const fn = outer(); fn(); // 1。
总结: 1. 函数可访问自身定义时的词法作用域
2. 保留外部变量引用，避免被垃圾回收
3. 用于创建私有变量与模块化开发

---

七、核心概念总结表

概念	作用	类比
PromptTemplate	结构化提示词，支持参数填充	Word 模板 + 填空
ChatDeepSeek	DeepSeek 模型的封装客户端	数据库连接池
pipe()	连接两个可运行单元	Linux 管道 `cmd1	cmd2`
RunnableSequence	多步骤顺序执行的工作流	工厂流水线
invoke()	启动整个 Chain 的“开关”	按下启动按钮

---

八、LangChain 的真正价值

• 简单场景（一句话解释）→ 用 pipe() 快速连接

• 复杂场景（讲解 + 总结 + 校验 + 格式化）→ 用 RunnableSequence 精细编排

• 核心优势：

  • 屏蔽底层细节（不用写 fetch）
  • 提供高层抽象（模板、链、工具）
  • 支持灵活组合（节点可插拔、可复用、可测试）

🌟 建议：先理解手写 API 调用的原理，再用 LangChain 提效——知其然，更知其所以然。