前言
自 2022 年 ChatGPT 引爆 AIGC 热潮以来，大语言模型（LLM）能力飞速迭代，开发者迫切需要一套成熟的框架来工程化地构建 AI 应用。LangChain 正是为此而生——它最早于 ChatGPT 发布前就已启动，目前 JavaScript 版（LangChain.js）已推出 1.0+ 稳定版本，成为 Node.js 和前端项目中最流行的 AI 应用开发框架。
LangChain 的核心理念可以用公式概括：LangChain = Lang + Chain。
- Lang：指 Language Model，即各种大语言模型。
- Chain：指将多个可执行步骤（Prompt、LLM、工具、输出解析等）链接起来的工作流，类似于 Coze 或 n8n 的可视化节点连接。
LangChain.js 采用 ESM 模块规范，生态完善，支持数十种主流 LLM 提供商（如 OpenAI、DeepSeek、Anthropic、Groq 等），通过统一的适配器接口，让开发者可以轻松切换底层模型，而无需改动业务代码。
本文通过四个逐步递进的实战 Demo，带你从零开始掌握 LangChain.js 的核心用法：
- 直接调用 LLM + PromptTemplate 基础使用
- 使用 pipe 构建简单 Chain
- 使用 RunnableSequence 组合多个 Chain 实现复杂流程
- 基础环境配置与最佳实践
环境准备
项目使用 ESM 模式，确保 package.json 中包含：
JSON
{
"type": "module"
}
安装必要的包（以 DeepSeek 为例，性价比高且支持中文优秀）：
Bash
pnpm i @langchain/deepseek @langchain/core dotenv
创建 .env 文件存放 API Key：
text
DEEPSEEK_API_KEY=sk-xxxxxxxxxxxxxxxxxxxx
LangChain 会自动从环境变量读取对应的 Key，无需手动传入。
Demo1：基础调用与 PromptTemplate
最简单的 AI 应用就是“问答”。我们先直接调用模型，再引入 PromptTemplate 实现提示词复用。
JavaScript
import 'dotenv/config';
import { ChatDeepSeek } from '@langchain/deepseek';
import { PromptTemplate } from '@langchain/core/prompts';
const model = new ChatDeepSeek({
model: 'deepseek-reasoner',
temperature: 0.7,
});
// 先定义可复用的提示词模板
const prompt = PromptTemplate.fromTemplate(`
你是一个{role}，
请用不超过 {limit} 字回答以下问题：
{question}
`);
// 复用模板生成不同场景的提示词
const prompt1 = await prompt.format({
role: '前端面试官',
limit: '50',
question: '什么是闭包',
});
const prompt2 = await prompt.format({
role: '后端面试官',
limit: '50',
question: '什么是MVC？',
});
const prompt3 = await prompt.format({
role: '熊二',
limit: '50',
question: '光头强为什么要砍树？',
});
// 调用模型
const res = await model.invoke(prompt3);
console.log(res.content);
核心要点：
- PromptTemplate.fromTemplate 是静态方法，直接在类上调用。
- format 方法返回格式化后的字符串，可多次复用。
- ChatDeepSeek 继承自统一的 chat model 接口，未来切换到其他模型只需改一行。
这个例子展示了 Prompt 工程的基础：通过角色扮演（role）和字数限制（limit）控制输出风格和长度。
Demo2：使用 pipe 构建简单 Chain
实际 AI 应用往往不止“提示 + 调用”这么简单。我们希望将 Prompt 和 LLM 封装成一个可复用的“链”（Chain）。
LangChain.js 提供了 pipe 方法，将多个 Runnable（可运行对象）连接起来。
JavaScript
import 'dotenv/config';
import { ChatDeepSeek } from '@langchain/deepseek';
import { PromptTemplate } from '@langchain/core/prompts';
const model = new ChatDeepSeek({
model: 'deepseek-reasoner',
temperature: 0.7,
});
const prompt = PromptTemplate.fromTemplate(`
你是一个前端专家，用一句话解释：{topic}
`);
// prompt.pipe(model) 形成一个 RunnableSequence（顺序链）
const chain = prompt.pipe(model);
const response = await chain.invoke({
topic: '什么是闭包？',
});
console.log(response.content); // 注意：chat model 返回 AIMessage，内容在 .content
关键理解：
- prompt.pipe(model) 等价于：输入 → 格式化提示词 → 调用 LLM → 输出。
- 返回的 chain 是一个 RunnableSequence 实例，具备 invoke、stream 等统一方法。
- 整个链作为一个整体可以被再次组合，体现了 LangChain 的“可组合性”。
这种方式让代码更清晰，也便于单元测试和复用。
Demo3：组合多个 Chain 实现复杂流程
真实场景中，我们常常需要多步处理。例如：先让模型详细解释一个概念，再将解释总结为几个要点。
这就需要将多个 Chain 串联起来。
JavaScript
import 'dotenv/config';
import { ChatDeepSeek } from '@langchain/deepseek';
import { PromptTemplate } from '@langchain/core/prompts';
import { RunnableSequence } from '@langchain/core/runnables';
const model = new ChatDeepSeek({
model: 'deepseek-reasoner',
temperature: 0.7,
});
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);
// 使用 RunnableSequence.from 显式构建完整链
const fullChain = RunnableSequence.from([
// 第一步：解释概念
async (input) => {
const res = await explainChain.invoke({ topic: input.topic });
return res.content; // 返回纯文本给下一步
},
// 第二步：基于解释文本进行总结
async (explanation) => {
const res = await summaryChain.invoke({ explanation });
return `【详细解释】\n${explanation}\n\n【核心要点】\n${res.content}`;
}
]);
const response = await fullChain.invoke({
topic: '闭包',
});
console.log(response);
输出示例：
text
【详细解释】
闭包是指函数与其周围的词法环境（变量）组合形成的实体...
...
【核心要点】
1. 函数嵌套定义
2. 内部函数引用外部变量
3. 外部函数执行后变量仍存活
进阶技巧：
- 中间步骤返回纯文本而不是完整 AIMessage，避免后续模板注入对象导致错误。
- 使用 RunnableSequence.from 可以精确控制每一步的输入输出转换。
- 未来可轻松扩展为三步、四步链（如解释 → 总结 → 生成面试题）。
这种多步 Chain 是 LangChain 最强大的特性之一，完美对应了 Agent、RAG、工具调用等复杂场景。
Demo4：最简调用方式（适合快速测试）
如果你只是想快速验证模型效果，最简方式如下：
JavaScript
import 'dotenv/config';
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);
无需任何 PromptTemplate，直接传入字符串即可。LangChain 内部会自动包装成合适的聊天消息格式。
最佳实践总结
- 优先使用 ESM：享受现代 JS 特性，生态支持更好。
- 模型可拔插：通过 @langchain/* 系列包切换不同提供商（如 @langchain/openai、@langchain/anthropic）。
- Prompt 模板化：所有提示词都用 PromptTemplate 管理，便于维护和测试。
- Chain 组合优先：即使简单逻辑也建议封装成 Chain，方便后续扩展。
- 注意输出类型：Chat Model 返回 AIMessage，内容在 .content；Completion Model 返回字符串。
- 环境变量管理：敏感 Key 全部放在 .env，LangChain 自动识别。
结语
LangChain.js 把复杂的 AI 应用开发拆解为“提示词 + 模型 + 链”三个清晰层次，让开发者可以像搭积木一样构建智能应用。无论是快速原型、RAG 系统、Agent 工具调用，还是企业级 AI 工作流，LangChain 都提供了统一的、工程化的解决方案。
从本文的四个 Demo 你可以看到：入门门槛极低，只需几行代码就能调用最先进的模型；同时上层能力极强，支持任意复杂流程编排。
推荐大家立即动手搭建一个自己的 AI 知识问答助手、代码解释工具或内容生成器。AI 应用开发已不再是少数大厂的专利——有了 LangChain，每一个前端、Node.js 开发者都能轻松玩转大模型。
行动起来，开启你的 AI 应用开发之旅吧！
