你有没有试过这样写一个AI功能？
const response = await fetch("https://api.openai.com/v1/chat/completions", {
method: "POST",
headers: { "Authorization": `Bearer ${API_KEY}` },
body: JSON.stringify({
model: "gpt-4o",
messages: [{ role: "user", content: "用一句话解释什么是闭包？" }]
})
});
看起来很简单对吧？
但问题很快来了——如果我想把“闭包”换成“原型链”，是不是得重新拼整个字符串？
如果我还想控制回答长度、语气、格式……是不是得在 content 里硬编码一堆逻辑？
更麻烦的是，一旦需求变复杂——比如先让模型详细解释，再让它总结成三点——你就得发起两次请求，手动处理中间结果，还得自己解析 JSON、处理错误、管理上下文……
那怎么办呢？
我们真的要一遍遍重复这些底层操作吗？
有没有一种方式，能让我们像搭积木一样，把“提示词 → 模型 → 后处理”串成一条自动运行的流水线？
答案就是：LangChain。
一、为什么我们需要 LangChain？
LangChain 并不是一个大模型，而是一个帮你高效构建 AI 应用的框架。
它的核心思想是：把和大模型交互的过程，拆解成可组合、可复用的“节点” 。
你可以把这些节点连起来，形成一条“工作流”——就像工厂里的装配线，原料进去，成品出来，中间每一步都清晰可控。
那如何去实现呢？
我们从最简单的开始：搭建项目 + 写第一条链。
二、初始化你的 LangChain 项目
首先，创建一个新目录并初始化 Node.js 项目：
在指定目录中输入以下命令运行
npm init -y
然后安装必要依赖（以 DeepSeek 为例，你也可以换 OpenAI、Claude 等）：
npm install @langchain/deepseek @langchain/core dotenv
别忘了在项目根目录创建
.env文件，并填入你的 API 密钥：DEEPSEEK_API_KEY=your_api_key_here
现在，项目骨架就搭好了。接下来，我们来写第一段真正属于 LangChain 的代码。
三、第一步：用 PromptTemplate 告别“字符串拼接”
想象你要问大模型：“请用不超过50字解释{concept}”。
传统做法是：
const prompt = `请用不超过50字解释${concept}`;
但这样很容易出错——比如漏了标点、变量名写错、特殊字符没转义……
那怎么办呢？
LangChain 提供了 PromptTemplate，让你用声明式的方式定义模板：
import { PromptTemplate } from "@langchain/core/prompts";
const prompt = PromptTemplate.fromTemplate(`
你是一个前端专家。
请用不超过{limit}字解释以下概念：
{concept}
`);
现在，无论 concept 是“闭包”还是“事件循环”，你只需要调用：
const formatted = await prompt.format({
limit: "50",
concept: "闭包"
});
它会自动安全地替换变量，生成干净的提示词。
更重要的是——这个模板可以被复用、测试、共享，而不是散落在各个 fetch 调用里。
四、第二步：接入大模型，让 AI 真正“动”起来
有了提示词，下一步就是调用大模型。
在 LangChain 中，这非常简单：
import { ChatDeepSeek } from "@langchain/deepseek";
import 'dotenv/config';
const model = new ChatDeepSeek({
model: "deepseek-reasoner",
temperature: 0 // 控制随机性，0 表示最确定
});
注意：这里我们创建的是一个 ChatModel 实例，它原生支持消息列表格式，比裸调 API 更贴近现代大模型的使用习惯。
那如何去执行呢？
你可以直接调用：
const response = await model.invoke(formatted);
console.log(response.content);
但这还不够“工作流”。我们希望：提示词生成后，自动传给模型，无需手动中转。
五、第三步：用 .pipe() 连接节点，构建第一条工作流
LangChain 最强大的地方在于——一切皆可串联。
你可以用 .pipe() 把 prompt 和 model 连起来：
const chain = prompt.pipe(model);
这一行代码意味着什么？
它定义了一条数据流：
用户输入 → 经过 prompt 模板填充 → 自动传给 model → 返回结果
现在，你只需要这样调用：
const result = await chain.invoke({
limit: "50",
concept: "闭包"
});
console.log(result.content); // 直接拿到 AI 的回答！
看，你已经使用langchain构建了人生第一条 AI 工作流！
没有手动拼接，没有重复请求，没有中间变量——只有清晰的输入和输出。
六、小结：从“手工作坊”到“自动化流水线”
回顾一下：
- 传统方式：每次都要手动构造请求体，逻辑散落，难以维护
- LangChain 方式：用
PromptTemplate定义输入结构，用ChatModel封装调用，用.pipe()串联流程
未来，当你需要增加“总结”“校验”“记忆”等功能时，只需在链条中插入新节点，而不用重写整个逻辑。
