不止是调用 LLM：用 LangChain 编排下一代 AI 应用LangChain 的出现，标志着 LLM 从“玩具级

不止是调用 LLM：用 LangChain 编排下一代 AI 应用

2022 年，ChatGPT 横空出世，引爆了全球对生成式人工智能（AIGC）的关注。其背后依托的 Transformer 架构，使得大语言模型（LLM）在理解与生成人类语言方面取得了前所未有的突破。然而，仅仅调用一个 LLM 接口，并不足以构建真正可用、可维护、可扩展的 AI 应用。

事实上，在 ChatGPT 走红之前，LangChain 项目就已经诞生。它并非另一个聊天机器人，而是一个专为 AI 应用开发设计的开源框架。LangChain 的出现，标志着 LLM 从“玩具级演示”迈向“工程化落地”的关键一步——它让开发者能够以结构化、模块化的方式，将语言模型集成到真实业务场景中。

什么是 LangChain？

LangChain 的名字由两部分组成：Lang + Chain。

Lang 代表 Language Model（语言模型），即我们所依赖的大模型能力，如 GPT、DeepSeek、Claude 等。
Chain 则指“链”，灵感来源于工作流编排工具（如 n8n、Coze），强调将复杂的 AI 任务拆解为多个可连接的“节点”（Node），每个节点完成特定功能，再通过链式调用组合成完整流程。

简言之，LangChain 是一个用于构建 LLM 应用的开发框架。它提供了一套统一的抽象接口，无论你使用的是 OpenAI、DeepSeek 还是本地开源模型，都能以相同的方式调用 chat 或 completion 功能。这种设计实现了 LLM 的“可拔插” ——模型可以随时更换，而核心业务逻辑无需重写。

更重要的是，LangChain 支持提示词模板（PromptTemplate）、记忆管理（Memory）、工具调用（Tools）、智能体（Agent）以及复杂工作流（Chain/Graph）等高级能力，使开发者能像搭积木一样构建智能应用。

实战演练：基于 Node.js 与 DeepSeek 的 LangChain 应用

下面我们通过一个完整的 JavaScript 示例，展示如何使用 LangChain 快速构建一个可扩展的 AI 应用。

1. 项目初始化（启用 ESM）

LangChain 官方推荐使用 ES 模块（ESM）。在 package.json 中添加：

{
  "type": "module"
}

这允许我们使用 import 语法，符合现代 JavaScript 开发规范。

2. 安装依赖

npm install langchain @langchain/deepseek dotenv

其中：

langchain：核心框架
@langchain/deepseek：DeepSeek 模型的官方适配器（Adapter）
dotenv：用于加载 .env 中的 API 密钥

3. 配置环境变量

创建 .env 文件：

DEEPSEEK_API_KEY=your_deepseek_api_key_here

注意：API 密钥不要提交到代码仓库！

4. 编写应用代码

// app.js
import { ChatDeepSeek } from "@langchain/deepseek";
import { PromptTemplate } from "@langchain/core/prompts";
import { RunnableSequence } from "@langchain/core/runnables";
import "dotenv/config";

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

// 2. 定义提示词模板
const explainPrompt = PromptTemplate.fromTemplate(
  "你是一位资深前端工程师，请用专业但易懂的语言解释以下概念：{concept}"
);

const summaryPrompt = PromptTemplate.fromTemplate(
  "请将以下技术解释总结为不超过20字的三个要点，用中文回答：\n{explanation}"
);

// 3. 构建两条子链
const explainChain = explainPrompt.pipe(model);
const summaryChain = summaryPrompt.pipe(model);

// 4. 组合成完整工作流
const fullChain = RunnableSequence.from([
  async (input) => {
    const explanation = await explainChain.invoke(input);
    return { explanation: explanation.content, concept: input.concept };
  },
  async (context) => {
    const summary = await summaryChain.invoke({ explanation: context.explanation });
    return {
      concept: context.concept,
      explanation: context.explanation,
      summary: summary.content,
    };
  },
]);

// 5. 执行
const result = await fullChain.invoke({ concept: "JavaScript 闭包" });

console.log("概念：", result.concept);
console.log("详解：", result.explanation);
console.log("总结：", result.summary);

5. LangChain 的核心：以 Pipe 管道连接 Runnable 节点，构建声明式 AI 工作流

LangChain 的设计哲学可以高度概括为一句话：

“一切皆 Runnable，通过 Pipe 串联，形成可编排的工作流。”

🔧 1. 三大基础节点类型

Prompt 模板节点（如 PromptTemplate）
负责将结构化输入（如 {concept}）渲染成 LLM 可理解的自然语言提示。它是工作流的“输入处理器”。
LLM 节点（如 ChatDeepSeek、ChatOpenAI）
代表大语言模型本身，是工作流中的“推理引擎”。LangChain 将所有 LLM 统一抽象为 Runnable，屏蔽底层 API 差异。
结束/输出节点（通过 .invoke() 触发）
整个工作流由 await chain.invoke(input) 启动，最终返回结构化结果。这是用户与 AI 系统的交互入口。

🔗 2. 核心机制：.pipe() —— 构建数据管道

const explainChain = explainPrompt.pipe(model);

.pipe() 是 LangChain 的核心连接符，它将两个 Runnable 对象组合成一个新的 Runnable。
数据流自动从前一个节点的输出流向后一个节点的输入，形成 “提示 → 推理” 的最小工作单元。
多个 .pipe() 可级联，例如：prompt.pipe(tool).pipe(model).pipe(parser)，实现复杂处理链。

💡 这正是“Lang + Chain”中 “Chain” 的本质：不是简单调用，而是可组合的数据流管道。

🧩 3. 高阶编排：RunnableSequence = 声明式 Workflow

当任务无法用单条线性链表达时（例如需要保留中间状态、做条件分支或聚合多个子结果），LangChain 提供 RunnableSequence.from([...])：

它允许你用函数数组定义多步骤流程；
每一步可以是任意异步逻辑（调用子链、访问数据库、调用工具等）；
前一步的返回值自动作为下一步的输入，形成可控的顺序执行流。

这本质上是一种 轻量级 SequentialChain（顺序链） ，是 LangChain 从“单链”走向“工作流（Workflow）”的关键桥梁。

🌐 4. 向更复杂系统演进

这种基于 Runnable + Pipe + Sequence 的范式，正是 LangChain 支持更高级能力的基础：

Agent：在 Sequence 中插入“决策循环”，动态选择下一步工具；
LangGraph：将线性 Sequence 扩展为有向图（支持分支、跳转、记忆）；
Memory & Tools：作为特殊 Runnable 节点插入管道中。

6. 可扩展性演示

若未来你想切换到 OpenAI 的 GPT-4，只需修改模型初始化部分：

import { ChatOpenAI } from "@langchain/openai";

const model = new ChatOpenAI({ model: "gpt-4o", temperature: 0.7 });

其余代码（Prompt、Chain、流程）完全无需改动！这就是 LangChain “统一接口 + 适配器”设计的强大之处。

结语

LangChain 不仅是一个工具库，更是一种 AI 工程化思维的体现。它将 LLM 从“黑盒调用”转变为“可控组件”，让开发者能够构建稳定、灵活、可维护的智能应用。无论你是想做智能客服、知识问答、文档生成，还是自动化 Agent，LangChain 都提供了坚实的基础设施。

随着 AIGC 技术的快速演进，选择一个支持多模型、高内聚低耦合的框架，将成为 AI 应用成功的关键。而 LangChain，正是这一趋势下的理想选择。

不止是调用 LLM：用 LangChain 编排下一代 AI 应用