从提示词到链式推理，用 LangChain 构建 AI 工作流

Zyx2007
39 阅读4分钟

单纯调用 API 已无法满足复杂应用场景的需求。开发者需要的不再是“问答机器人”，而是能分步骤思考、多阶段处理、可配置可复用的智能工作流。LangChain 正是为此而生——它提供了一套工程化框架，将提示词、模型、工具等模块以“可运行单元”的形式组织起来，通过链式（Chain）组合，构建出结构清晰、逻辑严谨的 AI 应用。

提示词模板化：让输入更规范

直接拼接字符串构造提示词容易出错且难以维护。LangChain 的 PromptTemplate 允许我们定义带占位符的模板，并通过结构化参数填充：

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'
});

这种方式将提示词与数据分离，提升了可读性与复用性。无论是切换角色、调整字数限制，还是更换问题，都只需修改传入对象，无需改动模板本身，为后续自动化和动态生成奠定基础。

模型调用：统一接口适配多平台

LangChain 内置了对主流大模型的适配器（Provider），开发者无需关心底层 API 差异：

const model = new ChatDeepSeek({
  model: 'deepseek-reasoner',
  temperature: 0.7
});

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

通过 ChatDeepSeek 这样的封装类，只需指定模型名称和参数（如 temperature 控制创造性），即可调用 DeepSeek 的 API。这种设计屏蔽了认证、请求格式、响应解析等细节，让开发者聚焦于业务逻辑而非集成成本。

链式组合：构建顺序执行的工作流

真实场景中，AI 任务往往需要多步处理。LangChain 的核心思想是将每个操作抽象为 Runnable（可运行单元） ，并通过 .pipe() 或 RunnableSequence 将其串联：

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

const chain = prompt.pipe(model);
const response = await chain.invoke({ topic: '闭包' });
console.log(response.content);

这里，prompt 负责生成完整提示，model 负责调用 LLM，二者通过管道连接形成一个端到端的“解释链”。整个流程声明式、线性且可测试，远比手动拼接字符串再调用模型更清晰。

多阶段推理：先展开，再总结

更复杂的任务需要分阶段推理。例如，先让模型详细解释一个概念，再基于该解释生成摘要：

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：${explanation} 总结：${res.text}`
  )
]);

const response = await fullChain.invoke({ topic: '闭包' });

第一步生成详细解释，第二步将其压缩为三个要点。这种“展开-提炼”模式模拟了人类专家的思考过程，显著提升输出质量。而 RunnableSequence 确保了执行顺序、错误传递和中间结果的可控性，使复杂逻辑变得可管理。

工程化思维：AI 应用的可维护性保障

上述代码体现了 LangChain 的工程化优势：

  • 模块化：提示词、模型、后处理各自独立；
  • 可组合：通过链式调用灵活组装流程；
  • 可配置：参数通过对象传入，易于动态调整；
  • 可扩展：未来可插入工具调用、记忆模块或条件分支。

例如，若需支持多种技术栈的解释，只需替换 explainPrompt 中的角色描述；若要增加“举例说明”环节，只需在序列中插入新节点。这种架构避免了“巨型提示词”或“一次性脚本”的混乱，使 AI 应用像传统软件一样具备良好的可维护性。

实际价值：从单次问答到智能代理

当我们将多个 Chain 组合，并接入外部工具（如数据库、API、代码执行环境），就迈出了构建 AI Agent 的关键一步。Agent 能根据目标自主规划步骤、调用工具、反思结果并迭代优化——而这正是 LangChain 所支持的高级模式。

即便在当前阶段，仅使用提示词模板与链式调用，也能显著提升开发效率。比如自动生成技术文档、面试题解析、代码注释或学习卡片，每一步都可独立验证与优化。

结语

LangChain 并非只是 LLM 的封装库，而是一套面向 AI 应用的工程方法论。它将原本黑盒式的模型调用，转化为由提示词、模型、工具等节点组成的可视化工作流。通过 PromptTemplate、RunnableSequence 等核心抽象，开发者得以用结构化、声明式的方式构建可靠、可扩展的智能系统。在 AI 编程从“辅助”走向“自主”的进程中，掌握 LangChain 这样的框架，将成为新一代开发者的核心竞争力。

avatar
文章
阅读
粉丝