用 LangChain 把大模型串起来：一个前端开发者的 AI 入门笔记

不会敲代码1
0 阅读7分钟

从零开始LangChain：构建你的第一个AI应用工作流

引言

2022年ChatGPT横空出世，让全世界见识了大型语言模型（LLM）的魔力。但你知道吗？有一个叫LangChain的框架其实比ChatGPT还早，最近它发布了1.0+版本，成为了AI应用开发的“明星框架”。

LangChain是什么？拆开名字：Lang（语言） + Chain（链）。它把大语言模型和一系列任务节点像链条一样连接起来，形成一个工作流。就像n8n、Coze这些可视化工具把节点串起来一样，LangChain用代码的方式帮你搭建AI应用。

这篇文章我会带你从零开始，一步步用LangChain写几个小例子，从最简单的模型调用，到用“链”组合复杂的任务流程。所有代码都基于ES Module（type: "module"），你可以直接复制运行。

环境准备：先跑通一个最简单的例子

在开始之前，确保你安装了Node.js（18+版本），然后创建一个新项目，安装必要的依赖：

npm init -y
npm install dotenv langchain @langchain/deepseek

在package.json中加入 "type": "module"，这样我们就可以使用import语法。

创建一个.env文件，放你的DeepSeek API密钥（如果没有可以去platform.deepseek.com申请）：

DEEPSEEK_API_KEY=你的密钥

现在，写第一个脚本main.js：

import 'dotenv/config'
import { ChatDeepSeek } from '@langchain/deepseek'

// 初始化模型
const model = new ChatDeepSeek({
  model: 'deepseek-reasoner',
  temperature: 0,  // 控制随机性，0表示最确定
})

// 调用模型
const res = await model.invoke('用一句话解释什么是RAG')
console.log(res.content)

运行node main.js，你应该能看到模型输出的回答。

image.png

这段代码做了什么？

  • ChatDeepSeek是一个“适配器”，LangChain用它来统一不同大模型的接口。以后换GPT、Claude，只需要改一下import和配置，其余代码几乎不用动。
  • model.invoke是最核心的方法，把问题传给模型，然后得到回答。
  • API密钥从环境变量自动读取，不用写在代码里，安全又方便。

这就是LangChain最基础的用法：把大模型当成一个可调用的函数。

第一章：更灵活的提问——提示词模板

直接写死的提问太死板了。如果我想让模型扮演不同角色、限制回答长度，每次都拼接字符串会很麻烦。LangChain提供了PromptTemplate，像填空一样生成提示词。

新建1.js：

import 'dotenv/config'
import { ChatDeepSeek } from '@langchain/deepseek'
import { PromptTemplate } from '@langchain/core/prompts'

// 定义一个模板
const prompt = PromptTemplate.fromTemplate(`
你是一个{role}。
请用不超过{limit}字回答以下问题：
{question}
`)

// 填入具体内容
const promptStr = await prompt.format({
  role: '前端面试官',
  limit: '50',
  question: '什么是闭包'
})

console.log('生成的提示词：', promptStr)

// 调用模型
const model = new ChatDeepSeek({
  model: 'deepseek-reasoner',
  temperature: 0.7,
})

const res = await model.invoke(promptStr)
console.log('回答：', res.content)

运行后，你会看到模型根据“前端面试官”的身份，用不超过50字解释了闭包。

  • 如图

image.png PromptTemplate让我们把提示词的结构和内容分离，方便复用。比如你可以换一个角色问同样的问题，只需改format的参数即可。

第二章：什么是“链”？用pipe连接节点

上面的例子还是两步走：先生成提示词，再调用模型。LangChain的核心理念是“链”（Chain），它可以把多个步骤像管道一样连接起来，成为一个可执行的单元。

新建2.js：

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}
`)

// 用 pipe 把 prompt 和 model 连接成一个链
const chain = prompt.pipe(model)
//打印chain可以看到它的类型为RunnableSequence，和它的节点
console.log(chain)
// 直接调用链，传入变量
const res = await chain.invoke({
  topic: '闭包'
})

console.log(res.content)
  • 执行效果图
  1. 执行打印chain

image.png

  1. 执行打印输出结果

image.png

注意看，prompt.pipe(model)返回了一个新的对象，它也是一个“可运行”的链。我们调用chain.invoke({ topic: '闭包' })，内部会自动执行：

  1. 用传入的{topic: '闭包'}填充prompt模板，生成提示词。
  2. 把提示词传给model，得到回答。
  3. 返回最终结果。

整个过程就像工厂流水线：原材料（topic）进入第一道工序（prompt模板），产物（提示词）直接传给下一道工序（模型），最后产出成品（回答）。

这就是LangChain最基础的链：RunnableSequence（可运行序列）。你不需要手动调用两次，代码更简洁，逻辑更清晰。

第三章：组合多个链——复杂任务的工作流

现实中的AI任务往往不止一步。比如我想让模型先详细解释一个概念，然后把这个解释总结成三个要点。这需要两个步骤，而且第二步要用到第一步的输出。

LangChain提供了RunnableSequence来组合多个链。我们新建3.js：

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

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

// 第一步：详细解释概念
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。
`)

// 第二步：总结要点
const summaryPrompt = PromptTemplate.fromTemplate(`
请将以下前端概念解释总结为3个核心要点（每个要点不超过20字）：
{explaination}
`)

// 分别构建两个链
const explainChain = explainPrompt.pipe(model)
//我们打印explainChain也可以看到它的类型和节点
console.log(explainChain)
const summaryChain = summaryPrompt.pipe(model)

// 用 RunnableSequence 组合它们
const fullChain = RunnableSequence.from([
  // 第一步：输入 topic -> 得到详细解释
  async (input) => {
    const res = await explainChain.invoke({ topic: input.topic })
    return res.content  // 将解释传给下一步
  },
  // 第二步：拿到上一步的解释 -> 生成总结
  async (explaination) => {
    const res = await summaryChain.invoke({ explaination })
    return `知识点：${explaination}\n总结：${res.content}`
  },
])

// 执行完整链
const res = await fullChain.invoke({
  topic: '闭包'
})
console.log(res)
  • 效果图
  1. 打印explainChain

image.png 2.打印输出结果

image.png

这段代码稍微复杂一点，但逻辑很清晰：

  • explainChain：输入topic，输出详细解释。
  • summaryChain：输入explaination（详细解释），输出总结。
  • 我们用RunnableSequence.from([...])把两个步骤串起来。数组里的每个元素是一个函数，接收上一步的输出，返回下一步的输入。
  • 最后调用fullChain.invoke({ topic: '闭包' })，内部自动执行两步，并把最终结果返回。

运行后你会看到模型先给出了关于闭包的详细解释（不超过300字），然后给出了三个要点总结。整个流程自动化完成，无需人工介入。

深入理解：LangChain的适配器模式与可拔插设计

你可能注意到，所有代码中我们只引用了@langchain/deepseek这一个具体模型包。如果我想换成OpenAI的GPT，该怎么做？只需要：

npm install @langchain/openai

然后把import { ChatDeepSeek }改成import { ChatOpenAI }，model参数稍作调整即可，其余代码几乎不用动。

这就是LangChain的“适配器模式”。它定义了一套统一的接口（如invoke、stream等），各个模型厂商通过适配器实现这些接口。这样一来，你的业务逻辑和具体模型解耦，大模型更新换代再快，你只需换一个适配器，不用重写应用。

总结

通过这几个小例子，我们走过了LangChain的入门之路：

  1. 基础调用：用适配器连接大模型，执行最简单的问答。
  2. 提示词模板：用PromptTemplate动态构造输入，让提示词更灵活。
  3. 简单链：用pipe把模板和模型连接起来，形成可复用单元。
  4. 复杂链：用RunnableSequence组合多个链，实现多步骤工作流。

LangChain不仅仅是“链”，它还是一个完整的AI应用开发框架，提供了记忆、工具调用、代理（Agent）等高级功能。但无论多复杂的功能，底层都离不开我们今天学到的核心思想：把任务拆分成节点，用链条连接，让流程自动化。

现在你已经掌握了LangChain的基本功，可以尝试用它搭建更酷的应用了，比如文档问答机器人、自动化报告生成器等等。如果在实践中遇到问题，欢迎在评论区留言交流。

avatar
文章
阅读
粉丝