LangChain 核心组件深度解析：模型与提示词模板

在 LangChain 的应用开发中，模型（Models） 和 提示词模板（Prompt Templates） 是最基础、最关键的组件。掌握它们，你就掌握了与大型语言模型高效交互的核心方法。本文将深入剖析这两个组件，从多模型管理到高级提示词工程，带你彻底理解 LangChain 的设计哲学与最佳实践。

模型（Models）

LangChain 为各类 LLM 提供了统一的调用接口，你可以像插拔 USB 设备一样，在不同的模型提供商之间轻松切换。

1. 模型提供商的多样性

下表列出了 LangChain 支持的部分主流模型提供商，每个都需要单独安装对应的集成包。

提供商	安装命令	典型用途
OpenAI（GPT系列）	npm install @langchain/openai	通用对话，功能全面
DeepSeek（兼容OpenAI）	使用 @langchain/openai 包	高性价比，中文优化
Anthropic（Claude）	npm install @langchain/anthropic	长文本，逻辑推理
Google（Gemini）	npm install @langchain/google	多模态，谷歌生态
Ollama（本地模型）	npm install @langchain/ollama	本地部署，隐私保护
Azure OpenAI	npm install @langchain/openai	企业级，Azure云服务

注意：DeepSeek 使用 OpenAI 兼容的 SDK，只需配置自定义的 baseURL 和 apiKey 即可无缝接入。

2. 配置模型的通用参数

无论使用哪家模型，LangChain 都抽象出了一套通用的初始化参数。以 DeepSeek 为例：

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

const model = new ChatOpenAI({
  // 必需参数
  apiKey: process.env.DEEPSEEK_API_KEY,
  model: "deepseek-chat", // 或 "deepseek-coder" 用于代码任务
  baseURL: "https://api.deepseek.com/v1",

  // 核心调优参数
  temperature: 0.7,      // 创造性：0（确定）~ 1（随机）
  maxTokens: 1000,       // 输出最大 token 数
  timeout: 30000,        // 超时时间（毫秒）
  maxRetries: 2,        // 失败重试次数

  // 流式输出
  streaming: false,     // 是否启用流式输出

  // 其他高级参数
  topP: 1,              // 核采样：0~1
  frequencyPenalty: 0,  // 频率惩罚：-2~2
  presencePenalty: 0,   // 重复惩罚：-2~2
});

3. 同时管理多个模型配置

在实际项目中，你往往需要根据不同的场景（创意写作、事实问答、代码生成）使用不同的模型参数。LangChain 可以让你优雅地管理多个模型实例：

// 配置多个场景的模型参数
const modelConfigs = {
  creative: {
    modelName: "deepseek-chat",
    temperature: 0.9,
    maxTokens: 500,
  },
  precise: {
    modelName: "deepseek-chat",
    temperature: 0.1,
    maxTokens: 200,
  },
  coder: {
    modelName: "deepseek-coder", // 代码专用模型
    temperature: 0.3,
    maxTokens: 1000,
  },
};

// 分别创建实例
const creativeModel = new ChatOpenAI({
  ...modelConfigs.creative,
  apiKey: process.env.DEEPSEEK_API_KEY,
  baseURL: "https://api.deepseek.com/v1",
});

const preciseModel = new ChatOpenAI({
  ...modelConfigs.precise,
  apiKey: process.env.DEEPSEEK_API_KEY,
  baseURL: "https://api.deepseek.com/v1",
});

const coderModel = new ChatOpenAI({
  ...modelConfigs.coder,
  apiKey: process.env.DEEPSEEK_API_KEY,
  baseURL: "https://api.deepseek.com/v1",
});

// 根据场景动态调用
async function generateContent(type: "creative" | "precise" | "coder", prompt: string) {
  const modelMap = {
    creative: creativeModel,
    precise: preciseModel,
    coder: coderModel,
  };
  return await modelMap[type].invoke(prompt);
}

提示词模板（Prompt Templates）：让提示词可复用、可组合

硬编码提示词不仅难以维护，更无法适应复杂多变的业务需求。LangChain 的提示词模板系统提供了多种构建方式，让你像搭积木一样组装高质量的 Prompt。

1. 创建模板的多种方式

方式1：基础字符串模板（PromptTemplate）

最简单的文本替换，适合单轮指令。

import { PromptTemplate } from "@langchain/core/prompts";

const basicTemplate = PromptTemplate.fromTemplate(
  "写一篇关于{topic}的{style}风格短文，字数约{wordCount}字。"
);

const formattedPrompt = await basicTemplate.format({
  topic: "人工智能",
  style: "科普",
  wordCount: 300,
});

console.log(formattedPrompt);
// 输出：写一篇关于人工智能的科普风格短文，字数约300字。

方式2：消息数组模板（ChatPromptTemplate）

面向对话场景，可灵活定义系统、人类、AI 等多轮消息。

import { ChatPromptTemplate } from "@langchain/core/prompts";

const chatTemplate = ChatPromptTemplate.fromMessages([
  ["system", "你是{role}。你的回答风格：{style}"],
  ["human", "问题：{question}"],
  ["ai", "我之前说过：{history}"],
  ["human", "现在请回答：{currentQuery}"],
]);

const messages = await chatTemplate.invoke({
  role: "资深技术专家",
  style: "简洁明了，带一点幽默",
  question: "什么是LangChain？",
  history: "LangChain是一个开发LLM应用的框架",
  currentQuery: "它有什么核心优势？",
});

console.log(messages);

方式3：Few-shot 示例模板（FewShotPromptTemplate）

通过提供少量输入‑输出样例，让模型快速理解任务模式，效果远胜纯文字指令。

import { FewShotPromptTemplate, PromptTemplate } from "@langchain/core/prompts";

// 定义示例
const examples = [
  { input: "今天天气真好", output: "这是一个关于天气的正面评价。" },
  { input: "这个电影太糟糕了", output: "这是一个关于电影的负面评价。" },
];

// 示例的格式化模板
const exampleTemplate = PromptTemplate.fromTemplate("输入：{input}\n分类：{output}");

// 构建 Few-shot 模板
const fewShotTemplate = new FewShotPromptTemplate({
  examples,
  examplePrompt: exampleTemplate,
  prefix: "将以下文本分类为正面或负面评价：",
  suffix: "输入：{userInput}\n分类：",
  inputVariables: ["userInput"],
});

const result = await fewShotTemplate.format({
  userInput: "这个产品性价比很高",
});
console.log(result);

2. 模板组合与复用

复杂任务往往需要多个提示片段拼接。LangChain 允许你将独立的模板组合成一个完整对话。

// 专业领域系统提示
const systemTemplate = PromptTemplate.fromTemplate(
  "你是{domain}领域的专家。你的专业知识级别：{level}。"
);

// 任务指令模板
const taskTemplate = PromptTemplate.fromTemplate(
  "请以{format}格式回答以下问题：\n问题：{question}"
);

// 格式/约束模板
const formatTemplate = PromptTemplate.fromTemplate(
  "要求：{requirements}\n请确保回答{constraints}。"
);

// 组合成 ChatPromptTemplate
const combinedPrompt = ChatPromptTemplate.fromMessages([
  ["system", await systemTemplate.format({ domain: "机器学习", level: "资深" })],
  ["human", await taskTemplate.format({ 
    format: "分步解答", 
    question: "解释过拟合和欠拟合的区别" 
  })],
  ["system", await formatTemplate.format({
    requirements: "使用比喻帮助理解",
    constraints: "不超过200字"
  })],
]);

const finalMessages = await combinedPrompt.invoke({});
console.log(finalMessages);

3. 实战示例：构建翻译助手

将模型与提示词模板结合，打造一个专业、可配置的翻译工具。

import { ChatOpenAI } from "@langchain/openai";
import { ChatPromptTemplate } from "@langchain/core/prompts";
import { StringOutputParser } from "@langchain/core/output_parsers";

// 1. 配置翻译专用模型（低 temperature，高准确性）
const translatorModel = new ChatOpenAI({
  apiKey: process.env.DEEPSEEK_API_KEY,
  model: "deepseek-chat",
  baseURL: "https://api.deepseek.com/v1",
  temperature: 0.1,
  maxTokens: 500,
});

// 2. 创建多功能翻译模板
const translationTemplate = ChatPromptTemplate.fromMessages([
  ["system", "你是一位专业翻译。根据要求翻译文本。"],
  ["human", `
翻译要求：
- 目标语言：{targetLanguage}
- 文本类型：{textType}
- 翻译风格：{style}
- 特殊要求：{specialInstructions}

待翻译文本：{text}
  `],
]);

// 3. 构建翻译链
const translationChain = translationTemplate
  .pipe(translatorModel)
  .pipe(new StringOutputParser());

// 4. 实际调用
async function runTranslation() {
  const result = await translationChain.invoke({
    targetLanguage: "英语",
    textType: "技术文档",
    style: "正式、准确",
    specialInstructions: "保持技术术语一致",
    text: "LangChain是一个用于开发大语言模型应用的框架，它提供了模块化组件和链式调用能力。",
  });
  console.log("技术文档翻译：", result);

  const poeticResult = await translationChain.invoke({
    targetLanguage: "日语",
    textType: "诗歌",
    style: "优美、文学性",
    specialInstructions: "保留意境",
    text: "春江潮水连海平，海上明月共潮生。",
  });
  console.log("诗歌翻译：", poeticResult);
}

runTranslation();

---

总结与最佳实践

核心知识点回顾

• 模型管理：LangChain 的统一接口让你可以无缝切换 OpenAI、DeepSeek、Claude 等模型，只需更改少量配置。

• 参数调优：temperature、maxTokens、topP 等参数直接影响输出质量，需根据任务类型动态调整。

• 模板多样化：字符串模板、消息模板、Few-shot 模板覆盖了从简单指令到复杂对话的所有场景。

• 模板组合：可以将系统提示、任务指令、约束条件拆分为独立模板，再灵活组装，实现工程化提示管理。

最佳实践建议

1. 模板模块化

将频繁使用的提示模板（如翻译、总结、代码生成）抽象为独立模块，便于复用和维护。

2. 参数实验

不同任务对创造性的需求不同：

-   创意写作、头脑风暴 → `temperature = 0.8 ~ 1.0`
-   事实问答、信息提取 → `temperature = 0.1 ~ 0.2`
-   代码生成 → `temperature = 0.2 ~ 0.4`