别再把 LangChain 当「AI 胶水」了！30 分钟带你做出第一个智能应用

别再把 LangChain 当「AI 胶水」了！30 分钟带你做出第一个智能应用

从「调用 API」到「构建 AI 产品」，这篇文让你真正看懂 LangChain 的核心价值，附完整实战项目

🎯 前言：为什么你需要 LangChain？

想象一下这个场景：

你想做一个「智能客服机器人」，需要：

• 🤖 连接大模型（LLM）
• 📚 读取公司文档知识库
• 💬 记住用户对话历史
• 🔍 根据问题搜索相关知识
• 📊 分析用户反馈数据

没有 LangChain 时：

// 代码像意大利面一样缠绕...
const response = await fetch('https://api.openai.com/v1/chat/completions', {
  // 100 行请求代码
});
const history = await db.query('SELECT * FROM conversations...'); // 50 行
const docs = await searchDocs(query); // 80 行
const context = combine(history, docs); // 60 行
const prompt = buildPrompt(context, query); // 40 行
const answer = await callLLM(prompt); // 30 行
// 总共 360+ 行代码，还容易出错...

使用 LangChain 后：

// 10 行代码搞定！
const chain = new ConversationChain({
  llm,
  memory: new BufferMemory(),
  retriever: knowledgeBase.asRetriever()
});

const response = await chain.call({ input: userQuestion });

LangChain 是什么？

简单说：AI 应用开发的「乐高积木」

它帮你把复杂的 AI 功能模块化，让你像搭积木一样构建智能应用。

---

📚 一、LangChain 核心概念（10 分钟速成）

1. LangChain 解决了什么问题？

问题	传统方案	LangChain 方案
Prompt 管理	硬编码在代码里	模板化、可复用
数据获取	手动写 API 调用	内置多种工具（Tools）
记忆管理	自己维护对话历史	内置 Memory 模块
链式调用	手动串联多个步骤	Chain 自动编排
Agent 决策	复杂的状态机	自动规划任务

2. 核心模块详解

🧩 LLM（大语言模型）

LangChain 支持 50+ 种模型，统一接口：

import { OpenAI } from 'langchain/llms/openai';

const llm = new OpenAI({
  temperature: 0.7,
  model: 'gpt-4'
});

📝 Prompt（提示词）

模板化提示词，支持变量替换：

import { PromptTemplate } from 'langchain/prompts';

const template = `你是一名{role}，请用{tone}的语气回答以下问题：

问题：{question}

回答：`;

const prompt = new PromptTemplate({
  template,
  inputVariables: ['role', 'tone', 'question']
});

🔗 Chain（链）

将多个步骤串联起来：

用户输入 → Prompt 模板 → LLM → 后处理 → 输出

💾 Memory（记忆）

记住对话历史：

import { BufferMemory } from 'langchain/memory';

const memory = new BufferMemory({
  memoryKey: 'chat_history',
  returnMessages: true
});

🛠️ Tools（工具）

让 AI 调用外部功能：

import { Calculator } from 'langchain/tools/calculator';

const tools = [
  new Calculator(),
  new SearchTool(),
  new DatabaseTool()
];

🤖 Agent（智能体）

让 AI 自主规划任务：

import { initializeAgentExecutor } from 'langchain/agents';

const executor = await initializeAgentExecutor(tools, llm);
const result = await executor.run('帮我计算 25*48，然后搜索这个结果的意义');

---

🚀 二、环境准备（5 分钟）

1. 安装依赖

# 创建项目
mkdir langchain-demo
cd langchain-demo
npm init -y

# 安装核心库
npm install langchain @langchain/core @langchain/openai

# 安装其他依赖
npm install dotenv axios

2. 配置环境变量

创建 .env 文件：

OPENAI_API_KEY=sk-your-api-key-here

3. 基础配置

// config.js
import dotenv from 'dotenv';
dotenv.config();

export const OPENAI_API_KEY = process.env.OPENAI_API_KEY;

---

🎮 三、实战项目：智能产品助手

让我们做一个**「智能产品推荐助手」**，它能：

• 📚 学习产品知识库
• 💬 记住用户偏好
• 🔍 根据需求推荐产品
• 📊 分析推荐理由

项目结构

langchain-demo/
├── src/
│   ├── index.js           # 入口文件
│   ├── config.js          # 配置
│   ├── knowledge.js       # 知识库
│   ├── recommender.js     # 推荐引擎
│   └── utils.js           # 工具函数
├── data/
│   └── products.json      # 产品数据
├── .env
└── package.json

1. 准备产品数据

// data/products.json
[
  {
    "id": 1,
    "name": "MacBook Pro 16\"",
    "category": "笔记本电脑",
    "price": 14999,
    "features": ["M3 芯片", "16GB 内存", "512GB SSD", "16 英寸 Liquid 视网膜屏"],
    "suitable_for": ["专业开发", "视频编辑", "3D 渲染", "重度办公"],
    "pros": ["性能强大", "屏幕优秀", "续航长"],
    "cons": ["价格高", "重量大"]
  },
  {
    "id": 2,
    "name": "iPad Air",
    "category": "平板",
    "price": 4799,
    "features": ["M2 芯片", "10.9 英寸", "支持 Apple Pencil", "5G 可选"],
    "suitable_for": ["学习笔记", "绘画创作", "轻度办公", "娱乐"],
    "pros": ["便携", "生态好", "屏幕优秀"],
    "cons": ["生产力有限", "需要配件"]
  },
  {
    "id": 3,
    "name": "iPhone 15 Pro",
    "category": "手机",
    "price": 7999,
    "features": ["A17 Pro 芯片", "钛金属边框", "4800 万像素", "Action 按钮"],
    "suitable_for": ["日常使用", "摄影", "游戏", "商务"],
    "pros": ["性能强", "拍照好", "系统流畅"],
    "cons": ["价格高", "电池一般"]
  },
  {
    "id": 4,
    "name": "AirPods Pro 2",
    "category": "耳机",
    "price": 1899,
    "features": ["主动降噪", "空间音频", "6 小时续航", "防水"],
    "suitable_for": ["通勤", "运动", "办公", "听音乐"],
    "pros": ["降噪强", "音质好", "佩戴舒适"],
    "cons": ["价格高", "续航一般"]
  },
  {
    "id": 5,
    "name": "Dell XPS 15",
    "category": "笔记本电脑",
    "price": 11999,
    "features": ["Intel i7", "16GB 内存", "1TB SSD", "4K OLED 屏"],
    "suitable_for": ["办公", "设计", "编程", "多媒体"],
    "pros": ["屏幕优秀", "性能均衡", "Windows 生态"],
    "cons": ["续航一般", "风扇噪音"]
  }
]

2. 构建知识库

// src/knowledge.js
import { RecursiveCharacterTextSplitter } from 'langchain/text_splitter';
import { HNSWLib } from 'langchain/vectorstores/hnswlib';
import { OpenAIEmbeddings } from 'langchain/embeddings/openai';
import fs from 'fs';
import path from 'path';

class ProductKnowledgeBase {
  constructor() {
    this.products = JSON.parse(
      fs.readFileSync(path.join(__dirname, '../data/products.json'), 'utf-8')
    );
    this.vectorStore = null;
  }

  // 将产品数据转换为文本
  productsToText() {
    return this.products.map(product => {
      return `
产品名称：${product.name}
类别：${product.category}
价格：¥${product.price}
特性：${product.features.join('、')}
适合场景：${product.suitable_for.join('、')}
优点：${product.pros.join('、')}
缺点：${product.cons.join('、')}
      `.trim();
    }).join('\n\n---\n\n');
  }

  // 创建向量数据库
  async createVectorStore() {
    const text = this.productsToText();
    
    // 分割文本
    const splitter = new RecursiveCharacterTextSplitter({
      chunkSize: 500,
      chunkOverlap: 50
    });
    
    const documents = await splitter.createDocuments([text]);
    
    // 创建 embeddings
    const embeddings = new OpenAIEmbeddings();
    
    // 创建向量存储
    this.vectorStore = await HNSWLib.fromDocuments(documents, embeddings);
    
    return this.vectorStore;
  }

  // 搜索相关产品
  async search(query, k = 3) {
    if (!this.vectorStore) {
      await this.createVectorStore();
    }
    
    const similarDocs = await this.vectorStore.similaritySearch(query, k);
    return similarDocs;
  }

  // 获取所有产品
  getAllProducts() {
    return this.products;
  }
}

export default ProductKnowledgeBase;

3. 构建推荐引擎

// src/recommender.js
import { ChatOpenAI } from '@langchain/openai';
import { PromptTemplate } from 'langchain/prompts';
import { BufferMemory } from 'langchain/memory';
import { LLMChain } from 'langchain/chains';
import ProductKnowledgeBase from './knowledge.js';

class ProductRecommender {
  constructor() {
    this.llm = new ChatOpenAI({
      temperature: 0.7,
      model: 'gpt-4'
    });
    
    this.knowledgeBase = new ProductKnowledgeBase();
    this.memory = new BufferMemory({
      memoryKey: 'chat_history',
      returnMessages: true
    });
    
    this.init();
  }

  async init() {
    await this.knowledgeBase.createVectorStore();
  }

  // 创建推荐提示词
  createPromptTemplate() {
    return new PromptTemplate({
      template: `你是一名专业的产品推荐顾问，名叫"小智"。

你的任务是根据用户的需求，从知识库中推荐最合适的产品。

对话历史：
{chat_history}

相关知识：
{context}

用户当前需求：
{input}

请按照以下格式回答：

## 🎯 推荐产品

**产品名称：** [产品名称]

**推荐理由：**
1. [理由 1]
2. [理由 2]
3. [理由 3]

**产品详情：**
- 价格：¥[价格]
- 核心特性：[列出 3 个核心特性]
- 适合场景：[列出适合的使用场景]

**优缺点分析：**
✅ 优点：[列出优点]
⚠️ 注意：[列出需要注意的地方]

**其他建议：**
[给出 1-2 个额外的购买建议或使用建议]

请用友好、专业的语气回答，让用户感受到你的诚意和专业性。`,
      inputVariables: ['chat_history', 'context', 'input']
    });
  }

  // 推荐产品
  async recommend(userInput) {
    // 1. 搜索相关知识
    const relevantDocs = await this.knowledgeBase.search(userInput, 3);
    const context = relevantDocs.map(doc => doc.pageContent).join('\n\n');

    // 2. 获取对话历史
    const history = await this.memory.loadMemoryVariables({});
    const chatHistory = history.chat_history
      .map(msg => `${msg.getType()}: ${msg.content}`)
      .join('\n');

    // 3. 构建提示词
    const prompt = this.createPromptTemplate();

    // 4. 创建链
    const chain = new LLMChain({
      llm: this.llm,
      prompt,
      memory: this.memory
    });

    // 5. 调用链
    const response = await chain.call({
      input: userInput,
      context: context || '暂无相关知识',
      chat_history: chatHistory || '暂无对话历史'
    });

    return response.text;
  }

  // 重置记忆
  resetMemory() {
    this.memory.clear();
  }
}

export default ProductRecommender;

4. 主程序入口

// src/index.js
import ProductRecommender from './recommender.js';
import readline from 'readline';

const recommender = new ProductRecommender();

const rl = readline.createInterface({
  input: process.stdin,
  output: process.stdout
});

console.log('🤖 欢迎使用智能产品推荐助手！');
console.log('💡 输入"退出"结束对话，输入"清空"重置记忆\n');

async function main() {
  while (true) {
    const question = await new Promise(resolve => {
      rl.question('👤 你：', resolve);
    });

    if (question.toLowerCase() === '退出') {
      console.log('\n👋 感谢使用，再见！');
      rl.close();
      process.exit(0);
    }

    if (question.toLowerCase() === '清空') {
      recommender.resetMemory();
      console.log('🧹 记忆已清空\n');
      continue;
    }

    try {
      console.log('\n🤖 小智：正在思考...\n');
      const answer = await recommender.recommend(question);
      console.log(answer + '\n');
    } catch (error) {
      console.error('❌ 出错了:', error.message);
    }
  }
}

// 等待知识库初始化
recommender.init().then(() => {
  main();
}).catch(error => {
  console.error('初始化失败:', error);
  process.exit(1);
});

5. 运行项目

# 添加 shebang 或配置 package.json
npm start

package.json:

{
  "type": "module",
  "scripts": {
    "start": "node src/index.js"
  }
}

---

🎯 四、项目亮点解析

1. 核心功能实现

功能	LangChain 模块	作用
知识库检索	VectorStore + Embeddings	语义搜索相关产品
对话记忆	BufferMemory	记住用户偏好和历史
智能推荐	LLMChain	结合知识生成推荐
提示词管理	PromptTemplate	结构化输出

2. 关键代码解析

向量检索（RAG）：

// 将产品描述转换为向量
const embeddings = new OpenAIEmbeddings();
const vectorStore = await HNSWLib.fromDocuments(documents, embeddings);

// 语义搜索
const similarDocs = await vectorStore.similaritySearch('我需要一台适合编程的电脑', 3);

记忆管理：

// 自动维护对话历史
const memory = new BufferMemory({
  memoryKey: 'chat_history',
  returnMessages: true
});

// 每次对话后自动更新
await chain.call({ input: question });

链式调用：

// 串联多个步骤
const chain = new LLMChain({
  llm: this.llm,      // 1. 选择模型
  prompt,             // 2. 使用提示词模板
  memory: this.memory // 3. 维护记忆
});

---

🔧 五、进阶功能扩展

1. 添加工具（Tools）

让 AI 能调用外部功能：

import { Tool } from 'langchain/tools';

// 价格比较工具
class PriceComparisonTool extends Tool {
  name = 'price_comparison';
  description = '比较不同产品的价格';

  async _call(input) {
    const products = this.knowledgeBase.getAllProducts();
    const sorted = products.sort((a, b) => a.price - b.price);
    return sorted.map(p => `${p.name}: ¥${p.price}`).join('\n');
  }
}

const tools = [new PriceComparisonTool(knowledgeBase)];

2. 使用 Agent 自主决策

import { initializeAgentExecutor } from 'langchain/agents';

const executor = await initializeAgentExecutor(
  tools,
  this.llm,
  { agentType: 'zero-shot-react-description' }
);

// Agent 会自动决定使用哪个工具
const result = await executor.run('帮我找最便宜的笔记本电脑，并比较它们的配置');

3. 添加多轮对话优化

import { ConversationSummaryMemory } from 'langchain/memory';

// 总结式记忆（适合长对话）
const memory = new ConversationSummaryMemory({
  llm: this.llm,
  memoryKey: 'chat_history'
});

4. 部署为 Web 服务

// 使用 Express 提供 API
import express from 'express';
const app = express();

app.post('/api/recommend', async (req, res) => {
  const { question } = req.body;
  const answer = await recommender.recommend(question);
  res.json({ answer });
});

app.listen(3000, () => {
  console.log('API 服务运行在 http://localhost:3000');
});

---

📊 六、LangChain vs 其他方案

方案	适用场景	复杂度	灵活性
LangChain	复杂 AI 应用	⭐⭐⭐	⭐⭐⭐⭐⭐
直接调用 API	简单问答	⭐⭐	⭐⭐
LlamaIndex	数据密集型 RAG	⭐⭐⭐⭐	⭐⭐⭐⭐
Haystack	企业级搜索	⭐⭐⭐⭐	⭐⭐⭐

---

🎓 七、学习资源

• 📖 LangChain 官方文档
• 📚 LangChain.js GitHub
• 🎥 LangChain 视频教程
• 💡 LangChain cookbook

---

✅ 总结

通过这个项目，我们学会了：

1. ✅ LangChain 核心概念（LLM、Prompt、Chain、Memory、Tools、Agent）
2. ✅ 构建 RAG 应用（向量检索 + 大模型）
3. ✅ 对话记忆管理（BufferMemory）
4. ✅ 提示词工程（PromptTemplate）
5. ✅ 完整项目实战（智能产品推荐助手）

LangChain 不是「AI 胶水」，而是 AI 应用开发的「操作系统」！

它让你专注于业务逻辑，而不是重复造轮子。

---

🚀 下一步

1. 尝试其他 Chain 类型（SequentialChain、RouterChain）
2. 集成更多 Tools（搜索、计算器、数据库）
3. 部署到生产环境（Docker + API）
4. 添加用户认证（JWT + 数据库）
5. 优化性能（缓存、批处理）

现在，轮到你动手实践了！🎉

---

如果觉得这篇文章对你有帮助，欢迎点赞、收藏、评论！也欢迎关注我，获取更多 AI 开发实战经验。

参考资料

• LangChain.js 官方文档
• OpenAI API 文档
• RAG 技术详解

---

作者：一名热爱 AI 应用开发的前端工程师
本文项目代码已开源，欢迎 Star 和 Fork！