上一世，在中国Ai人工智能的市场被Java和Python垄断，这一世我Nodejs要夺回我失去的一切！

基础

基本认识

LangChain 提供一套提示词模板（prompt template）管理工具，负责处理提示词，然后船体给大模型处理，最后处理大模型返回结果，LangChain 对大模型的封装主要包括LLM和Chat Modal两种类型。

• LLM - 问答模型，模型接受一个文本输入，然后返回一个文本结果。
• Chat Modal - 对话模型，接收一组对话消息，然后返回对话消息，类似聊天消息一样。

核心概念

LLMs

LangChain 封装的基础模型，模型接收一个文本输入，然后返回一个文本结果。

Chat Modals

聊天模型（或者称为对话模型），与LLMs不同，这些模型转为对话场景而设计。模型可以接收一组对话消息，然后返回对话消息，类似聊天消息一样。

Message

指的是聊天模型（Chat Models）的消息内容，消息类型包括HumanMessage、AIMessage、SystemMessage、FunctionMessage和ToolMessage等多种类型消息。

Prompts

LangChain封装了一些专门用于提示词（prompts）管理的工具类，方便我们格式化提示词（prompts）内容。

Output Parsers

LangChain接受大模型（llm）返回的文本内容之后，可以使用专门的输出解析器对文本内容进行格式化，例如解析json、或者将llm输出的内容转为js对象。

Retrievers

为方便我们将私有数据导入到大模型（LLM），提高模型回答问题的质量，LangChain封装了检索框架（Retrievers），方便我们加载文档数据、切割文档数据、存储和检索文档数据。

Vector Stores

为支持私有数据的语义相似搜索，LangChain支持多种向量数据库。

Agents

智能体（Agents），通常指的是以大模型（LLM）作为决策引擎，根据用户输入的任务，自动调用外部系统、硬件设备共同完成用户的任务，是一种以大模型（LLM）为核心的应用设计模式。

应用场景

• 对话机器人：构建智能的对话助手、客服机器人、聊天机器人等。
• 知识库问答：结合知识图谱，进行开放域问题的问答服务。
• 智能写作：如文章写作、创意写作、文本摘要等。

快速入门

前提

需要自己提前安装好 Ollama ，以及在本地进行模型部署。如果不会操作可以看 本地部署DeepSeek Nodejs版-CSDN博客 。这个以DeepSeek为例子，教你们如何在本地部署一个基座模型。

安装LangChain

pnpm add langchain @langchain/community @langchain/core @langchain/ollama

入门Demo

import { PromptTemplate } from "@langchain/core/prompts";
import { ChatOllama } from '@langchain/ollama';
import { StringOutputParser } from "@langchain/core/output_parsers";

// 初始化模型
const llm = new ChatOllama({
    model: 'qwen3:0.6b'
});

// 设置提示词
const prompt = new PromptTemplate({
    template: "你是一个世界级技术专家\n\n用户问题：{input}",
    inputVariables: ['input']
})

// 创建字符串解析器
const parser = new StringOutputParser();

// 调用模型
const run = async () => {
    const chain = prompt.pipe(llm).pipe(parser);
    const chainResult = await chain.invoke({ input: "什么是机器学习？" });
    console.log(chainResult);
}

run()