LangChain 入门与实践：从 LLM 调用到 AI 工作流的工程化思维
随着 ChatGPT 在 2022 年引爆 AIGC，基于 Transformer 的大语言模型（LLM）迅速进入应用层。然而，真正落地 AI 应用时，人们很快发现一个问题：调用模型很简单，构建复杂、可维护、可扩展的 AI 应用却很困难。
LangChain 正是在这样的背景下出现的。

---

一、LangChain 是什么？为什么需要它
LangChain 是一个 AI 应用开发框架，其目标并不是“造一个模型”，而是帮助开发者高效组织和编排大语言模型能力。
从命名上看：

• Lang：Language / LLM（大语言模型）
• Chain：将多个步骤、节点、能力串联起来

LangChain 的核心价值在于：
把一次 LLM 调用，升级为可组合、可复用、可编排的 AI 工作流。

这使得 AI 应用不再只是“一次 prompt + 一次返回”，而是具备工程结构的系统。

---

二、LangChain 的工程定位
在 AI 应用开发中，LangChain扮演的是中间层框架角色：

• 向下：适配不同 LLM Provider（OpenAI、DeepSeek 等）
• 向上：为业务提供统一、抽象的 AI 能力接口

关键特点

• LLM 可插拔
• 统一接口（Chat / Completion）
• 提示词模块化
• 流程可组合（Chain / Runnable）
• 适合构建 Agent 与复杂 AI 系统

这也是为什么 LangChain 往往比具体模型“生命周期更长”。

---

三、Node.js + ESM + 环境配置
LangChain 在 Node.js 生态下具有良好的工程体验，典型配置包括：

• 使用 ESM

{
  "type": "module"
}

 

• 使用 dotenv 管理敏感信息
• 使用 pnpm 安装依赖

 import { ChatDeepSeek } from '@langchain/deepseek';

const model = new ChatDeepSeek({
  model: 'deepseek-reasoner',
  temperature: 0
});

 

环境变量统一管理模型 Key：

import 'dotenv/config'
 

这符合现代后端与 AI 工程的最佳实践。

---

四、LLM 适配器模式：统一模型调用

import { ChatDeepSeek } from '@langchain/deepseek';

const model = new ChatDeepSeek({
  model: 'deepseek-reasoner',
  temperature: 0
});

 

这里体现了 LangChain 的适配器思想：

• 不关心底层 API 差异
• 不需要手写请求逻辑
• 模型可随时替换

在 LangChain 中，模型是资源，不是架构核心。
 

---

五、PromptTemplate：提示词的工程化
在真实项目中，prompt 不应是随意拼接的字符串，而应是结构化、可复用的模板。

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

通过 format 注入变量：

 const promptStr = await prompt.format({
  role: '前端面试官',
  limit: '50',
  question: '什么是闭包'
});

PromptTemplate 的价值在于：

• 提示词逻辑集中管理
• 参数化、可配置
• 易于调优与迭代

---

六、Chain：从一次调用到流程编排
最简单的 Chain（Prompt → Model）

 const chain = prompt.pipe(model);

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

这里的 pipe 本质是：
将多个 Runnable 节点 串联成一个执行流程

每个节点：

• 可执行
• 可替换
• 可独立测试

---

RunnableSequence：多步骤 AI 工作流

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}`)
]);

 

这个例子体现了 AI 应用的真实形态：

1. 第一步：生成详细解释
2. 第二步：基于结果进行总结
3. 步骤之间通过数据流衔接

这已经不是“调模型”，而是：
用 LLM 构建可控的业务流程
 

---

七、LangChain 的核心编程范式
通过这些示例，可以总结出 LangChain 的 AI 编程范式：
LLM 是黑盒，但 Prompt 是入口

• Prompt = 控制模型行为的唯一方式
• Prompt 需要工程化管理

---

AI 能力需要“拆步骤”
复杂问题 ≠ 一次调用解决
而是：

• 拆解任务
• 每一步职责清晰
• 串联成工作流

---

Chain 是 AI 应用的核心抽象

• Prompt 是节点
• Model 是节点
• Chain 是流程
• Runnable 是执行单元

 

原文： https://juejin.cn/post/75872398