AI 入门开发之 LangChain.js 与 LCEL

这几年 AI 火的一塌糊涂，各家大模型竞争如火如荼，我有一种强烈的感觉，现在正是 AI 大模型应用爆发的前夜，或者说已经到了爆发的点。所以除了使用 AI 工具提效外，我也非常想加入 AI 应用开发的浪潮，所以就有了这篇文章，千里之行始于足下，记录自己学习过程的同时，希望也能帮到同样感兴趣的你。

一、大模型很火，开发却很难

2023 年以来，大语言模型（如 GPT-4、Claude、Gemini 等）横空出世，引爆了 AI 技术的新一轮浪潮。但如果作为开发者，尝试动手调用一下这些大模型时，就会碰到下面这种问题：

• 翻文档半小时，只为找到一个简单的 API 调用方式；
• 想把模型回答“连起来用”，发现流程控制、状态维护全靠自己写逻辑；
• 每家模型厂商接口都不一样，代码越写越乱，维护困难；
• 加点搜索、调用数据库、整理上下文？直接让你头大；

这就像你站在了一座 AI 金矿前，兴奋又无从下手。

这正是 LangChain 诞生的初衷：帮开发者用“人类思维”方式构建 AI 应用，而不是用“API 拼图”的方式。

---

二、LangChain 是什么？它解决了什么问题？

LangChain（JavaScript/TypeScript 版本即 langchain.js）是一个用于构建大模型驱动应用的开发框架。

说白了，它让你更轻松地把大模型接入业务，像写流程图一样编排复杂的 AI 应用逻辑。

它主要解决了三个问题：

1. 模型调用抽象化
   你不用再关心每个模型的底层调用细节，LangChain 提供统一接口，屏蔽底层差异。

2. 上下文管理和链式调用
   可以把多个步骤串联成思考链（Chain），像这样：

   用户提问 → 让模型分析 → 查询数据库 → 整理回答 → 输出给用户

3. 工具集成能力
   模型不只是语言生成器，还可以调用工具。LangChain 支持搜索引擎、向量数据库、网页抓取、代码执行等各种外部工具集成。

用一个比喻：LangChain 就像是 Node.js 里的 Express——不是模型本身，但可以帮你用模型造出强大 App 的基础框架。

---

三、langchain.js：为前端开发者量身打造的版本

LangChain 最早由 Python 实现，但 JavaScript/TypeScript 社区也迅速跟进，推出了 langchain.js

只要你熟悉 JS，就能快速上手。

来一些例子简单直观感受一下：

✅ 示例一：最简单的模型调用

import { ChatOpenAI } from "langchain/chat_models/openai";// 创建一个模型实例
const model = new ChatOpenAI({temperature: 0.7, // 控制模型回答的“随机性”：越高越有创造力，越低越稳定
});// 向模型发送一句话，得到回复
const res = await model.invoke("用一句话介绍 JavaScript");
console.log(res.content);

• ChatOpenAI：LangChain 封装的 ChatGPT 调用接口。你不用再手动写 HTTP 请求。
• invoke(prompt)：调用模型，传入提示词（Prompt），返回完整回答对象。
• temperature：控制模型输出的风格，是最常用的参数之一。

---

✅ 示例二：链式调用，把流程拆分成“拼图”

import { ChatOpenAI } from "langchain/chat_models/openai";
import { PromptTemplate } from "langchain/prompts";
import { StringOutputParser } from "langchain/schema/output_parser";// 1. 定义模型：ChatGPT 的封装调用方式
const model = new ChatOpenAI({temperature: 0.7,modelName: "gpt-3.5-turbo", // 可指定模型版本，默认也可以不写
});// 2. 创建一个提示词模板
const prompt = PromptTemplate.fromTemplate("请用简洁中文回答：{question}");// 3. 创建一个输出解析器，把模型返回处理成文本
const outputParser = new StringOutputParser();// 4. 用 pipe 串联步骤：提示词 → 模型 → 输出解析
const chain = prompt.pipe(model).pipe(outputParser);// 5. 执行整条链，传入变量
const result = await chain.invoke({ question: "React 是什么？" });console.log(result);
// 输出示例：React 是一个用于构建用户界面的 JavaScript 库。

• PromptTemplate：用于定义可复用的“模板提示词”，可以插入变量。
• pipe()：LangChain 的精髓，用来把多个步骤串起来执行，每一步处理上一部的结果。（是不是很像 .then().catch() ）
• StringOutputParser：模型可能返回复杂 JSON、Markdown、代码块等，这个解析器可以提取最常见的纯文本。

---

✅ 示例三：接入搜索，做一个“智能问答助手”

import { MemoryVectorStore } from "langchain/vectorstores/memory";
import { OpenAIEmbeddings } from "langchain/embeddings/openai";
import { RetrievalQAChain } from "langchain/chains";// 准备一些“知识”内容（文档、文章、FAQ）
const docs = [{ pageContent: "JavaScript 是一种浏览器端的脚本语言。" },{ pageContent: "React 是由 Facebook 开发的 UI 库。" },
];// 把文本转换成“向量”，便于后续搜索（embedding 处理）
const vectorStore = await MemoryVectorStore.fromDocuments(docs,new OpenAIEmbeddings()
);// 构建一个“检索 + 回答”的链条（Retrieval-Augmented QA）
const chain = RetrievalQAChain.fromLLM(model, vectorStore.asRetriever());// 进行问答
const res = await chain.call({ query: "谁开发了 React？" });
console.log(res.text); // → Facebook

• MemoryVectorStore：内存中的向量数据库，用于“相似内容搜索”。开发时可快速测试，生产可换 Pinecone/Supabase 等。
• OpenAIEmbeddings：将文本转成向量的工具，类似为模型理解做准备。
• RetrievalQAChain：LangChain 内建的一个链条，自动完成：“搜索 + 构造上下文 + 提问 + 回答”全过程。

从代码可以直观地体会到，以前这可能需要几十行代码，现在只要几行，你只需要关注业务逻辑。你写的不是“模型代码”，而是“业务逻辑”。LangChain.js 把大模型开发的门槛从“懂 AI 算法”降到了“懂函数组合”。

四、LCEL（LangChain Expression Language）

非常好的问题！你问到了 LCEL 的核心所在：它到底是个“什么东西”？和“链式思维”有什么本质区别？

我们就来深入拆解这个点，尽量把它讲透、讲清楚，让你不仅“看懂代码”，更要“理解思想”。

---

1. 什么是“链式思维”？（Chain-Based Thinking）

链式思维是 LangChain 最初提出的理念：

人类的复杂思考过程，其实可以被拆解为多个小步骤，每一步都可以由一个模型（或工具）来完成。

比如你要问一个问题：“特斯拉的创始人是谁，他最近有什么新闻？”

人类的思考可能是这样的：

1. 理解问题
2. 提取实体：特斯拉
3. 查询知识：创始人是谁？
4. 查新闻：和这个人相关的最近动态
5. 整理信息，形成自然语言回答

在 LangChain 中，每一步可以看作一个“链”（Chain）：

const chain = new SequentialChain({chains: [entityExtractor, knowledgeSearcher, newsFetcher, summarizer],
});

这就是所谓的“链式编排”——你把多个组件像串糖葫芦一样串起来，形成一个 pipeline。

那么，问题来了：

• 每个环节都要 new 一个对象、设置 input/output key
• 想调试中间结果？麻烦
• 想组合多个逻辑流？臃肿
• 太多样板代码，阅读和维护成本高

于是，LangChain 团队决定用一种更简洁、更声明式的方式来描述这种链式组合。

---

2. LCEL 到底是什么？

LCEL 全称是：LangChain Expression Language。

它既不是一门“语言”（不用学新语法），也不是一个单独的框架。

它是 LangChain 推出的一种组合模型调用逻辑的新“表达方式”，本质上是一套语法糖 + 运行时抽象。

让我们用代码对比，感受一下差异：

传统 Chain 编排（冗长）

const chain = new SequentialChain({chains: [new LLMChain({ prompt: prompt1, llm }),new LLMChain({ prompt: prompt2, llm }),new StuffDocumentsChain({ documentCombiner }),],
});

LCEL 编排（清爽）👇

const chain = prompt1.pipe(llm).pipe(prompt2).pipe(llm).pipe(documentCombiner);

这里的 .pipe() 就是 LCEL 的核心操作符：管道式组合。

你只需要把输入和处理步骤按顺序“串”起来，它会自动帮你管理数据流、输入输出、异常处理等逻辑。每个环节都是独立组件，天然适合单元测试、mock 调试。