6.langchain.js 使用

约 1047 字大约 3 分钟

LangChain

2026-04-08

如果你的主栈是 Node.js 或 TypeScript，那就没必要先绕到 Python 再回来。

LangChain.js 的核心心智和 Python 基本一致：

也是模型、提示词、解析器、工具、检索器这几类组件。
也是通过链式组合来组织执行流程。
只是包名、运行环境和类型约束更贴近前端/Node 生态。

这一节不在原课件里，但如果你的应用本来就是 Next.js、Node 服务或 Electron 后端，LangChain.js 往往更顺手。

先明确一个边界

大多数 langchain.js 代码应该运行在服务端，而不是浏览器客户端。

原因很直接：

模型密钥不能暴露给前端。
检索、向量库、工具调用本来就更适合在后端执行。
复杂链路放在服务端更容易观测和限流。

安装方式

如果只是做基础能力，通常先装这些就够了：

pnpm add langchain @langchain/core @langchain/openai zod

如果要做文档加载、向量库或社区集成，再按需安装额外包。

一个最小可跑的调用

import { ChatOpenAI } from "@langchain/openai"

const model = new ChatOpenAI({
  model: "gpt-4o-mini",
  temperature: 0.2,
})

const result = await model.invoke("用三句话解释什么是 LangChain。")
console.log(result.content)

这和 Python 版几乎是同一个思路。

差别主要只有两点：

你会更频繁地直接拿到 TypeScript 类型提示。
代码通常放在 API 路由、服务层或 worker 里，而不是 notebook 风格脚本里。

用提示词模板和解析器组链

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

const model = new ChatOpenAI({
  model: "gpt-4o-mini",
  temperature: 0.2,
})

const prompt = ChatPromptTemplate.fromMessages([
  ["system", "你是一个简洁的技术助手。"],
  ["human", "把 {topic} 用三句话讲清楚。"],
])

const chain = prompt.pipe(model).pipe(new StringOutputParser())

const result = await chain.invoke({
  topic: "LangChain 的 Runnable 机制",
})

console.log(result)

这就是 JS 版最值得掌握的基本功：

把 prompt、model、parser 都当成独立组件，再用 pipe() 串起来。

用 Zod 做结构化输出

TypeScript 场景下，结构化输出最好配合 Zod 使用。

import { z } from "zod"
import { ChatOpenAI } from "@langchain/openai"

const model = new ChatOpenAI({
  model: "gpt-4o-mini",
})

const PersonSchema = z.object({
  name: z.string().nullable().describe("名字"),
  role: z.string().nullable().describe("角色"),
  city: z.string().nullable().describe("城市"),
})

const structuredModel = model.withStructuredOutput(PersonSchema)

const result = await structuredModel.invoke(
  "张三在上海工作，是后端工程师。"
)

console.log(result)