第 1 章 · LangChain.js 入门

🎯 本章目标

• 理解 LangChain.js 是什么、解决什么问题
• 认识它的 5 个核心概念
• 完成你的第一次 LLM 调用

本章代码

📌 代码约定：正文的代码块都尽量保持可直接运行（含 import 与模型初始化）。若某段为聚焦概念的节选，会明确标注「节选」并指向同名的 code/ 完整文件。

文件	内容
code/01-hello-world.ts	第一次调用 LLM
code/02-message-types.ts	用 System / Human 消息控制 AI 风格
code/03-model-comparison.ts	对比不同模型或参数

---

一、用"五金店"来理解 LangChain

假设你要盖一栋房子。 你当然可以自己烧砖、自己配水泥、自己造锤子——但更聪明的做法，是去一家五金店买现成的材料和成熟的工具。

LangChain.js 就是 AI 开发界的五金店。

五金店提供	LangChain.js 提供
🔨 现成的工具（锤子、锯子、电钻）	现成的组件（对话模型、提示词、工具）
🧱 优质材料（木料、钉子、油漆）	优质抽象（同一套接口适配任何服务商）
📋 施工图纸	常见 AI 应用的设计范式
🔄 标准化的可互换零件	可组合的组件，彼此无缝衔接

结果就是：你可以专注于"盖房子"（做应用），而不用重新发明轮子。

---

二、LangChain.js 是什么

一句话：LangChain.js 是一个用大语言模型（LLM）构建 AI 应用的框架。

没有它会怎样

• 每换一家模型服务商（OpenAI / Anthropic / 国产大模型…），就要重写一套调用代码
• 得自己造一套提示词管理系统
• 得自己实现工具调用、函数调用的逻辑
• 得从零实现"记忆"和多轮对话
• 想搞 Agent，却毫无章法

有了它，你得到

• 服务商抽象：在 OpenAI / Azure / Anthropic / 国产模型之间切换，只需改配置
• 提示词模板：可复用、可测试的提示词
• 工具（Tools）：用自定义函数和 API 扩展模型能力
• 记忆（Memory）：内置的多轮对话历史管理
• 智能体（Agents）：能自主决策、自己选工具的 AI

---

三、5 个核心概念

概念	通俗解释	在哪一章学
模型 Model	AI 的"大脑"，处理输入、生成输出	本章 + 第 2 章
提示词 Prompt	你和模型沟通的方式（可模板化）	第 3 章
工具 Tool	给模型装上的"手"，让它能调用外部函数	第 4 章
智能体 Agent	会自己思考、自己选工具的 AI 系统	第 5 章
记忆 Memory	让 AI 记住之前聊过什么	第 2 章

它们是这样串联起来的：

用户输入 → 记忆 → 提示词 → 工具/智能体 → 模型 → 回复

现在看不懂没关系，你会一章一章地把它们逐个吃透。

---

四、动手：你的第一次调用

⚠️ 动手前先确认依赖：本章正文会出现 import ... from "langchain"。

• 只是跑本书示例 → 在本书根目录执行过一次 npm install 就够了
• 要装进你自己的项目 → 先看 第 0 章 · 二、把 LangChain 装进你自己的项目 （npm install -S langchain / pnpm install langchain / yarn add langchain）

示例 1：Hello World

完整代码就在 code/01-hello-world.ts，可以直接复制运行。先通读一遍：

import { ChatOpenAI } from "@langchain/openai";
import "dotenv/config";   // 自动加载 .env

async function main() {
  // 1. 创建模型实例
  const model = new ChatOpenAI({
    model: process.env.AI_MODEL,
    apiKey: process.env.AI_API_KEY,
    configuration: { baseURL: process.env.AI_ENDPOINT },
  });

  // 2. 发起调用（invoke = 调用并等待完整结果）
  const response = await model.invoke("用一句话解释 LangChain 是什么。");

  // 3. 读取回复内容
  console.log(response.content);
}

main().catch(console.error);

发生了什么？

1. 从 @langchain/openai 导入 ChatOpenAI 这个"客户端"
2. 用三个参数构造它：模型名、接口地址、密钥
3. 调用 invoke()，传入提示词，同步等待完整回复
4. 从返回对象里读 .content 得到文本

为什么把密钥放 .env？

• 密钥不进代码仓库，更安全
• 换服务商时只改配置文件，不改代码——就像换联系人只需要改通讯录里的号码，拨号方式完全不变

运行：

npx tsx 01-introduction/code/01-hello-world.ts

预期输出（内容会因模型而异）：

🚀 你好，LangChain.js！

🤖 AI 回复： LangChain 是一个用于构建大语言模型应用的框架……

✅ 成功！你刚刚完成了第一次 LangChain.js 调用。

---

示例 2：消息类型

让 AI 用"给 10 岁小孩讲"的风格解释量子计算——靠的就是 SystemMessage。

同样是完整可运行的代码：

import { ChatOpenAI } from "@langchain/openai";
import { HumanMessage, SystemMessage } from "langchain";
import "dotenv/config";

async function main() {
  const model = new ChatOpenAI({
    model: process.env.AI_MODEL,
    apiKey: process.env.AI_API_KEY,
    configuration: { baseURL: process.env.AI_ENDPOINT },
  });

  // 用角色化的消息数组，而不是一坨字符串
  const messages = [
    new SystemMessage("你是一位耐心的老师，擅长用最简单的比喻向 10 岁孩子解释事情。"),
    new HumanMessage("解释一下量子计算。"),
  ];

  const response = await model.invoke(messages);
  console.log(response.content);
}

main().catch(console.error);

三种消息：

• SystemMessage — 设定 AI 的身份、语气、行为准则（只在开头出现一次）
• HumanMessage — 用户说的话
• AIMessage — AI 说过的话（用于把它拼回对话历史）

为什么用消息数组而不是一坨字符串？ 因为它给了你对 AI 行为的精确控制，也为后续多轮对话、工具调用打下了基础。

运行：

npx tsx 01-introduction/code/02-message-types.ts

预期输出（节选，内容因模型而异）：

🎭 理解消息类型

🤖 AI 回复：

好，我们一步一步来，不着急。你可以先忘掉“量子”这个词，把它想成“很小很小的魔法世界”。

**普通电脑**像一个有很多电灯开关的盒子。每个开关只能有两种状态：开（1）或者关（0）。电脑就是用一大堆 0 和 1 来算东西。比如算 1+1，它就按规则把开关拨来拨去。它很听话，但每次基本只能走一条路。

**量子电脑**不一样。它的最小单位叫“量子比特”，你可以把它想成一枚**正在旋转的硬币**。这枚硬币不是正面，也不是反面，而是“正面和反面混在一起”。只有你用手一拍，也就是“测量”，它才会变成正面或反面。量子比特也是这样：它可以同时带着 0 和 1 的混合状态。

更神奇的是，量子比特还会“纠缠”。你可以想成一对魔法骰子：你在这边掷，另一个在很远的地方也会跟着有暗号。它们像有心灵感应的双胞胎。不过，这不是用来超远距离传话的魔法，而是帮助量子电脑一起算难题。

……（内容因模型而异）

小实验：把 SystemMessage 改成"你是一位冷酷的海盗船长"，再跑一次，看看风格变化。

---

示例 3：对比模型 / 参数

同一个问题，换个模型或用不同参数，结果会不一样。

在 .env 里加一行就能对比两个模型：

# 在 .env 里加上这一行
AI_MODEL_ALT=另一个模型名

没配 AI_MODEL_ALT 时，示例会自动改为对比温度（temperature）：温度 0 更确定，温度 1 更发散。

完整代码就在 code/03-model-comparison.ts：

import { ChatOpenAI } from "@langchain/openai";
import "dotenv/config";

// 跑一次调用，打印回复内容与耗时
async function runOnce(label: string, modelName: string, temperature?: number) {
  const model = new ChatOpenAI({
    model: modelName,
    apiKey: process.env.AI_API_KEY,
    configuration: { baseURL: process.env.AI_ENDPOINT },
    ...(temperature !== undefined ? { temperature } : {}),
  });

  const start = Date.now();
  const response = await model.invoke("用一句话解释递归。");
  const cost = Date.now() - start;

  console.log(`\n📊 ${label}`);
  console.log("-".repeat(60));
  console.log(`回复：${response.content}`);
  console.log(`⏱️  用时：${cost}ms`);
}

async function main() {
  console.log("🔬 模型 / 参数对比\n");

  const mainModel = process.env.AI_MODEL!;
  const altModel = process.env.AI_MODEL_ALT;

  if (altModel) {
    // 配了 AI_MODEL_ALT：对比两个模型
    await runOnce(`模型 A：${mainModel}`, mainModel);
    await runOnce(`模型 B：${altModel}`, altModel);
    console.log("\n💡 观察：不同模型在同一问题上的详略、措辞、速度差异。");
  } else {
    // 没配：改为对比 temperature 的效果
    console.log("（未配置 AI_MODEL_ALT，改为对比 temperature 的效果）");
    await runOnce(`temperature = 0.0（更确定）`, mainModel, 0.0);
    await runOnce(`temperature = 1.0（更随机）`, mainModel, 1.0);
    console.log("\n💡 观察：温度越高，回答越发散、越有创意；温度越低越稳定。");
    console.log("   想看模型对比？在 .env 加：AI_MODEL_ALT=另一个模型名");
  }
}

main().catch(console.error);

运行：

npx tsx 01-introduction/code/03-model-comparison.ts

预期输出（节选，耗时因网络而异）：

🔬 模型 / 参数对比

（未配置 AI_MODEL_ALT，改为对比 temperature 的效果）

📊 temperature = 0.0（更确定）
------------------------------------------------------------
回复：递归是指函数直接或间接调用自身来解决问题的编程技巧。
⏱️  用时：1420ms

📊 temperature = 1.0（更随机）
------------------------------------------------------------
回复：递归就像俄罗斯套娃，一层套一层，直到最小的那个不再打开。
⏱️  用时：1685ms

💡 观察：温度越高，回答越发散、越有创意；温度越低越稳定。
   想看模型对比？在 .env 加：AI_MODEL_ALT=另一个模型名

你会观察到：温度 0 时两次调用几乎一样，温度 1 时更有变化； 配了 AI_MODEL_ALT 之后，还能直观对比两个模型的详略与速度。

---

五、🌱 关于 lib/model.ts 的小提示

你会发现后面的章节不再手写 new ChatOpenAI(...)，而是这样：

import { createModel } from "../lib/model.js";
const model = createModel();            // 读取 .env
const creative = createModel({ temperature: 1.0 });  // 覆盖参数

它做的事和示例 1 完全一样，只是把"读环境变量 → 构造模型"这段重复代码收进了一个函数。你完全可以继续手写，效果一致。

---

🎓 本章要点

• LangChain.js 是抽象层，让你用同一套代码对接不同的模型服务商
• 它由可组合的组件构成：模型、提示词、工具、智能体、记忆
• 配置通过 .env 完成：AI_API_KEY / AI_ENDPOINT / AI_MODEL
• 消息有类型：System / Human / AI 各司其职

---

🎮 动手练习

1. 打开 code/01-hello-world.ts，把问题改成"用简单的语言解释 AI"，再运行一次
2. 把 02-message-types.ts 的 SystemMessage 换成别的角色（海盗、诗人、面试官），观察变化
3. 在 .env 里设置 AI_MODEL_ALT，跑一次模型对比

---

---

📂 本章完整代码

学到哪一章想直接翻代码，可以点这两个入口（两处内容同步，选能打开的）：

• GitHub：https://github.com/cleversnail/lang-chain-js-cn/tree/main/01-introduction/code
• Gitee：https://gitee.com/snail_wn/lang-chain-js-cn/tree/main/01-introduction/code

章节说明在本页，可直接运行的 .ts 文件在上面这两个目录里。

---

🗺️ 导航

← 上一章：环境准备 ｜ 返回总目录 ｜ 下一章：对话模型与基础交互 →