一、基础
LangChain.js用于构建基于大语言模型(LLM)的应用程序，让LLM不再局限于机器人，而是能读文档、查资料、调工具、做决策、执行任务的智能系统。
一套稳定、可组合、可观测的抽象：模型统一接口(agent)、工具(函数)、流程(LangGraph)、智能体(create_agent)。
"LangChain 1.0 + LangGraph + create_agent"：
LangChain 1.0 是核心框架（模型抽象、提示词、工具、RAG 组件）；
LangGraph 1.0 是官方编排运行时（把流程变成图，支持持久化、人工介入、流式）；
create_agent是智能体的标准入口；
LangSmith 是官方可观测与评测平台（追踪每一步、评测智能体轨迹）。
系统架构：
交互层：集成WebSocket实现实时通信，支持文本/语音双模态输入
处理层：包含对话引擎、知识库、上下文管理器三大模块
数据层：部署向量数据库（如Chroma）与关系型数据库混合存储方案
装包：需要node版本22+
npm install langchain @langchain/core // 核心包
npm install @langchain/openai // 使用特定LLM提供商
npm install @langchain/anthropic
按需安装：
eg: npm install langchain @langchain/openai @langchain/core zod
二、基本流程
提词板→解析器→向量存储，文档加载→构建RAG→创建Chain→创建Agent→部署运行
详细说就是：提词板根据上下文，输入问题 → 再通过解析器，解析成json或对象 → 加载文档并嵌入模型中，构建向量库→ 构建RAG检索器，在向量库进行查找最相关内容作为上下文，再连同问题输入给LLM → 创建一个链来组合提示词、模型、解析器 → 引入agent智能体来感知输入，LLM决策，调用工具(可选) → 执行，获取结果，输出回答
1、提词板
提示词模板：根据上下文，输入问题
// 构建prompt import { PromptTemplate } from "langchain/prompts"; const prompt = PromptTemplate.fromTemplate(` 当前上下文: {context} 用户问题: {question} 请以中文简洁回答，不要编造信息。 `);
2、初始化模型
模型看到有好几种创建方式：
// 第一种 // （1、配置环境key export OPENAI_API_KEY="your-api-key" // （2、config配置LLM module.exports = { llmConfig: { apiKey: process.env.OPENAI_API_KEY, modelName: "gpt-3.5-turbo-16k" }, }; // （3、构建agent模型 const { ChatOpenAI } = require("langchain/chat_models/openai"); const llm = new ChatOpenAI(config.llmConfig); // 第二种 import { ChatOpenAI} from "langchain/openai"; const model = new ChatOpenAI({model: 'gpt-4o'}); // 第三种（官网的） import { initChatModel } from "langchain"; const model = await initChatModel('gpt-4o', { temperature: 0.5, timeout: 300, maxTokens: 30000, });
new ChatOpenAI()：针对特定提供商（OpenAI）的传统初始化方式；
代码直接依赖
@langchain/openai包；切换模型提供商换import，eg：Anthropic
initChatModel()：LangChain 推荐的、跨提供商的统一初始化接口；
通过字符串指定模型名称和提供商（如
"openai:gpt-4o"或"anthropic:claude-3-5-sonnet"），无需为每个提供商导入不同的类；如果只传模型名（如
"gpt-4o"），它会自动推断提供商（前提是安装了相应的集成包）
3、解析器
将输入解析成json或对象
// (1) json import { JsonOutputParser } from "langchain/output_parsers"; const parser = new JsonOutputParser({ schema: { type:'object', properties: { summary: {type: 'string'}, keywords: {type: 'string', items: {type:'string'}} confidence: {type: 'number'} }, required: ['summary','keywords'] } }) // (2)对象 import { StringOutputParser } from "langchain"; const chain = prompt.pipe(model).pipe(new StringOutputParser());
3、加载文档库，构建向量库
将加载的知识文档库嵌入到模型中，构建向量库
import { PDFLoader} from "langchain/document_loaders/fs/pdf"; import { OpenAIEmbeddings} from "langchain/embeddings/openai"; import { MemoryVectorStore} from "langchain/vectorstores/memory"; // 1、加载文档 const loader = new PDFLoader('docs/technical-guide.pdf'); // 要加载的技术文档pdf const docs = await loader.load(); // 2、创建嵌入模型 const embeddings = new OpenAIEmbeddings({oprnAIAPIKey: 'sk-...'})； // 3、构建向量库 const vectorStore = await MemoryVectorStore.fromDucuments(docs, embeddings);向量库：建议用Pinecone、Chroma、Weavite等
4、构建RAG检索器
在向量库中查找最相关内容，作为上下文输入给LLM
// 1、构建rag const retriever = vectorStore.asRetriever({ seatchType: 'similarity', k: 3 }) // 2、自定义 import { Runnable } from 'langChain'; class RetrieverRunnable extends Runnable { async invoke(input: any, options?: any) { const docs = await this.retriever.invoke(input.question); return { question: input.question, context: docs.map(d: Document) => d.pageContent).join('\n'), } constructor(private retriever: any) { super(); } } const retrieverRunnable = new RetrieverRunnable(retriever)chain模式：检索器创建后嵌入链中，无分支逻辑；(必须)
agent模式：检索器作为工具传入，由模型决定调用（用不用可选）
5、创建链
链是组件的线性组合，通常使用管道符
|连接提示词、模型和解析器。chain模式：LCEL
全流程按顺序执行，不会跳过任何步骤：接收问题→调RAG检索→调LLM回答→输出结果
// 1、创建链 const chain = prompt.pipe(model).pipe(new StringOutputParser()); // 2、创建链 const { LLMChain } = require("langchain/chains"); const chain = new LLMChain({ llm, prompt, outputKey: "answer" }); // 3、导入 import { RetrievalQAChain } from "langchain/chains"; const chain = RetrievalQAChain.fromLLM({ new OpenAI({ openAIApiKey: 'sk-...', temperature: 0.3}), retriever, { prompt: promptTemplate, returnSourceDocuments: true, // 返回原始文档用于调试 } }); // 4、自定义rag链 const chain = RunnableSequence.from({ retrieverRunnable, prompt, model, new StringOutputParser() });
6、创建agent（可选）
agent让模型具备工具调用能力，结合工具列表进行动态决策。
调用模型方法：
// 第一种 import { creatReactAgent} from "langchain/agents"; const agent = new creatReactAgent({ llm: model, tools: [searchTool, calcullatorTool] //参考下面的写工具 }) // 第二种（官网的） import { createAgent, tool } from "langchain"; //如果按需安装了，这样导入 // import { createAgent } from "langchain/agents"; // import { tool } from "@langchain/core/tools"; import * as z from "zod"; // （1、写工具（执行的方法+接收的参数结构） const getWeather = tool( (input)=> `It's always sunny in ${ input.city }`, { name: "get_weather", description: "Get the weather for a given city", schema: z.object({ city: z.string().describe("The city to get the weather for"), }), } ); // （2、构建agent const agent = createAgent({ model: "gpt-5.5", tools: [getWeather], systemPrompt: SYSTEM_PROMPT, checkpointer, });
7、记忆
给agent加记忆，让它在多轮交互中记住对话内容及上下文。
（大模型本身是无状态的，每次请求都是独立事件，不额外做记忆管理的话，第二轮它就会忘了第一轮说过什么。）
记忆分：
短期记忆(会话级：存当前会话消息，受上下文窗口限制)；
长期记忆(跨会话：提炼用户偏好和关键词存入向量库，下次会话检索注入上下文)
方法：简单缓存、滑动窗口、摘要压缩、混合检索
简单缓冲：把历史消息拼进 prompt 发回去。eg:
ConversationBufferMemory(长对话会爆 token)；滑动窗口：只保留最近 K 条消息。（简单但会有“上下文悬崖”，重要信息被挤掉就永远忘了）；
摘要压缩：超限后让 LLM 把旧消息总结成摘要。（保留要点但损失细节，还多一次调用成本）；
混合检索（RAG 式）：短期用缓冲+摘要，长期用向量库存关键事实，按语义相似度检索相关记忆再注入。（目前比较扎实的架构）。
import { MemorySaver } from '@langchain/langgraph'; const checkpointer = new MemorySaver()作用：上下文连贯、跨会话个性化、多步任务状态执行
8、查询
链或agent：
// 执行链 const result = await chain.invoke({input:'tell me why'}) // 执行agent const result = await agent.invoke({ message:[ { role: ''user', content: '搜索最新资讯' } ] }) console.log(result.message)
三、名词、方法、库解释
1、schema
描述工具“该接收什么参数”的结构化定义，通常以 JSON Schema 形式呈现。
通常包含
name、description和parameters三部分：{ "type": "function", "function": { "name": "get_weather", "description": "查询指定城市的实时天气。", "parameters": { "type": "object", "properties": { "city": { "type": "string", "description": "城市名称" }, "unit": { "type": "string", "enum": ["celsius", "fahrenheit"] } }, "required": ["city"] } } }type：参数对象类型，通常为 object；
properties：各参数定义，包括类型、描述、枚举值、默认值等；
required：必填参数列表；
2、zod
定义结构化输出 Schema 的首选方案。
核心作用：提前声明好字段名、类型、取值范围，让模型只能在这个框架里作答，避免返回格式漂移的 JSON。
运行时校验、类型推导、langchain原生支持
import { z } from "zod"; // 1. 定义 Schema const UserSchema = z.object({ name: z.string().describe("用户姓名"), age: z.number().int().min(0).max(150).describe("用户年龄"), city: z.string().describe("所在城市"), }); // 2. 绑定到模型 const structuredModel = model.withStructuredOutput(UserSchema);
.describe()：字段描述会原样传给模型，相当于贴在字段上的“免费提示词”，写清楚模型输出更准。常见问题：
400错误——Schema 里用了
\p{...}或环视等高级正则，转成 JSON Schema 后会被服务端拒绝。排查思路：本地用zodToJsonSchema打印转换结果，把带正则的字段改成.describe()或.min().max()长度约束。
3、chain和agent区别
chain：写死的固定流程。（步骤顺序写好，每次执行固定）
agent：模型自己决定怎么执行流程。（把工具交给大模型，运行时根据问题动态决定调哪个工具 / 按什么顺序调 / 调几次）
（1chain：预定义操作序列
执行路径：硬编码，输入→检索→拼Prompt→LLM输出，每一步必执行，没有分支跳转。
工具调用：工具节点是预埋的固定环节，LLM无权决定要不要调、调哪个。
典型代码：用
|操作符合成 LCEL 链，如prompt | model | outputParser，清晰直观。适用场景：流程标准化、步骤固定的任务，如固定知识库问答、文档批量摘要、工单格式化。
特点：稳定、易调试、高性能、灵活性差
（2agent：模型驱动的决策控制器
执行路径：运行时动态决定，不固定。常识问题直接答，缺资料才调RAG或搜索，缺多份数据就连续多轮调用工具。
工具调用：工具统一放进工具列表，LLM自主判断何时调用、调用哪个、调用几次。
典型代码：用
create_agent或AgentExecutor创建，传入 LLM 和工具集即可。适用场景：用户提问多变、路径不确定、需按需调用搜索/数据库/代码执行等工具的任务。
特点：灵活性强、稳定性下降、成本高、调试难、输出不稳定
X、注意事项（写在最后）
1、装包可按需装；
2、工具需要写好，模型才能用准；
3、RAG效果问题常在切分，按文档类型试chunk_size、overlap；
4、提示词是软约束，限流、鉴权、PII过滤这类确定性逻辑用中间件；
5、langSmith要最开始建，记录每次模型调用和工具调用，出问题方便查；
6、模型切换是换字符串；
学习参考
1、官方：LangChain overview - Docs by LangChain
2、各种 AI 们（我的问答小能手
3、LangChain 入门教学：一张地图搞懂模型、链、RAG、图与智能体-阿里云开发者社区
