从零到智能体LangChain.js 三步搭建 AI 应用的完整指南【免费下载链接】langchainjsThe agent engineering platform项目地址: https://gitcode.com/GitHub_Trending/la/langchainjs很多团队做 AI 应用时卡点往往不在模型本身换个厂商要改一遍代码接入公司内部数据要自己写检索部署到浏览器或边缘函数又要重新处理兼容问题。LangChain.js 就是为这个问题而生的——它把模型、提示词、工具、检索抽象成一套统一接口帮你用 TypeScript 快速搭出可用的 AI 应用。本文面向有基本编程基础、想上手 AI 应用开发的新手讲清楚它能解决什么、以及怎么开始。从一个真实的烦恼说起假设你要做一个能回答内部文档问题的助手。不用框架时工作量会散落在好几处模型调用要适配厂商 SDK用户问题要先转成向量去知识库检索再把检索结果拼回提示词对话历史要自己存、自己裁剪最后还要保证 Node.js 服务里能跑的东西在浏览器端也能跑。每换一个模型厂商这些代码基本要重写一遍。LangChain.js 的思路是把上面这些环节拆成标准组件模型、工具、检索、消息各自独立接口统一需要哪个环节就挂哪个。仓库采用 pnpm 工作区组织examples 目录里可以直接找到各环节的可运行参考代码照着改比从零搭快得多。三个核心能力各自解决什么问题统一模型接口换厂商时不用重写业务代码不同厂商的 API 格式、参数名、流式返回方式各不相同。LangChain.js 用统一的调用、流式、批处理接口屏蔽这些差异每个厂商对应一个独立包覆盖 OpenAI、Anthropic、Google 等主流服务源码都在 libs/providers/ 目录下。带来的直接改变是团队在比较gpt 系列和claude 系列哪个更适合当前任务时只需换掉模型实例这一处提示词、工具、输出解析全部原样保留对比实验的成本从重写一版降到改一行。工具调用与记忆让模型从会回答到会办事模型光会生成文字还不够真正省人力的是让它动手查数据库、调接口、读文件。框架里的代理通过 createAgent 工具 定义能力模型根据工具描述自主决定何时调用。langchain-mcp-adapters 适配器还能直接连接 MCP 服务器把现成的外部工具库接进来不用为每个数据源手写适配层。上下文与记忆管理也收在这一层里框架支持在同一代理中跨会话读写长期记忆客户说过一次的偏好会被存档下次对话直接取用不用在提示词里反复复述也不用自己维护历史消息数组。一套代码跑多种环境从后端到边缘函数同样是这套 TypeScript 代码可以部署在 Node.jsESM 与 CommonJS 均支持、浏览器、Cloudflare Workers、Vercel 边缘函数、Deno、Bun 上。仓库的 environment_tests 目录为每种环境都做了导出兼容性验证意味着你在开发阶段验证过的用法换环境部署时大概率不用改代码。三步完成初始配置安装框架包npm install -S langchain。这是主包包含代理编排等高层能力。安装模型接入包并配置密钥例如npm install -S langchain/openai按所用厂商设置对应的 API 密钥填入模型名即可发起第一次调用。按需追加能力需要知识库问答时接入向量库与检索器需要代理办事时挂上工具或 MCP 服务器每一步都是独立组件不影响已有部分。三类场景看看它实际怎么落地客服团队给代理挂上知识库检索工具和工单查询工具用户提问时模型自动判断该查什么回答附带出处人工只需要处理它拿不准的长尾问题。电商公司利用长期记忆功能让代理记住客户说过的偏好回访时主动引用避免每轮对话都从自我介绍开始。前端团队把文档问答应用部署到 Vercel 边缘函数Node 环境里写好的检索逻辑直接复用省掉一次跨环境重写。值得继续看的地方examples/src/createAgent、multi-agent、langchain-classic 等目录覆盖智能体、多代理协作与传统链式应用的可运行示例是最快的入门路径。langchain-core 源码想弄清消息、可运行组件、输出解析的底层机制时从这里看起。CONTRIBUTING.md计划二次开发或给项目提改动前先读这份贡献指南。下一步建议克隆仓库后打开 examples 目录找一个最接近你目标的示例跑通再逐步替换成自己的模型和工具。遇到接口层面的疑问直接翻 langchain-core 的对应模块比翻外部资料更准确。【免费下载链接】langchainjsThe agent engineering platform项目地址: https://gitcode.com/GitHub_Trending/la/langchainjs创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考