作为一名开发者，你是否也曾感到一种莫名的焦虑？kan着那些炫酷的智Neng应用层出不穷，心里痒痒的，却又不知从何下手。别担心，这种感觉并不孤单。今天我们要聊的正是如何将企业级Node.js框架NestJS与大模型应用开发框架LangChain完美融合。这不仅仅是两个工具的简单拼接，geng像是一场精心编排的舞蹈，让我们赋予应用真正的“智慧”。

说实话，刚开始接触这些概念的时候，我也被一堆文档搞得头晕眼花。什么Runnable协议，什么流式输出，听起来就像是某种外星语言。但当你真正沉下心来拆解每一个步骤，你会发现，其实这一切dou充满了逻辑之美。我们要Zuo的，就是在这个充满不确定性的AI世界里用NestJS那严谨的结构，去拥抱LangChain带来的无限可Neng。

在开始敲代码之前，我们得先把“武器库”准备好。这就像Zuo饭前要买菜一样，虽然枯燥，但必不可少。我们需要安装LangChain的核心库以及OpenAI的集成包。为什么是OpenAI？因为目前它是Zui通用的标准，hen多国产大模型也dou兼容它的接口协议，这样我们的代码迁移成本会低hen多。

打开你的终端，敲下这几行命令。kan着进度条跑完，心里是不是踏实了一点？Ru果你打算构建那种超级复杂的智Neng体，强烈建议把LangGraph也装上，虽然现在用不上，但谁知道呢？也许下一个项目你就需要它来处理复杂的逻辑分支了。

# 安装核心库和 OpenAI 集成
npm install @langchain/core @langchain/openai
# Ru果你需要使用 LangGraph 
npm install @langchain/langgraph

写代码有个大忌，就是把密钥硬编码在文件里。这就像把家门钥匙垫在门口地垫下一样危险。在NestJS中，我们习惯使用`.env`文件来管理这些敏感信息。这里我们配置了API Key和Base URL。值得一提的是Ru果你在使用像CloeAI这样的中转服务，或者直接对接百度文心，这里的Base URL配置就显得尤为关键。它决定了你的请求Zui终会飞向哪个服务器。

OPENAI_API_KEY=XXXXX
OPENAI_BASE_URL=XXXXX

配置好了文件，还得告诉NestJS去读取它。在`app.module.ts`中，我们需要引入`ConfigModule`，并设置`isGlobal: true`。这样，在整个应用的任何角落，我们douNeng轻松拿到这些配置，不用每次dou传参传得手软。

import { Module } from '@nestjs/common';
import { AppController } from './app.controller';
import { AppService } from './app.service';
import { AgentsModule } from './agents/agents.module';
import { ConfigModule } from '@nestjs/config';
@Module({
  imports: ,
  controllers: ,
  providers: ,
})
export class AppModule {}

好了重头戏来了。我们要在Service层写真正调用大模型的代码。这里我们创建一个`AgentsService`。在这个类里我们初始化`ChatOpenAI`实例。注意kan这里的配置，`modelName`我设为了`ernie-bot-8k`，这其实就是文心一言的模型标识。Ru果你用的是其他服务，改成`gpt-3.5-turbo`或者`gpt-4`也是一样的道理。`temperature`参数设为0，意味着我们希望模型回答得geng稳定、geng确定，少一点天马行空的创意。

这里有个小细节，`openAIApiKey`和`configuration.baseURL`的写法。LangChain的TypeScript版本有时候在参数命名上和Python版不太一样，这点经常让人踩坑，大家要注意甄别。

import { Injectable } from '@nestjs/common';
import { ChatOpenAI } from '@langchain/openai';
import { HumanMessage } from '@langchain/core/messages';
@Injectable
export class AgentsService {
  private llm: ChatOpenAI;
  constructor {
    // 1. 安全第一：从环境变量中提取敏感信息
    const apiKey = process.env.OPENAI_API_KEY;
    const baseUrl = process.env.OPENAI_BASE_URL;
    // 2. 初始化 ChatOpenAI
    this.llm = new ChatOpenAI({
      modelName: 'ernie-bot-8k', // 这里Ke以是任何兼容OpenAI格式的模型
      openAIApiKey: apiKey,
      configuration: {
        baseURL: baseUrl,
      },
      temperature: 0, // 0代表geng严谨，1代表geng有创意
    });
  }
  /**
   * 一个简单的问答演示
   */
  async explainNeuralNetworks: Promise {
    // 3. 构建消息，LangChain TS 推荐使用 Message 对象
    const messages = ;
    // 4. 调用 invoke，这是异步操作，必须 await
    const response = await this.llm.invoke;
    // 5. 拿到结果，这里通常是个字符串，直接返回即可
    return response.content as string;
  }
}

写完了Service，Controller就简单多了。我们定义一个`test-llm`的接口，把Service返回的内容包装一下扔给前端。这时候，你用Postman或者浏览器访问一下kan到那行关于神经网络的解释文字，是不是有一种“我创造了生命”的错觉？哪怕只是几行文字，也是通往AGI的一小步啊。

import { Controller, Get } from '@nestjs/common';
import { AgentsService } from './agents.service';
@Controller
export class AgentsController {
  constructor {}
  @Get
  async testLlm {
    const content = await this.agentsService.explainNeuralNetworks;
    return {
      success: true,
      content,
    };
  }
}

大模型之所以Neng像人一样聊天是因为它懂得“角色扮演”。在LangChain中，我们通过不同类型的Message来告诉模型它现在是谁，该说什么。这就像是在排练话剧，每个人dou要有剧本。

是SystemMessage，这通常是整个对话的“导演”。它设定了AI的行为规则或背景信息。比如你Ke以告诉它“你是一位代码专家”，或者“你必须返回JSON格式”。这个消息通常放在输入序列的第一位，定下整个对话的基调。没有它，AI可Neng会像个没头苍蝇一样乱撞。

然后是HumanMessage，这代表了我们人类用户的输入。比如“实现一个快速排序方法”或者“今天天气怎么样”。这是驱动对话向前发展的动力。

接着是AIMessage，这是AI回复的内容。它Ke以是纯文本，也Ke以是请求调用工具的指令。在多轮对话的历史记录中，它记录了AI之前说过的话，让模型Neng“记得”上下文。

Zui后还有FunctionMessage和ToolMessage。这两个比较高级，用于函数调用场景。当AI需要计算器或者查天气时它会先发出请求，我们把计算结果通过这种消息类型喂给它，它再生成Zui终答案。这就像AI有了双手，Neng干geng多实事了。

当然还有一个通用的ChatMessage，允许你自定义任何角色，灵活性极高。

// 举个例子，如何组合这些消息
import { HumanMessage, SystemMessage } from '@langchain/core/messages';
const messages = ;

Ru果你用过ChatGPT，你一定喜欢那种字一个一个蹦出来的感觉。这不仅仅是为了视觉效果，geng是为了减少用户等待的焦虑。在传统的HTTP请求中，我们要等模型完全推理完才Neng收到结果，Ru果模型思考个十几秒，用户早就关掉页面了。

LangChain提供了强大的流式支持。在Service中，我们把`streaming`设为`true`，然后调用`stream`方法。这个方法返回的不是字符串，而是一个`AsyncIterable`。你Ke以把它想象成一个水龙头，拧开后水会一滴一滴流出来而不是接满一盆水才给你。

import { Injectable } from '@nestjs/common';
import { ChatOpenAI } from '@langchain/openai';
import { HumanMessage } from '@langchain/core/messages';
@Injectable
export class AgentsService {
  private llm: ChatOpenAI;
  constructor {
    const apiKey = process.env.OPENAI_API_KEY;
    const baseUrl = process.env.OPENAI_BASE_URL;
    this.llm = new ChatOpenAI({
      modelName: 'ernie-bot-8k',
      openAIApiKey: apiKey,
      configuration: { baseURL: baseUrl },
      temperature: 0,
      streaming: true, // 关键：开启流式模式
    });
  }
  /**
   * 返回一个异步迭代器，让Controller去处理推送
   */
  async streamIntroduction: Promise {
    const messages = ;
    const stream = await this.llm.stream;
    return stream;
  }
}

在NestJS的Controller层，我们利用SSE技术来处理这个流。这里用到了RxJS的`from`和`map`操作符，把LangChain返回的数据块转换成SSE标准的格式。每当有新内容产生，就立刻推送到前端。这种实时反馈的感觉，真的会让你的应用质感提升一个档次。

import { Controller, Sse } from '@nestjs/common';
import { AgentsService } from './agents.service';
import { from, map } from 'rxjs';
@Controller
export class AgentsController {
  constructor {}
  /**
   * 流式对话接口，返回 SSE 事件流
   */
  @Sse
  async streamResponse {
    // 1. 获取 LangChain 的流式对象
    const stream = await this.agentsService.streamIntroduction;
    // 2. 使用 RxJS 进行转换，适配 SSE 格式
    return from.pipe(
      map(
         =>
          ({
            data: {
              content: chunk.content, // 每一个字或片段
              done: chunk.done, // 标记是否结束
            },
          }) as MessageEvent,
      ),
    );
  }
}

你可Neng会好奇，为什么LangChain的组件用起来这么顺手？这dou要归功于它设计精妙的“Runnable”协议。为了简化自定义链的创建，LangChain让hen多组件dou实现了这个协议，包括聊天模型、提示词模板、输出解析器、检索器等等。

这个协议定义了一套标准的调用方法，让我们Neng像搭积木一样组合不同的组件。除了我们刚才用到的`invoke`和`stream`，还有其他几个非常有用的方法：

batch这个方法简直是批量处理的利器。Ru果你有一百个问题要问模型，一个个问太慢了用`batch`Ke以一次性发过去，大大节省网络开销。

abatch顾名思义，这是`batch`的异步版本。在Node.js这种单线程事件循环的环境下异步并发是提升性Neng的关键，配合`await`使用效果geng佳。

astream异步流式响应，和`stream`类似，但在异步上下文中geng自然。

还有geng高级的astream_events和astream_log。这两个方法Neng让你深入到链的内部，监听每一个中间步骤发生的事件。这在调试复杂的智Neng体链时简直是救命稻草，你Ke以清楚地kan到数据是在哪一步卡住了或者哪个工具调用失败了。

理解了这些方法，你就算真正摸到了LangChain的脉搏。它不仅仅是一个调用API的库，geng是一个构建复杂AI应用的流水线工具箱。

从简单的环境配置，到实现流式对话，再到理解底层的Runnable协议，我们一步步构建了一个具备基本AINeng力的NestJS应用。虽然代码kan起来不多，但这背后的潜力是巨大的。你Ke以在此基础上接入向量数据库实现RAG，或者利用LangGraph构建Neng自主规划任务的Agent。

技术总是在不断迭代，今天的Zui佳实践可Neng明天就会过时。但那种探索未知、将想法变为现实的热情，是永远不会过时的。希望这篇文章Neng成为你AI开发之旅的一块垫脚石，让你在构建智Neng应用的道路上走得geng远、geng稳。别忘了代码是写给人kan的，顺便给机器执行。保持好奇心，保持创造力，让我们一起见证AI时代的geng多奇迹吧！