聊聊Langchain，怎么把AI Agent玩出花样

先说实话，咱们现在dou被大模型弄得晕头转向。

但是啊，Langchain Neng帮你把这些乱七八糟的碎片拼起来。

别急，我慢慢跟你掰扯。

哈哈，你可Neng想直接塞整个文档进LLM。

结果呢？模型的上下文窗口根本装不下。

不对不对，应该是“模型只Neng一次性处理几千字符”。

于是我们就得把大文档切成小块儿。

这个过程叫Zuo“文本切片”。

咱就是说切得好，检索快；切得烂，答案全是废话。

它有一套层层递进的分隔符列表。

比如先按段落分，再按句子分，Zui后才到词级别。

这个思路挺像我们平时读书——先kan章节标题，再kan段落内容。

你Ke以随意调 chunkSize 和 chunkOverlap。

ChunkSize 决定每块Zui大字符数，ChunkOverlap 用来留点“余地”。

这个余地hen关键——防止信息在块与块之间掉线。

先装好 Langchain 核心库，还有对应的大模型 SDK。

dotenv 用来管理 API Key，省得硬写在代码里。

这一步相当于给模型喂食指令。

"系统"角色告诉模型它是干啥的，比如“专业助理”。

"用户"角色则是实际的问题或任务描述。

记住要把变量名写成 {xxx} 的形式，这样后面才Neng动态注入。

Pipline 就像是流水线，一步接一步不掉链子。

PormptTemplate.pipe 把提示词喂给大模型；再 pipe 把原始回复转成干净文本。

这样，一个完整的 chain 就诞生了你Ke以随时 invoke 它。

Pain point 是：LLM 本身没有长期记忆，只靠一次性上下文。

Clever trick 是把业务文档先 embed 成向量，然后放进向量数据库里。

S​earch 时用用户的问题 embed 成向量去找Zui近的文档块儿，再把这些块儿塞回 Prompt 里让模型基于真实资料回答。

L​angchain 提供了多种 Embedding 实现：

@langchain/openai: OpenAI 官方 embedding 模型；

@langchain/ollama: 本地 Ollama 模型；

@langchain/community/hf_transformers: HuggingFace 本地轻量嵌入。

import { RecursiveCharacterTextSplitter } from '@langchain/textsplitters';
import { Document } from '@langchain/core/documents';
const raw = fs.readFileSync;
const docs = ;
const splitter = new RecursiveCharacterTextSplitter({
    chunkSize: 500,
    chunkOverlap: 50,
});
const splitDocs = await splitter.splitDocuments;

import { OpenAIEmbeddings } from '@langchain/openai';
import { MemoryVectorStore } from '@langchain/vectorstores/memory';
const embedder = new OpenAIEmbeddings;
const vectorStore = await MemoryVectorStore.fromDocuments;

import { RetrievalQAChain } from '@langchain/chains';
const retriever = vectorStore.asRetriever; // 拉Zui近四块
const qaChain = RetrievalQAChain.fromLLM;
const answer = await qaChain.invoke;
console.log;

T​ool Use：

E.g., 给 LLM 加上搜索 API、数据库查询或调用外部函数的Neng力。

C​hain of Thought：

L​LM 自己推理步骤，然后输出Zui终答案。适合需要多轮思考的问题。

#1 标题里自然植入关键词：“Langchain”“AI Agent”“解锁潜力”。

#2 段落首句放关键词，提高权重。比如 “Langchain Neng帮助你快速构建 AI Agent”。

#3 使用 / 明确层次结构，让爬虫geng好抓取。

// 初始化
import dotenv from 'dotenv';dotenv.config;
import { ChatOpenAI } from '@langchain/openai';
import { ChatPromptTemplate } from '@langchain/core/prompts';
import { StringOutputParser } from '@langchain/core/output_parsers';
// LLM
const llm = new ChatOpenAI;
// Prompt
const prompt = ChatPromptTemplate.fromMessages(,
]);
// Chain
export const agentChain = prompt.pipe.pipe);

// Express 接口
app.post=>{
    const {question}=req.body;
    if{return res.status.json}
    try{
        const resp=await agentChain.invoke;
        res.json;
    }catch{
        console.error;
        res.status.json;
    }
});