LangChain：模型层与消息交互？说实话，这个标题挺有意思的，哈哈！今天咱就来聊聊 LangChain.js 中的模型抽象层和消息交互。

LangChain.js 支持两种方式配置模型，分别适用于不同场景。😊

第一种配置方式是直接传一个字符串，比如 "openai:gpt-4o" 或 "anthropic:claude-opus--"。这种方式hen简洁，你只需要写一行代码，LangChain 会自动处理认证和配置。

import { createAgent } from "langchain";// GPT-4o：综合Neng力强，适合复杂任务const agent1 = createAgent;// GPT-4o-mini：性价比高，适合简单任务const agent2 = createAgent;// o1-mini：专门优化的推理模型，适合数学和逻辑const agent3 = createAgent; Anthropic 系列

// Claude Opus：Zui强推理Neng力，适合复杂分析const agent4 = createAgent;// Claude Sonnet：平衡性Neng和成本const agent5 = createAgent;// Claude Haiku：速度Zui快，成本Zui低const agent6 = createAgent; Google 系列

// Gemini Flash：免费额度高，响应速度快const agent7 = createAgent; 本地模型

// Llama ：Meta 开源模型，可在本地运行const agent8 = createAgent;

这种配置方式的优势是非常明显的，代码极其简洁，你只需要写一行配置即可。LangChain会自动处理认证和配置，这在快速原型开发和大多数简单的生产场景下非常适合。

说实话，为什么百度不收录我的网站呢？🤔 回答：检查 robots.txt、确保网站可正常访问、提高外链质量并持续geng新内容，这些dou是提升收录率的关键。

Claude 系列在长文本处理和复杂推理方面表现优秀。Gemini 的优势是免费额度高，多模态Neng力强。

多轮对话Neng让 AI 在连续的交流中，记住你们之前说过的话，理解上下文的关联，从而Zuo出连贯、自然的回应，而不是每一句话dou当成全新的问题来处理。

import agent from './agents'import { HumanMessage, AIMessage, SystemMessage } from "@langchain/core/messages";// 构建多轮对话历史const messages = ;const response = await agent.invoke;console.log;// 输出会基于上下文，给出泛型的具体代码示例 结构化输出

LLM 默认返回自由格式的文本，但在实际应用中，我们往往需要模型输出结构化的数据。LangChain提供了结构化输出的解决方案，我们Ke以结合使用 withStructuredOutput + Zod Schema来实现稳定可靠的结构化输出。

import { model } from './agents'import { z } from "zod";// 定义期望的输出结构const ArticleSchema = z.object.describe, summary: z.string.describe, tags: z.array).describe, difficulty: z.enum.describe,});// 绑定结构化输出 Schemaconst structuredModel = model.withStructuredOutput;const result = await structuredModel.invoke;// result 是完全类型安全的！TypeScript 知道它的结构console.log; // stringconsole.log; // stringconsole.log; // stringconsole.log; // "入门" | "中级" | "高级" 流式输出

大模型在底层生成内容时是逐 Token 的过程，它本质上是基于前面的字，一个词一个词地往外“蹦”的。当生成长文本时通常需要几十秒甚至geng长，Ru果是传统的等待一次性返回，用户面对空白屏幕会以为系统卡死了这无疑增加了用户的心智负担。。

import { model } from './agents'// 使用 stream 方法替代 invokeconst stream = await model.stream;// 逐块处理输出process.stdout.write;for await { // chunk.content 是当前块的文本内容 process.stdout.write;}process.stdout.write; 动态模型切换

你可Neng希望根据任务复杂度动态切换模型，比如简单任务用便宜的小模型，复杂任务用性Nenggeng强的大模型，以此平衡效果和成本。实现的基本思路是使用LangChain的中间件来拦截请求，动态切换模型。

import { ChatOpenAI } from "@langchain/openai";import { createAgent, createMiddleware } from "langchain";// 定义两个不同档次的模型const basicModel = new ChatOpenAI;const advancedModel = new ChatOpenAI;// 创建动态模型选择中间件const dynamicModelMiddleware = createMiddleware => { const messageCount = request.messages.length; // 超过 条消息时认为任务较复杂，切换到高级模型 const selectedModel = messageCount> ? advancedModel : basicModel; console.log`); // 用选中的模型处理请求 return handler; },});// 创建 Agent 并注册中间件const agent = createAgent; Ollama

Ollama 是一个允许你在本地运行开源模型的工具，这样数据就不会离开你的机器，这对于数据隐私保护来说非常重要。

你需要在你的机器上安装 Ollama。 # macOS/Linuxcurl -fsSL https://ollama.ai/install.sh | sh# Windows# 从 https://ollama.ai/download 下载安装包 下载并运行 Llama  模型。 # 下载 Llama  模型ollama pull llama.# 测试运行ollama run llama.# 查kanYi安装的 ollama list 然后使用 LangChain 调用本地 Ollama 服务。 import { ChatOllama } from "@langchain/ollama";const localModel = new ChatOllama;// 调用本地 ollamaconst response=awaitlocalModel.invokeconsole.log// 输出模型的响应结果 在 LangChain.js 中，无论你是使用 OpenAI、Anthropic、Google 的大模型，还是本地部署的开源大语言模型，douKe以通过统一的方式进行调用和管理，大大简化了 AI 应用开发的工作量。你懂的，这才是高效开发的关键！😎

v1. 中新增了 true,强制按照严格模式输出:

v1. 中新增了 true,强制按照严格模式输出:

// ❌ 直接绑定 OpenAI SDK import OpenAI from ""; const openai=OpenAI基础用法 基础用法

下一章：《第四章 ——》下一章：《第四章 ——》下一章：《第四章 ——… 下一章：《第四章 ——… _下一章：《第四...

💡在 v1.x 中，Zui简洁的方式是直接传格式的字符串，我们Ke以根据不同的场景创建不同模型的，在需要的时候选择合适的即可。对于模型的输入、输出和错误处理等dou是一致。你只需要写一行配置即可。 💡在 v1.x 中，Zui简洁的方式是直接传格式的字符串，我们Ke以根据不同的场景创建不同模型的，在需要的时候选择合适的即可。对于模型的输入、输出和错误处理等dou是一致。你只需要写一行配置即可。 💡在 v...