从代码看 LangChain：大模型应用开发的工程化实践与环境准备

LangChain 作为连接大语言模型与实际业务的桥梁，其主要价值在于将复杂的 AI 应用开发拆解为可复用、可编排的模块化组件。在开始使用前，需要先完成环境搭建。以下将结合代码片段详细说明 LangChain 的使用方式及安装步骤。

再看痛点一，环境搭建繁琐 & 依赖冲突

不少团队在引入 LangChain 时会遇到依赖版本不兼容、缺失必需工具等问题。怎么说呢，是当项目已经存在多套深度学习框架或第三方库时@langchain/core 与其它包之间可能产生冲突。

至于方法，

• 使用 npm ci 或 yarn install --frozen-lockfile 确保锁文件一致。其实，
• 将所有 LLM 适配器统一放在同一文件夹。并在 .env 中集中管理 API Key。
• 若出现版本冲突，可通过 .npmrc/.yarnrc 指定特定版本范围。

二、环境准备：安装 LangChain 及相关依赖

使用 LangChain 开发前。需先安装主要包及对应模型适配器，同时需安装dotenv处理环境变量。

# 安装LangChain主要包、DeepSeek适配器及环境变量工具

npm install @langchain/core @langchain/deepseek dotenv

# 若使用 yarn：

yarn add @langchain/core @langchain/deepseek dotenv

安装完成后需在项目根目录创建.env文件。配置 DeepSeek API 密钥：

DEEPSEEK_API_KEY=your_deepseek_api_key_here

从痛点二来看，快速上手困难 & 文档不完善

Llama 与 GPT 等模型各自有细微差别，初学者往往难以快速定位如何切换模型。为此，我们提供了统一封装示例，让你只需更改适配器类就可以完成切换。

三、基础调用：快速连接大模型

LMM 应用最主要的是实现与模型交互。在Main.js 中，通过适配器模式屏蔽不同模型底层差异：

import 'dotenv/config';import { ChatDeepSeek } from '@langchain/deepseek';const model = new ChatDeepSeek({
说到model。'deepseek-reasoner',temperature: 0 // 控制输出随机性
});const res = await model.invoke;console.log，

说到关键点说明。

• ChatDeepSeek 实例化：
• invoke 方法直接返回文本结果，无需手动拼接请求头或解析响应体。
• 切换到 GPT。只需替换成 @langchain/openai.ChatOpenAI,其余代码保持不变。
• 温度可随业务需求，为实验提供便利。
• 提示词模板未正确配置会导致错误返回，请务必检查拼写和参数名称是否一致！若出现 “Cannot read property 'content' of undefined”，请确认 invoke 返回值结构是否已更新。如仍报错，请先检查网络请求是否被防火墙拦截或 API Key 是否有效。若网络延迟过高，请尝试开启代理或切换节点。如无法解决，请查看官方文档中的 “Error Handling” 部分；如果没有对应错误码，请将报错信息提交给社区支持。

四、提示词模板：结构化管理动态内容

Llm 的输入往往包含角色设定、字数限制等动态参数，用传统字符串拼接容易出错。LangChain 的 PromptTemplate 能帮你保持提示词格式一致，同时支持占位符填充。

import 'dotenv/config';import { ChatDeepSeek } from '@langchain/deepseek';话说回来，import { PromptTemplate } from '@langchain/core/prompts';const prompt = PromptTemplate.fromTemplate(
`你是一个{role}。请用不超过{limit}字回答以下问题：{question}`
);const promptStr = await prompt.format({
说到role。'前端面试官',limit:'200',question:'什么是闭包'
});const model = new ChatDeepSeek({
从model来看。'deepseek-reasoner',temperature:0
});const res = await model.invoke;console.log，

• 优点:  模板可复用；按理说，参数抽离后易于版本控制；能快速切换不同角色或约束条件。
• 缺点:  若占位符命名错误，将抛出未定义异常；模板过长会导致维护成本提高。

';

Llm 的交互逻辑通常不是一次性调用。而是多轮流程，例如先解释概念再要点。LangChain 提供 RunnableSequence 实现顺序执行。每一步都可以独立调试和日志记录，提高可维护性。

import 'dotenv/config';import { ChatDeepSeek } from '@langchain/deepseek';import { PromptTemplate } from '@langchain/core/prompts';import { RunnableSequence } from '@langchain/core/runnables';const model = new ChatDeepSeek({
model的观点是。'deepseek-reasoner',temperature:0
});// 步骤一：解释概念
const explainPrompt = PromptTemplate.fromTemplate(`
你是一个前端专家。请详细说以下概念:{topic} 要求覆盖定义、原理、使用方式，不超过300字。`)，const explainChain = explainPrompt.pipe;// 步骤二：要点
const summaryPrompt = PromptTemplate.fromTemplate(`
请将以下前端概念为三条主要要点:{explanation}`
);老实说，const summaryChain = summaryPrompt.pipe;// 顺序执行
const fullChain = RunnableSequence.from();// 调用完整流程
const response = await fullChain.invoke;console.log，

• 'explainStep'  生成对话主体，保持语义连贯性；可单独测试结果准确率，'summaryStep'  提炼主要，对外展示友好；'RunnableSequence'  确保执行顺序并捕获异常。话说回来，