LangChain 结合 AI 大模型开发实战指南

const personalizedGreetingPrompt = new PromptTemplate({
  inputVariables: ["price", "flower_name"],
  template:
    "你是一位专业的鲜花店文案撰写者，\n对于售价{price}元的{flower_name}，提供一个吸引人的简短介绍",
});

注意：原代码中的 personallzedGreetingPrompt 存在拼写错误，此处修正为 personalizedGreetingPrompt。

3. 实例化大模型

我们需要配置 API Key 和模型名称。为了安全起见，建议将密钥存储在环境变量中，而不是硬编码在代码里。

// 实例化大模型
const model = new ChatOpenAI({
  configuration: {
    apiKey: process.env.OPENAI_API_KEY || "sk-xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx",
    baseURL: "https://api.chatanywhere.tech/v1", // 示例代理地址，实际使用时请替换
  },
  model: "gpt-3.5-turbo",
});

4. 链接模板与模型

LangChain 的 .pipe() 方法可以将多个组件串联起来，形成一条 Chain（链）。这里我们将提示模板的输出直接传递给模型。

// langchain chain
const chain = personalizedGreetingPrompt.pipe(model);

• personalizedGreetingPrompt：这是一个提示模板的实例，通常用于生成个性化的问候语或消息。
• .pipe(model)：pipe 方法将 personalizedGreetingPrompt 的输出传递给 model，使得模型可以生成基于该提示的响应。

5. 执行请求

最后通过 invoke 方法发送请求，传入模板所需的变量值。

async function run() {
  const res = await chain.invoke({
    price: "99",
    flower_name: "瓜农老姚的南瓜花",
  });

  console.log(res.content);
}

run();

运行上述代码，控制台将打印出由大模型生成的鲜花介绍文案。

进阶：流式输出处理

在实际应用中，为了提升用户体验，通常希望看到大模型逐字输出的效果（Streaming）。LangChain 支持流式响应处理。

import { createStreamableResponse } from "@langchain/core/utils/streaming";

async function streamExample() {
  const stream = await chain.stream({
    price: "199",
    flower_name: "玫瑰",
  });

  for await (const chunk of stream) {
    process.stdout.write(chunk.content);
  }
}

streamExample();

这种方式可以让用户在等待期间实时看到生成的内容，减少等待焦虑感。

常见问题与最佳实践

1. 安全性问题

切勿将真实的 API Key 提交到公共代码仓库。建议使用 .env 文件配合 dotenv 库管理密钥。

# .env 文件
OPENAI_API_KEY=sk-your-real-key-here

并在代码中通过 process.env.OPENAI_API_KEY 读取。

2. 错误处理

网络波动或 API 限流可能导致请求失败，建议在 try-catch 块中包裹调用逻辑。

try {
  const res = await chain.invoke({ price: "99", flower_name: "花" });
  console.log(res.content);
} catch (error) {
  console.error("请求失败:", error);
}

3. 上下文管理

如果需要进行多轮对话，单次的 PromptTemplate 可能不够用。此时应使用 ConversationBufferMemory 来保存历史对话记录，并将其注入到链中。

4. 性能优化

对于高并发场景，建议对模型调用进行缓存或使用异步队列处理，避免频繁触发 API 限制。

总结

本文详细介绍了 LangChain 的基本概念及其在 Node.js 环境下的集成方式。通过 PromptTemplate 和 ChatOpenAI 的组合，我们可以快速构建基于大模型的应用原型。此外，我们还探讨了流式输出、环境变量管理及错误处理等生产级开发中必备的技能点。掌握这些基础后，开发者可以进一步探索 Agent、RAG（检索增强生成）等更高级的功能，构建复杂的智能应用系统。