在大模型（LLM）应用开发中，一个非常现实的问题是：

❓ 不同模型接口各不相同，如何优雅地统一调用？

比如：

• 千问（Qwen）
• DeepSeek
• Kimi
• OpenAI

每家 API 风格都不一样，如果你直接对接，代码会变得非常混乱。

这时候，LangChain 就登场了。

🧠 一、LangChain 是什么？

一句话总结：

LangChain 是一个用于连接大模型与应用的开发框架。

它帮你做了三件核心事情：

 1. 统一模型调用接口

无论你用哪个模型，都可以用同一套代码调用。

2. 管理对话上下文（Messages）

不用再手动拼字符串。

3. 支持工具调用（Agent 能力基础）

让 AI 不只是“聊天”，还能“做事”。

⚙️ 二、环境准备

初始化项目（推荐 TypeScript）

npm init -y

安装依赖

npm install langchain @langchain/core
npm install @langchain/openai dotenv

 配置环境变量

创建 .env 文件：

QWEN_API_KEY=你的API_KEY

 配置 package.json

{
  "type": "module"
}

为什么要加？

因为 LangChain 使用 ESM 模块，不加会报错。

三、第一个 LLM 调用

import dotenv from "dotenv";
import { ChatOpenAI } from "@langchain/openai";

dotenv.config();

const llm = new ChatOpenAI({
  model: "qwen-plus",
  apiKey: process.env.QWEN_API_KEY,
  temperature: 0.7,
  configuration: {
    baseURL: "https://dashscope.aliyuncs.com/compatible-mode/v1"
  }
});

const res = await llm.invoke("世界上最高的山峰是哪座？");
console.log(res.content);

 核心理解

• ChatOpenAI：统一模型入口
• invoke()：最基础调用方式
• content：模型输出内容

本质就是：LangChain 把所有模型抽象成统一接口

💬 四、消息机制（Messages）——核心设计

LangChain 并不是用字符串拼接上下文，而是用 消息对象：

import { HumanMessage, SystemMessage } from "langchain";

const messages = [
  new SystemMessage("你是一个智能助手"),
  new HumanMessage("明朝什么时候建立？")
];

const res = await llm.invoke(messages);

 消息类型

类型	作用
SystemMessage	设定 AI 行为
HumanMessage	用户输入
AIMessage	AI 输出
ToolMessage	工具返回

关键思想：

对话 = 一组有结构的消息，而不是字符串

⚡ 五、5 种常用调用方式

普通调用（invoke）

适合简单问答。

流式调用（stream）🔥

const stream = await llm.stream("简单介绍一下人工智能");

for await (const chunk of stream) {
  console.log(chunk.text);
}

用于：

• 聊天界面
• 打字机效果

 批量调用（batch）

const res = await llm.batch([
  "什么是AI？",
  "什么是区块链？"
]);

 用于高并发任务

 结构化输出（JSON）🔥

import * as z from "zod";

const schema = z.object({
  title: z.string(),
  rating: z.number()
});

const model = llm.withStructuredOutput(schema);

const res = await model.invoke("介绍泰坦尼克号");
console.log(res);

 用于：

• 后端接口
• 数据处理

多轮对话（Messages）

 使用 Messages（正确方式）

import { HumanMessage, SystemMessage, AIMessage } from "langchain";

// 构建对话历史
const messages = [
  new SystemMessage("你是一个智能助手"),
  new HumanMessage("我叫小军"),
  new AIMessage("好的，我记住了，你叫小军"),
  new HumanMessage("我刚刚说我叫什么名字？")
];

// 调用模型
const res = await llm.invoke(messages);

console.log(res.content);

 输出结果

你叫小军 😊  
刚刚你告诉我你的名字是小军。

用于：

• 聊天机器人
• 上下文记忆

🛠️ 六、工具调用（重点🔥🔥🔥）

这是 LangChain 最强大的能力之一。

---

什么是工具调用？

让 AI 不只是“回答问题”，而是“调用函数解决问题”

---

示例：天气查询工具

定义工具

import { tool } from "@langchain/core/tools";

const getWeather = tool(
  async (input) => {
    const data = {
      北京: "多云 15°C",
      上海: "小雨 18°C"
    };
    return data[input] || "暂无数据";
  },
  {
    name: "get_weather",
    description: "查询城市天气"
  }
);

绑定工具

const llmWithTools = llm.bindTools([getWeather]);

调用流程

const res = await llmWithTools.invoke("北京天气怎么样？");

实际执行流程

1. 用户提问
2. 模型判断需要调用工具
3. 返回 tool_call
4. 执行函数
5. 返回 ToolMessage
6. 模型生成最终回答

本质：

LLM = 大脑，Tool = 手脚

七、你应该真正理解的 3 件事

 LangChain ≠ AI

它只是一个：

调度框架（Orchestration Layer）

---

 核心三要素

• LLM（模型）
• Messages（上下文）
• Tools（能力扩展）

---

Agent 的基础

工具调用就是 Agent 的雏形：

👉 AI 可以：

• 查天气
• 查数据库
• 调接口
• 执行任务

🚀 八、下一步可以做什么？

当你掌握这些后，可以继续进阶：

Agent（智能体）

自动决策 + 多工具调用

 RAG（检索增强生成）

接入知识库

工作流（Workflow）

构建复杂 AI 应用

---

🎯 总结

LangChain 的价值不在“封装 API”，而在：

用统一的方式组织 AI 能力

如果你只记住一句话：
LangChain = 模型 + 消息 + 工具 的组合框架