从调用到架构：用 LangChain.js + DeepSeek 构建可维护的大模型应用

在 2024 到 2025 年间，大语言模型（LLM）的使用已经悄然完成了一次关键跃迁——从“能跑就行”的原型验证，正式迈入工程化落地的新阶段。对于开发者而言，仅仅通过 fetch 调用一个 API 返回一段文本，早已无法满足生产环境对稳定性、可维护性与扩展性的要求。

我们开始面对一系列真实挑战：

• 不同厂商的 API 格式五花八门，切换模型成本极高；
• 提示词散落在代码各处，难以复用和迭代；
• 上下文管理混乱，任务逻辑耦合严重；
• 复杂业务需要多步推理，单次 Prompt 难以胜任。

正是在这样的背景下，LangChain 应运而生。它不是另一个模型，而是一个面向 LLM 应用的工程框架，致力于将 AI 能力封装为模块化、可组合、可测试的软件组件。

本文将以 LangChain.js 与国产优秀模型 DeepSeek（深度求索） 为例，通过四个层层递进的代码示例，带你完成从“简单调用”到“复杂工作流编排”的完整进化路径。

在没有框架的时代，调用不同 LLM 意味着要为每个平台写一套独立的 HTTP 请求逻辑。OpenAI 的 JSON 结构、DeepSeek 的鉴权方式、Claude 的消息格式……光是维护这些细节就足以让人崩溃。

LangChain 的第一个价值，就是标准化。

// main.js
import 'dotenv/config';
import { ChatDeepSeek } from '@langchain/deepseek';

const model = new ChatDeepSeek({
  model: 'deepseek-reasoner',
  temperature: 0, // 确定性输出，适合逻辑推理
});

const response = await model.invoke('用一句话解释什么是 RAG？');
console.log(response.content);

关键洞察：适配器模式的威力

ChatDeepSeek 本质上是一个适配器（Adapter）。它对外暴露统一的 .invoke() 接口，内部则封装了：

• 正确的请求端点（baseURL）
• API Key 的自动注入（从 DEEPSEEK_API_KEY 环境变量读取）
• 符合 DeepSeek 规范的请求体构造

这意味着，未来若要切换至 OpenAI 或其他模型，你只需更换类名（如 ChatOpenAI），其余业务代码完全无需改动。这种解耦，是工程化的第一步。

💡 小贴士：temperature=0 适用于代码生成、数学推理等场景；若需创意发散（如写故事、起名字），可设为 0.7 以上。

直接在 invoke() 中传入拼接好的字符串，看似快捷，实则埋下隐患：提示词无法复用、难以测试、修改成本高。

LangChain 提供了 PromptTemplate，让提示词变成“带参数的模板”。

// prompt-template.js
import { PromptTemplate } from '@langchain/core/prompts';
import { ChatDeepSeek } from '@langchain/deepseek';

const template = PromptTemplate.fromTemplate(`
你是一位{role}。
请用不超过{limit}字回答以下问题：
{question}
`);

const formattedPrompt = await template.format({
  role: '前端面试官',
  limit: '50',
  question: '什么是闭包？'
});

const model = new ChatDeepSeek({ model: 'deepseek-reasoner', temperature: 0.7 });
const res = await model.invoke(formattedPrompt);
console.log(res.content);

为什么这很重要？

• 复用性：同一模板可用于“Java 面试官”、“产品经理”等角色，只需改变参数。
• 可维护性：优化提示逻辑（如增加“请用中文回答”）只需修改一处。
• 类型友好：在 TypeScript 项目中，模板变量可被静态检查，减少运行时错误。

但注意：这段代码仍是“命令式”的——先格式化，再调用。有没有更优雅的方式？

LangChain 的核心思想之一，是链（Chain）。通过 LangChain 表达式语言（LCEL），我们可以像搭管道一样，把组件串联起来。

// chain.js
import { ChatDeepSeek } from '@langchain/deepseek';
import { PromptTemplate } from '@langchain/core/prompts';

const model = new ChatDeepSeek({ model: 'deepseek-reasoner', temperature: 0.7 });
const prompt = PromptTemplate.fromTemplate(`你是一位前端专家，请用一句话解释：{topic}`);

// 关键：用 .pipe() 连接
const chain = prompt.pipe(model);

const result = await chain.invoke({ topic: '闭包' });
console.log(result.content);

声明式编程的魅力

这里我们不再关心“如何传递数据”，而是定义“数据应该流经哪些节点”。LangChain 在运行时会自动：

1. 将 { topic: '闭包' } 注入模板，生成完整提示；
2. 将提示字符串传给模型；
3. 返回最终结果。

所有组件（Prompt、Model、Parser）都实现了 Runnable 接口，支持 .invoke()、.stream()、.batch() 等统一操作。这种设计，为构建智能体（Agent）打下了坚实基础。

现实中的需求往往不止一步。比如：“先详细解释闭包原理，再提炼三个核心要点”。

如果强行塞进一个 Prompt，模型容易顾此失彼。更好的做法是：任务分解 + 顺序执行。

// workflow.js
import { ChatDeepSeek } from '@langchain/deepseek';
import { PromptTemplate } from '@langchain/core/prompts';
import { RunnableSequence } from '@langchain/core/runnables';

const model = new ChatDeepSeek({ model: 'deepseek-reasoner', temperature: 0.7 });

// 步骤一：详细解释
const explainPrompt = PromptTemplate.fromTemplate(`
  你是一位前端专家，请详细介绍：{topic}
  要求：包含定义、原理、使用方式，不超过300字。
`);

// 步骤二：精简总结
const summaryPrompt = PromptTemplate.fromTemplate(`
  请将以下内容总结为3个核心要点（每点≤20字）：
  {explanation}
`);

// 构建子链
const explainChain = explainPrompt.pipe(model);
const summaryChain = summaryPrompt.pipe(model);

// 编排主流程
const fullChain = RunnableSequence.from([
  async (input) => {
    const explanation = await explainChain.invoke({ topic: input.topic });
    return explanation.content;
  },
  async (explanation) => {
    const summary = await summaryChain.invoke({ explanation });
    return `【详解】\n${explanation}\n\n【摘要】\n${summary.content}`;
  }
]);

const output = await fullChain.invoke({ topic: '闭包' });
console.log(output);

工程化思维的体现

• 关注点分离：解释与总结由两个独立链完成，职责清晰。
• 输入/输出对齐：前一步的输出自然成为后一步的输入变量。
• 调试友好：可单独测试 explainChain 的准确性，无需重跑整个流程。
• 发挥模型优势：deepseek-reasoner 在逻辑推理与归纳总结上表现突出，任务拆解能最大化其能力。

通过这四个阶段，我们见证了 LLM 应用开发的成熟路径：

LangChain.js + DeepSeek 的组合，不只是让你“调用一个大模型”，而是为你提供了一套构建 AI 原生应用的工程脚手架。

作为前端或全栈开发者，在 AI 时代的核心竞争力，已不再是“会不会调 API”，而是能否用软件工程的方法，将 AI 能力可靠地集成到产品中。

✅ 最后提醒：别忘了在 .env 文件中配置 DEEPSEEK_API_KEY，并确保环境变量正确加载！

掌握这种“搭积木式”的 AI 开发范式，你就能在 LLM 浪潮中，不仅跟上节奏，更能引领架构。