从脚本到系统：用 LangChain.js 构建真正可维护的 AI 应用

2024 年起，大模型（LLM）开发正式告别“玩具阶段”。当企业开始将 AI 能力嵌入核心业务流程时，一个现实问题浮出水面：仅靠几行 fetch 调用 API 的方式，根本无法支撑生产级系统的稳定性、可维护性与扩展性。

我们很快发现，真正的挑战不在于“能不能调通”，而在于：

• 提示词散落在代码各处，修改一次要改十处；
• 想换模型？光是调整请求格式就得重写半套逻辑；
• 复杂任务需要多轮交互，但上下文管理一团乱麻；
• 业务逻辑和 AI 调用深度耦合，测试与调试举步维艰。

正是在这样的背景下，LangChain 应运而生——它不是另一个大模型，而是一个面向 LLM 应用的工程框架，目标是把 AI 能力封装为像函数、组件一样可组合、可复用、可测试的单元。

本文将以 LangChain.js 与国产高性能模型 DeepSeek（深度求索） 为例，通过四个层层递进的实践阶段，带你完成从“能跑就行”到“工业级交付”的思维跃迁。

在没有框架的时代，调用不同厂商的 LLM 就像在不同国家开车：方向盘位置、油门刹车布局、交通规则全都不一样。

LangChain 的第一步，就是提供统一驾驶舱。

// 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);

为什么这很重要？

ChatDeepSeek 是一个典型的适配器（Adapter）。它屏蔽了底层细节：

• 自动读取 DEEPSEEK_API_KEY 环境变量；
• 正确构造请求头与 JSON Body；
• 统一响应解析逻辑。

最关键的是：所有模型在 LangChain 中都暴露相同的 .invoke() 接口。未来若要切换至 OpenAI 或 Claude，只需更换类名，业务逻辑纹丝不动。

💡 温度（temperature）是控制输出风格的“旋钮”：0 表示最严谨（适合代码、推理），0.7+ 则更富创造性（适合文案、故事）。

直接在代码里拼接字符串式提示词，就像在 HTML 里硬编码样式——短期快，长期痛。

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

// prompt.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 formatted = 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(formatted);
console.log(res.content);

工程价值何在？

• 复用：同一模板可用于“后端工程师”、“产品经理”等角色；
• 集中维护：优化提示逻辑（如增加“用中文回答”）只需改一处；
• 类型安全：在 TypeScript 项目中，模板变量可被静态校验，避免运行时错误。

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 的灵魂在于 Chain（链）。通过 LCEL（LangChain Expression Language），我们可以像 Unix 管道一样，将组件串联成自动化流水线。

// 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 workflow = prompt.pipe(model);

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

声明式编程的威力

我们不再写“怎么做”，而是定义“数据流是什么”：

1. 输入 { topic: '闭包' } 进入 Prompt；
2. Prompt 生成完整提示字符串；
3. 字符串自动流入 Model；
4. 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，是构建智能体（Agent）的基石。

现实需求往往不止一步。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 });

const explain = PromptTemplate.fromTemplate(`
  请详细介绍：{topic}（含定义、原理、用法，≤300字）
`);
const summarize = PromptTemplate.fromTemplate(`
  将以下内容总结为3个要点（每点≤20字）：
  {explanation}
`);

const explainChain = explain.pipe(model);
const summaryChain = summarize.pipe(model);

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

console.log(await fullWorkflow.invoke({ topic: '闭包' }));

为什么拆解更有效？

• 专注力提升：每个子任务目标单一，模型输出更精准；
• 可观测性增强：可单独测试“解释”是否准确，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卓越，任务拆解能最大化其能力。

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可扩展、可维护、可测试的 AI 应用脚手架。

✅ 别忘了：在项目根目录创建 .env 文件，并设置 DEEPSEEK_API_KEY=your_key_here。

在这个 AI 原生时代，前端或全栈开发者的真正竞争力，已不再是“会不会调 API”，而是能否用软件工程的方法，将概率性的 AI 能力转化为确定性的产品价值。

掌握这种“搭积木式”的 AI 开发范式，你就能在浪潮中，不仅站稳脚跟，更能引领架构。