LangChainJS 快速入门指南：构建智能应用的基础教程-优快云博客

本文链接：https://blog.youkuaiyun.com/gitblog_00658/article/details/148377844

LangChainJS 快速入门指南：构建智能应用的基础教程

langchainjs 项目地址: https://gitcode.com/gh_mirrors/lan/langchainjs

LangChainJS 是一个强大的 JavaScript/TypeScript 库，专门用于构建基于大型语言模型(LLM)的应用程序。本文将带你快速了解如何使用 LangChainJS 构建不同类型的智能应用。

环境准备

首先需要安装 LangChainJS 核心库：

npm install langchain

基础组件介绍

LangChainJS 提供了几个核心组件，它们是构建应用的基础：

提示模板(Prompt Templates)：用于结构化用户输入
模型接口(Models)：与各种LLM交互的接口
输出解析器(Output Parsers)：处理模型输出

构建第一个LLM链

让我们从最简单的LLM链开始，它直接将用户输入传递给模型：

import { ChatOpenAI } from "@langchain/openai";
import { ChatPromptTemplate } from "@langchain/core/prompts";
import { StringOutputParser } from "@langchain/core/output_parsers";

// 初始化聊天模型
const chatModel = new ChatOpenAI({});

// 创建提示模板
const prompt = ChatPromptTemplate.fromMessages([
  ["system", "你是一位世界级的技术文档作者"],
  ["user", "{input}"]
]);

// 构建完整链
const chain = prompt.pipe(chatModel).pipe(new StringOutputParser());

// 调用链
const result = await chain.invoke({
  input: "什么是LangSmith?"
});

这个简单的链展示了 LangChainJS 的基本工作流程：输入→提示模板→模型→输出解析。

增强应用：检索链

当需要回答基于特定知识库的问题时，简单的LLM链可能会产生幻觉(编造答案)。这时可以使用检索链：

import { CheerioWebBaseLoader } from "langchain/document_loaders/web/cheerio";
import { RecursiveCharacterTextSplitter } from "langchain/text_splitter";
import { MemoryVectorStore } from "langchain/vectorstores/memory";
import { OpenAIEmbeddings } from "@langchain/openai";

// 1. 加载文档
const loader = new CheerioWebBaseLoader("https://docs.smith.langchain.com/user_guide");
const docs = await loader.load();

// 2. 分割文档
const splitter = new RecursiveCharacterTextSplitter();
const splitDocs = await splitter.splitDocuments(docs);

// 3. 创建向量存储
const vectorstore = await MemoryVectorStore.fromDocuments(
  splitDocs,
  new OpenAIEmbeddings()
);

// 4. 构建检索链
const retriever = vectorstore.asRetriever();
const retrievalChain = await createRetrievalChain({
  combineDocsChain: documentChain,
  retriever,
});

// 使用检索链
const result = await retrievalChain.invoke({
  input: "LangSmith的主要功能是什么?"
});

检索链会自动从向量库中查找相关文档片段，提供给LLM作为上下文，从而得到更准确的答案。

进阶：对话检索链

要使应用能够处理对话上下文，需要创建对话感知的检索链：

import { createHistoryAwareRetriever } from "langchain/chains/history_aware_retriever";
import { MessagesPlaceholder } from "@langchain/core/prompts";

// 创建历史感知的检索器
const historyAwareRetrieverChain = await createHistoryAwareRetriever({
  llm: chatModel,
  retriever,
  rephrasePrompt: ChatPromptTemplate.fromMessages([
    new MessagesPlaceholder("chat_history"),
    ["user", "{input}"],
    ["user", "根据以上对话生成搜索查询"]
  ])
});

// 使用示例
const chatHistory = [
  new HumanMessage("LangSmith能帮助测试LLM应用吗?"),
  new AIMessage("是的!")
];

const relevantDocs = await historyAwareRetrieverChain.invoke({
  chat_history: chatHistory,
  input: "告诉我具体怎么做!"
});

这种链能够理解对话上下文，生成更相关的搜索查询。

模型选择与配置

LangChainJS 支持多种模型后端：

OpenAI：商业API，性能稳定
Anthropic：Claude系列模型
本地模型(Ollama)：开源模型，可本地运行

// OpenAI配置示例
import { ChatOpenAI } from "@langchain/openai";
const openAIModel = new ChatOpenAI({
  modelName: "gpt-4",
  temperature: 0.7
});

// 本地Ollama配置示例
import { ChatOllama } from "@langchain/community/chat_models/ollama";
const localModel = new ChatOllama({
  model: "mistral"
});