《LangChain 实战入门：从 0 到 1 构建一个支持工具调用的 AI 助手》
🕒 阅读时间：6 min read
📝 字数：3165
👀 阅读量：
Loading...
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/corenpm 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
1. 普通调用（invoke）
适合简单问答。
await llm.invoke("你好");2. 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
3. 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
4. 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
5. 多轮对话（Messages）
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
1. 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" });2. 绑定工具
const llmWithTools = llm.bindTools([getWeather]);3. 调用流程
const res = await llmWithTools.invoke("北京天气怎么样？");实际执行流程
- 用户提问
- 模型判断需要调用工具
- 返回
tool_call - 执行函数
- 返回
ToolMessage - 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
1. LangChain ≠ AI
它只是一个：
调度框架（Orchestration Layer）
2. 核心三要素
- LLM（模型）
- Messages（上下文）
- Tools（能力扩展）
3. 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
Workflow（工作流）
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
《LangChain 实战入门：从 0 到 1 构建一个支持工具调用的 AI 助手》
作者：felinus
本文链接： https://felinus-blog.vercel.app/posts/f8882814/
本文采用 知识共享署名-非商业性使用-相同方式共享 4.0 国际许可协议 进行许可。