创建日期：2026-09-14 ｜ 最近更新：2026-09-14 本机真实运行（LangChain.js 1.5.11 + DeepSeek Anthropic 兼容端点）；下方输出均为实测。

LangChain.js 核心：消息、提示、LCEL 与结构化输出

这篇讲 LangChain.js 的三件核心事：消息（Message） 是跟模型对话的载体，提示模板（PromptTemplate） 把变量塞进消息，LCEL（管道） 把「模板 → 模型 → 解析」串成一条链。最后讲结构化输出——包括我在推理模型上真实撞到的两个坑。

1. 消息：四种角色，一个数组

LangChain 用「消息对象」而不是裸字符串来描述对话：

import { SystemMessage, HumanMessage, AIMessage, ToolMessage } from '@langchain/core/messages';

const messages = [
  new SystemMessage('你是前端专家，回答不超过 20 字。'),
  new HumanMessage('什么是闭包？'),
];
const r = await model.invoke(messages);
console.log(r.text);

消息类型	角色	说明
SystemMessage	system	设定身份/规则（一般放第一条）
HumanMessage	user	用户输入
AIMessage	assistant	模型回复（可能含 tool_calls）
ToolMessage	tool	工具执行结果（回填给模型，等价你手写循环里的 tool_result）

回看 frontend-agent 篇 2：你手写的 {role:'user', content:[{type:'tool_result',...}]} —— 在 LangChain 里就是 ToolMessage。

2. 提示模板：把变量塞进消息

别用字符串拼 prompt（难维护、容易注入）。用 ChatPromptTemplate：

import { ChatPromptTemplate } from '@langchain/core/prompts';

const prompt = ChatPromptTemplate.fromMessages([
  ['system', '你是{role}，回答不超过 20 字。'],
  ['human', '{question}'],
]);

模板里的 {role} {question} 是占位符；invoke 时传值即可。它还负责校验缺变量、控制消息结构——比手拼稳。

3. LCEL：用 .pipe() 把一切串起来

LCEL（LangChain Expression Language） 的核心就一个动作：.pipe()。凡是实现了 Runnable 接口的东西（提示模板、模型、解析器）都能被 pipe 串成一条链：

import { StringOutputParser } from '@langchain/core/output_parsers';

const chain = prompt.pipe(model).pipe(new StringOutputParser());

这条链一次把「填空 → 调模型 → 取出纯文本」做完。统一的 Runnable 接口让你在任何一环都用同样的四个方法：

方法	作用
invoke(input)	跑一次，返回结果
batch([...])	批量并行跑多条输入
stream(input)	流式产出（逐块回调）
pipe(next)	接到下一个环节

实测（真实输出）：

console.log(await chain.invoke({ role: '前端专家', question: '解释一下闭包' }));
// → "函数记住并访问定义时的词法作用域。"

const outs = await chain.batch([
  { role: '前端专家', question: '什么是虚拟 DOM？' },
  { role: '前端专家', question: '什么是事件循环？' },
]);
// → batch 结果数: 2 | 第2条: "JS 单线程处理异步任务的调度机制。"

batch 一次发多条、并行拿结果——做评测/对比提示词时非常省事。

4. 结构化输出：让它直接吐 JSON（含两个真实的坑）

普通回复是文本，程序要用就得解析。LangChain 的 withStructuredOutput(zodSchema) 让你声明目标结构，模型直接返回符合 schema 的对象：

import { z } from 'zod';
const City = z.object({
  name: z.string().describe('城市名'),
  populationWan: z.number().describe('人口（万人）'),
  famous: z.array(z.string()).describe('两个著名地标'),
});
const structured = model.withStructuredOutput(City, { name: 'city_info' });
const out = await structured.invoke('介绍一下杭州：人口多少万，列两个著名地标。');

⚠️ 坑 1：推理模型会拒绝「强制工具调用」

我用的 deepseek-v4-flash 是推理模型，直接跑上面的代码报 400：

[functionCalling] 失败: 400 {"error":{"message":"Thinking mode does not support this tool_choice", ...}}

原因：withStructuredOutput 默认用「强制模型调用某个工具」来实现结构化输出，而推理模型不支持强制 tool_choice（它要先思考）。

⚠️ 坑 2：切到 jsonSchema 模式，端点不强制

换成 { method: 'jsonSchema' }：

[jsonSchema] 失败: Failed to parse. Text: "杭州常住人口约 **1262.4 万人**（2024年末）…"。Error: SyntaxError: Unexpected token '杭'

端点没把「必须输出 JSON Schema」当硬约束，模型回了散文，解析直接失败。

✅ 两个能跑的方案

方案 A：非推理模型 + withStructuredOutput 直接成功（换成 deepseek-chat）：

[deepseek-chat + structured] -> {"name":"杭州","populationWan":1262.4}

方案 B：推理模型 + bindTools（自动选择）+ 自己取 tool_calls：

const m2 = model.bindTools([cityTool], { tool_choice: 'auto' });
const r = await m2.invoke('用 city_info 工具给出杭州的人口（万人）与两个地标。');
console.log(r.tool_calls[0].args);

实测输出：

[bindTools] tool_calls = {"name":"杭州","populationWan":1252.2,"famous":["西湖","灵隐寺"]}
[bindTools] stop_reason = tool_use

结论（值得记住）：「结构化输出」在不同模型上的实现方式不同——遇到 Thinking mode does not support this tool_choice，就切非推理模型，或改成 bindTools + tool_choice:'auto' 手动取参数。

5. 一页速查

你要做的事	LangChain.js 写法
设定身份	new SystemMessage('…')
拼提示	ChatPromptTemplate.fromMessages([...])
串链路	prompt.pipe(model).pipe(parser)
批量跑	chain.batch([...])
取纯文本	new StringOutputParser() 或 msg.text
要 JSON	withStructuredOutput(zodSchema)（推理模型改 bindTools）
给模型工具	model.bindTools([tool], { tool_choice: 'auto' })

动手

1. 用提示模板 + LCEL 写一条「中文翻译成英文」的链；
2. 给 City schema 加一个 province 字段，先看推理模型报错、再换 deepseek-chat 成功；
3. 用 chain.batch 一次跑 3 个问题，对比耗时。

自测

1. 四种消息类型分别什么时候用？
2. LCEL 的四个统一方法是什么？
3. withStructuredOutput 为什么会报 Thinking mode does not support this tool_choice？
4. 推理模型上要拿结构化数据，两种替代方案是什么？
5. batch 适合什么场景？

下一篇：LangGraph 入门：状态图、条件边与记忆。