LangChain 基礎概念：什麼是 LangChain？

---

簡介

在當前的 AI 與自然語言處理（NLP）熱潮中，大型語言模型（LLM） 已經成為開發智慧型應用的核心工具。儘管 LLM 本身具有強大的語言生成與理解能力，將它們與外部資料、工具、工作流程結合卻往往需要大量樣板程式碼與繁瑣的整合工作。
LangChain 正是為了填補這個缺口而誕生的，它提供了一套 模組化、可組合 的框架，讓開發者能夠輕鬆構建「語言模型驅動的應用程式」——從聊天機器人、文件問答系統，到自動化工作流、資料分析助理，皆可在幾行程式碼內完成。

本篇文章將帶你快速了解 LangChain 的核心概念、實作方式，以及在真實專案中常見的陷阱與最佳實踐，幫助你在 LLM + 應用 的領域快速上手。

---

核心概念

LangChain 的設計哲學可以歸納為 四大支柱：

支柱	說明
Chains	將多個 LLM 呼叫、工具或資料來源串接成有序流程。
Agents	具備「思考」與「執行」能力的智能體，能根據 LLM 的回應動態決定要呼叫哪個工具。
Memory	保存對話或狀態，使模型能夠在多輪互動中保持上下文。
Data Loaders & Indexes	為文件、資料庫或網頁等外部資源建立向量索引，支援語意檢索。

下面分別說明這些概念，並提供實作範例。

1. Chains：把「小工具」串成「大流程」

最簡單的 Chain 可能只是「LLM → Prompt → 回應」的單一步驟，但實務上常會加入前處理、後處理或其他 API 呼叫。

範例 1：基本的 Prompt Chain（使用 OpenAI 的 gpt‑3.5‑turbo）

import { OpenAI } from "langchain/llms/openai";
import { PromptTemplate } from "langchain/prompts";
import { LLMChain } from "langchain/chains";

// 1. 建立 Prompt 範本
const prompt = new PromptTemplate({
  inputVariables: ["question"],
  template: "請以簡潔的口吻回答以下問題：{question}",
});

// 2. 初始化 LLM（此處使用 OpenAI）
const llm = new OpenAI({ modelName: "gpt-3.5-turbo", temperature: 0.7 });

// 3. 組合成 Chain
const chain = new LLMChain({ llm, prompt });

// 4. 執行
const response = await chain.run({ question: "什麼是向量資料庫？" });
console.log(response);

重點：PromptTemplate 讓 prompt 可重複使用且易於維護；LLMChain 把 LLM 與 prompt 包裝成一個可呼叫的物件。

---

2. Agents：讓模型自行決定要使用哪個工具

當需求超出單純的文字生成，例如「查詢天氣」或「計算數學式」，我們可以讓 LLM 扮演「指揮官」的角色，根據回應決定要呼叫哪個工具。

範例 2：使用 OpenAI Functions 實作簡易 Agent

import { OpenAI } from "langchain/llms/openai";
import { initializeAgentExecutorWithOptions } from "langchain/agents";
import { SerpAPI } from "langchain/tools/serpapi";

// 1. 建立可呼叫的工具（此例使用 SerpAPI 做網路搜尋）
const searchTool = new SerpAPI(process.env.SERPAPI_API_KEY);

// 2. 初始化 LLM（開啟 function calling 功能）
const llm = new OpenAI({
  modelName: "gpt-3.5-turbo-0613",
  temperature: 0,
  // 讓模型可以返回 function 呼叫的 JSON
  openAIApiKey: process.env.OPENAI_API_KEY,
});

// 3. 建立 Agent，讓它自動選擇工具
const executor = await initializeAgentExecutorWithOptions(
  [searchTool],
  llm,
  {
    agentType: "openai-functions", // 使用 OpenAI Functions
    verbose: true,
  }
);

// 4. 執行任務
const result = await executor.call({ input: "今天台北的天氣如何？" });
console.log(result.output);

說明：Agent 會先讓 LLM 產生「思考」的文字，再根據模型產出的 function_call 觸發 searchTool，最後把搜尋結果回饋給 LLM 完成最終回答。

---

3. Memory：保持多輪對話的上下文

LLM 本身是 無狀態 的，每一次呼叫都是獨立的。若要讓聊天機器人記得前面說過的內容，就需要額外的 記憶機制。

範例 3：使用 ConversationBufferMemory 建立簡易聊天機器人

import { OpenAI } from "langchain/llms/openai";
import { ConversationChain } from "langchain/chains";
import { ConversationBufferMemory } from "langchain/memory";

// 1. 初始化 LLM
const llm = new OpenAI({ modelName: "gpt-3.5-turbo", temperature: 0.6 });

// 2. 建立 Memory（會把所有對話紀錄保存在陣列中）
const memory = new ConversationBufferMemory({
  memoryKey: "history", // 在 Prompt 中使用 {history}
});

// 3. 建立 Chain，將 Memory 注入
const chat = new ConversationChain({ llm, memory });

// 4. 多輪對話示範
await chat.call({ input: "嗨，我叫小明。" });
await chat.call({ input: "今天要怎麼安排時間比較好？" });

要點：ConversationBufferMemory 會自動把先前的 input 與 output 合併成 history，在 Prompt 中使用 {history} 即可讓模型參考過去的對話。

---

4. Data Loaders & Indexes：把文件變成可檢索的向量

在文件問答（Document Q&A）或企業知識庫的情境下，我們需要先把大量文字資料轉換成向量，然後根據使用者的問題做語意檢索。

範例 4：使用 RecursiveCharacterTextSplitter + FAISS 建立簡易索引

import { Document } from "langchain/document";
import { RecursiveCharacterTextSplitter } from "langchain/text_splitter";
import { OpenAIEmbeddings } from "langchain/embeddings/openai";
import { FAISS } from "langchain/vectorstores/faiss";
import { OpenAI } from "langchain/llms/openai";
import { RetrievalQAChain } from "langchain/chains";

// 1. 假設有一段長文件
const rawText = `LangChain 是一個用於建構 LLM 應用的框架...
（此處省略長篇說明）`;

// 2. 轉成 Document 物件
const docs = [new Document({ pageContent: rawText })];

// 3. 切分成較小的片段（方便向量化）
const splitter = new RecursiveCharacterTextSplitter({ chunkSize: 500, chunkOverlap: 50 });
const splitDocs = await splitter.splitDocuments(docs);

// 4. 建立向量嵌入
const embeddings = new OpenAIEmbeddings({ openAIApiKey: process.env.OPENAI_API_KEY });
const vectorStore = await FAISS.fromDocuments(splitDocs, embeddings);

// 5. 建立檢索器
const retriever = vectorStore.asRetriever(4); // 取前 4 個最相關片段

// 6. 結合 LLM 與檢索器形成 QA 系統
const llm = new OpenAI({ temperature: 0 });
const qaChain = RetrievalQAChain.fromLLM(llm, retriever);

// 7. 提問
const answer = await qaChain.run("LangChain 的核心概念是什麼？");
console.log(answer);

關鍵：RecursiveCharacterTextSplitter 讓長文件切成適合向量化的大小；FAISS 為高效的向量搜尋引擎；RetrievalQAChain 自動把檢索結果注入 Prompt，產生精確的回答。

---

5. 多模組結合：從 Prompt → Retrieval → Agent

有時候一個問題需要 先檢索文件，再根據檢索結果決定是否呼叫外部 API。下面示範如何把前面的概念串成完整流程。

範例 5：檢索文件後自動呼叫天氣 API 的完整 Chain

import { OpenAI } from "langchain/llms/openai";
import { RecursiveCharacterTextSplitter } from "langchain/text_splitter";
import { OpenAIEmbeddings } from "langchain/embeddings/openai";
import { FAISS } from "langchain/vectorstores/faiss";
import { RetrievalQAChain } from "langchain/chains";
import { initializeAgentExecutorWithOptions } from "langchain/agents";
import { WeatherAPI } from "./tools/weather"; // 假設自行實作的工具

// 1. 建立文件檢索器（同前例）
const docs = [new Document({ pageContent: "台北今天天氣預報：晴時多雲，最高 28°C。" })];
const splitter = new RecursiveCharacterTextSplitter({ chunkSize: 300, chunkOverlap: 30 });
const splitDocs = await splitter.splitDocuments(docs);
const embeddings = new OpenAIEmbeddings({ openAIApiKey: process.env.OPENAI_API_KEY });
const vectorStore = await FAISS.fromDocuments(splitDocs, embeddings);
const retriever = vectorStore.asRetriever(3);

// 2. 建立 QA Chain（先回答是否需要天氣資訊）
const llm = new OpenAI({ temperature: 0 });
const qaChain = RetrievalQAChain.fromLLM(llm, retriever);

// 3. 建立天氣工具
const weatherTool = new WeatherAPI(process.env.WEATHER_API_KEY);

// 4. 把 QA Chain 包裝成 Agent，讓它決定是否呼叫 weatherTool
const executor = await initializeAgentExecutorWithOptions(
  [weatherTool],
  llm,
  { agentType: "openai-functions", verbose: true }
);

// 5. 執行完整流程
const userQuestion = "今天要去台北市中心開會，請告訴我天氣與建議穿著。";
const retrievedInfo = await qaChain.run(userQuestion); // 先取得文件相關資訊
const finalAnswer = await executor.call({ input: `${retrievedInfo}\n\n${userQuestion}` });
console.log(finalAnswer.output);

說明：此範例展示 檢索 → 思考 → 呼叫工具 → 回答 的完整管線，凸顯 LangChain 在多模組協同上的威力。

---

常見陷阱與最佳實踐

陷阱	可能的影響	建議的最佳實踐
忘記設定 temperature	回答過於隨機或不一致	依需求調整：0 產生確定性答案，0.7 產生創意回應
Prompt 過長或缺乏指示	LLM 產生不相關或冗長文字	使用 PromptTemplate，將變數與固定指令分離，保持指令簡潔明確
Memory 無限制累積	記憶體爆炸、回應變慢	採用 ConversationSummaryMemory 或自行截斷舊訊息
向量索引未正規化	相似度計算失真	使用 OpenAIEmbeddings 或 HuggingFaceEmbeddings 時，確保 normalize 參數正確
工具呼叫失敗未捕捉	Agent 中斷、回傳錯誤訊息	在自訂 Tool 中加入 try/catch，並在 Agent 設定 handleParsingErrors: true
API 金鑰硬編碼	安全風險、部署失敗	使用 環境變數 或 Secret Manager，切勿把金鑰寫入程式碼庫

小技巧

1. 使用 verbose: true 觀察每一步的 Prompt 與回傳，方便除錯。
2. 分層測試：先測試單一 LLMChain，再逐步加入 Memory、Retriever、Agent。
3. 向量索引快取：在開發階段可將 FAISS 索引存檔 (saveLocal) 以免每次重啟都重新向量化。
4. Prompt 版本管理：將重要 Prompt 放在獨立檔案（如 prompts/*.txt），配合 Git 追蹤變更。

---

實際應用場景

場景	LangChain 角色	為什麼適合
企業內部知識庫問答	RetrievalQAChain + ConversationBufferMemory	能快速從海量文件中檢索答案，同時保持多輪對話上下文。
客服聊天機器人	Agent + 多個工具（訂單查詢、退貨流程）	Agent 可根據使用者意圖自動選擇相應 API，提升自動化程度。
程式碼生成助理	LLMChain + OpenAI Functions（執行測試、格式化）	讓模型在生成程式碼後直接呼叫測試工具，回饋錯誤訊息。
資料分析報告自動化	Chain 結合 Pandas、Matplotlib 工具	透過 LLM 產生分析需求，Chain 依序執行資料處理、圖表產生，最後回傳報告。
行銷文案自動產出	PromptTemplate + LLMChain + Memory	記錄過往的品牌語調與風格，確保新文案與品牌一致。

---

總結

• LangChain 為 LLM 應用提供了 模組化、可組合 的基礎建設，讓開發者不必從零開始實作檢索、記憶、工具調度等繁雜功能。
• 透過 Chains、Agents、Memory、Data Loaders 四大支柱，我們可以快速構建從 簡單問答 到 複雜自動化工作流 的完整系統。
• 在實作時，注意 Prompt 設計、記憶管理、向量索引正規化 以及 錯誤處理，可以大幅提升系統的穩定性與使用者體驗。

掌握以上概念後，你就能在 LLM 時代 以最少的程式碼，打造出功能完整、可擴充的智慧型應用。未來隨著模型與工具的持續演進，LangChain 也將持續提供更彈性的介面，讓開發者專注於 業務邏輯 而非底層基礎建設。祝你玩得開心，開發順利！ 🚀