LangChain 基礎概念 ─ 核心組件介紹：Models、Prompts、Output Parsers、Chains

---

簡介

在 LLM（大型語言模型） 與 生成式 AI 越來越普及的今天，如何把模型、提示詞、輸出解析與工作流程有條不紊地串接起來，成為開發者必備的技能。
LangChain 正是一個 以組件化方式 讓開發者快速構建、測試、部署 LLM 應用的框架，它把「模型呼叫」與「業務邏輯」分離，讓程式碼更易維護、測試與重用。

本篇文章聚焦於 LangChain 四大核心組件：

1. Models – 與 LLM（如 OpenAI、Azure、Anthropic 等）互動的抽象層。
2. Prompts – 系統化管理提示詞的工具，支援模板、變數與動態組合。
3. Output Parsers – 把模型的文字回應轉成結構化資料（JSON、類別實例等）。
4. Chains – 把上述組件串成 工作流，支援同步、非同步與條件分支。

掌握這四個概念，就能在 聊天機器人、文件摘要、資料擷取、程式碼生成 等多種場景中，快速組出可運行的原型，甚至直接投入生產環境。

---

核心概念

1️⃣ Models：統一的模型介面

LangChain 為各大 LLM 提供 統一的介面（BaseLanguageModel），開發者只需要換一個模型實例，即可在同一套程式碼上測試不同供應商的效能與成本。

供應商	主要類別 (JS)	特色
OpenAI	OpenAI	支援 gpt-3.5-turbo、gpt-4，可設定 temperature、maxTokens 等參數。
Azure	AzureOpenAI	同步 Azure 訂閱、資源管理，適合企業級部署。
Anthropic	ChatAnthropic	以 Claude 系列模型為主，注重安全性與指令遵守。

程式碼範例 1：建立模型實例

import { OpenAI } from "langchain/llms/openai";

// 建立一個 OpenAI GPT‑4 的模型物件
const llm = new OpenAI({
  modelName: "gpt-4",          // 使用的模型名稱
  temperature: 0.2,            // 較低的 temperature 讓回應更具確定性
  maxTokens: 1024,             // 單次呼叫最大回傳 token 數
  openAIApiKey: process.env.OPENAI_API_KEY, // 從環境變數讀取金鑰
});

小技巧：在開發階段，把 temperature 設為 0 或 0.2，可以減少隨機性，方便除錯；正式上線時再根據需求調高。

---

2️⃣ Prompts：模板化的提示詞管理

LLM 的表現很大程度上取決於 提示詞（Prompt） 的設計。LangChain 把提示詞抽象成 PromptTemplate，支援變數插值、條件分支與多輪對話。

2️⃣.1 PromptTemplate 基礎

import { PromptTemplate } from "langchain/prompts";

// 建立一個簡單的「問答」模板
const qaPrompt = new PromptTemplate({
  inputVariables: ["question"],          // 需要外部提供的變數名稱
  template: `以下是一段中文說明，請直接回答使用者的問題。
  
說明：
{question}
  
答案：`,
});

使用時只要傳入一個 JavaScript 物件，即可得到完整的提示字串：

const prompt = await qaPrompt.format({ question: "什麼是 LangChain？" });
console.log(prompt);

2️⃣.2 Few‑Shot Prompt（示例提示）

Few‑Shot 能讓模型學習「格式」或「風格」：

import { FewShotPromptTemplate } from "langchain/prompts";

const examples = [
  { input: "台北101的高度？", output: "台北101高 508 公尺。" },
  { input: "什麼是區塊鏈？", output: "區塊鏈是一種去中心化的分散式帳本技術。" },
];

const fewShotPrompt = new FewShotPromptTemplate({
  examplePrompt: new PromptTemplate({
    inputVariables: ["input", "output"],
    template: `問題：{input}\n答案：{output}\n`,
  }),
  prefix: "以下是幾個問題與答案範例，請依照相同格式回答接下來的問題：",
  suffix: "問題：{question}\n答案：",
  inputVariables: ["question"],
  examples,
});

這樣的 Prompt 常用於 資訊抽取、格式化回覆 等需求。

---

3️⃣ Output Parsers：把文字變成結構化資料

LLM 預設回傳純文字，若要在程式中直接使用結果，往往需要 解析。LangChain 提供多種 BaseOutputParser，最常用的是 StructuredOutputParser（基於 JSON Schema）以及 RegexParser。

程式碼範例 2：使用 StructuredOutputParser 產生 JSON

import { StructuredOutputParser } from "langchain/output_parsers";
import { z } from "zod";

// 定義回傳結構（使用 zod 建立 schema）
const weatherSchema = z.object({
  location: z.string().describe("城市或地點名稱"),
  temperature: z.number().describe("攝氏溫度"),
  condition: z.enum(["晴", "雨", "雲", "雪"]).describe("天氣狀況"),
});

// 產生對應的 parser
const parser = StructuredOutputParser.fromZodSchema(weatherSchema);

// 把 parser 的格式說明注入 Prompt
const weatherPrompt = new PromptTemplate({
  inputVariables: ["city"],
  template: `請根據以下城市提供天氣資訊，回傳 JSON，格式必須符合：
{format_instructions}
城市：{city}`,
  partialVariables: {
    format_instructions: parser.getFormatInstructions(),
  },
});

呼叫模型後，直接用 parser 解析：

const prompt = await weatherPrompt.format({ city: "台北" });
const rawResponse = await llm.invoke(prompt);   // rawResponse 為文字
const parsed = await parser.parse(rawResponse); // parsed 為 JavaScript 物件

console.log(parsed);
// => { location: "台北", temperature: 28, condition: "晴" }

注意：若模型回傳的 JSON 有語法錯誤，parse 會拋出例外，建議使用 try / catch 包起來，或在 Prompt 中加入「請勿加入額外說明」的指示。

---

4️⃣ Chains：把模型、提示、解析串成工作流

單一模型呼叫只能解決「一次性」的需求。實務上，我們常需要 先產生問題、再根據回覆做後續處理，這時 Chain 就派上用場。LangChain 提供 LLMChain、SimpleSequentialChain、RouterChain 等多種組合方式。

程式碼範例 3：LLMChain + OutputParser

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

// 1. 建立 LLM（同前面的 llm 變數）
const llm = new OpenAI({ modelName: "gpt-3.5-turbo", temperature: 0 });

// 2. 建立 Prompt（使用前面的 weatherPrompt）
const chain = new LLMChain({
  llm,
  prompt: weatherPrompt,
  outputParser: parser, // 直接把 parser 注入 chain
});

// 執行 chain
async function getWeather(city) {
  const result = await chain.run({ city });
  // result 已經是解析後的 JavaScript 物件
  return result;
}

getWeather("高雄").then(console.log);
// => { location: "高雄", temperature: 30, condition: "雨" }

程式碼範例 4：SimpleSequentialChain（多步驟）

假設要先 產生摘要，再 根據摘要產生關鍵字：

import { SimpleSequentialChain } from "langchain/chains";
import { PromptTemplate } from "langchain/prompts";

// 步驟 1：摘要 Prompt
const summaryPrompt = new PromptTemplate({
  inputVariables: ["text"],
  template: `請將以下文字摘要成 3 行以內：
{text}`,
});

// 步驟 2：關鍵字 Prompt
const keywordPrompt = new PromptTemplate({
  inputVariables: ["summary"],
  template: `根據以下摘要，列出 5 個關鍵字（以逗號分隔）：
{summary}`,
});

// 建立兩個 LLMChain
const summaryChain = new LLMChain({ llm, prompt: summaryPrompt });
const keywordChain = new LLMChain({ llm, prompt: keywordPrompt });

// 用 SimpleSequentialChain 把兩個 Chain 串起來
const workflow = new SimpleSequentialChain({
  chains: [summaryChain, keywordChain],
  verbose: true, // 顯示每一步的輸入/輸出，方便除錯
});

// 執行
const article = `LangChain 是一個 ... （略）`;
workflow.run({ text: article }).then(console.log);
// 輸出範例：關鍵字 => "LangChain, LLM, Prompt, Chain, AI"

程式碼範例 5：RouterChain（條件分支）

如果想根據使用者的意圖切換不同的處理流程，可使用 RouterChain：

import { RouterChain } from "langchain/chains";
import { ChatPromptTemplate } from "langchain/prompts";

// 定義意圖判斷 Prompt
const intentPrompt = new ChatPromptTemplate({
  inputVariables: ["query"],
  template: `請判斷以下使用者問題的意圖，回傳一個關鍵字：
1. 天氣查詢
2. 文章摘要
3. 其他

問題：{query}
意圖：`,
});

// 建立三個子 Chain（同前面的 chain）
const weatherChain = /* 前面建立的 LLMChain */;
const summaryChain = /* 前面建立的 LLMChain */;
const fallbackChain = new LLMChain({ llm, prompt: new PromptTemplate({
  inputVariables: ["query"],
  template: `抱歉，我無法理解您的需求。請重新描述。`,
})});

// RouterChain 設定
const router = new RouterChain({
  llm,
  prompt: intentPrompt,
  routes: {
    天氣查詢: weatherChain,
    文章摘要: summaryChain,
    其他: fallbackChain,
  },
});

// 測試
router.run({ query: "台北今天的天氣如何？" }).then(console.log);
// => 會自動走 weatherChain，回傳天氣 JSON

---

常見陷阱與最佳實踐

常見陷阱	為什麼會發生	建議的解法
Prompt 太長或缺少指示	LLM 可能忽略關鍵資訊，或產生雜訊	使用 PromptTemplate 把變數明確列在 inputVariables，並在模板中加入「請勿加入額外說明」的指示。
Output Parser 失敗	模型回傳不符合 JSON 格式或語法錯誤	在 Prompt 中加入 format_instructions，並使用 try / catch 包住 parser.parse，必要時 重試（可加 temperature=0）。
模型成本失控	maxTokens、temperature 設定不當，導致大量 token 消耗	先在開發環境 限制 maxTokens，使用 streaming 只取需要的部分；部署前再根據需求調整。
Chain 內部錯誤被吞掉	verbose 預設關閉，除錯資訊不顯示	在測試階段開啟 verbose: true，或自行在每個 Chain 前後加 console.log。
多模型混用時參數不一致	各模型支援的參數不同（如 stop、logprobs）	把模型相關參數抽象成 自訂的設定物件，在建立模型時統一注入。

最佳實踐

1. 先寫 Prompt 再寫程式：先在 Playground（OpenAI、Claude）驗證提示詞的效果，再搬到 LangChain。
2. 結構化輸出優先：盡量使用 StructuredOutputParser，避免事後手動正則表達式切割。
3. 模組化 Chain：把每個功能（摘要、關鍵字、翻譯）封裝成獨立的 LLMChain，再用 SimpleSequentialChain 或 RouterChain 組合。
4. 測試與 CI：使用 jest 或 mocha 撰寫 單元測試，特別是 parser.parse 的 edge case。
5. 安全與隱私：在 Prompt 中避免直接輸入機密資訊，必要時先做 脫敏 或使用 Azure OpenAI 的 Private Endpoint。

---

實際應用場景

場景	核心組件組合	範例說明
客服聊天機器人	OpenAI + PromptTemplate + RouterChain + StructuredOutputParser	先判斷使用者是「查訂單」還是「常見問題」，再分別呼叫不同的子 Chain，回傳 JSON 給前端渲染。
文件自動摘要與關鍵字產出	LLMChain（摘要 Prompt） → LLMChain（關鍵字 Prompt）	透過 SimpleSequentialChain 把 PDF 文字先摘要，再產生 SEO 關鍵字，直接寫入資料庫。
程式碼自動生成與測試	OpenAI + FewShotPromptTemplate + RegexParser + Chain	用 Few‑Shot 示範「輸入需求 → 輸出 TypeScript 函式」；用 RegexParser 抓出 function 標頭，並自動寫入測試檔。
金融報表分析	AzureOpenAI + PromptTemplate + StructuredOutputParser + RouterChain	根據使用者查詢的「報表類型」切換不同的分析 Prompt，回傳結構化的數據（如盈虧、成長率）供前端圖表使用。
教育平台自動批改	ChatAnthropic + PromptTemplate + OutputParser + Chain	給學生的答案與評分標準，模型產生「分數」與「改進建議」的 JSON，直接寫回 LMS。

---

總結

LangChain 以 模型、提示詞、輸出解析、工作流 四大模組化概念，為 LLM 應用提供了 可組合、可測試、可擴充 的開發體驗。

• Models 讓你輕鬆切換不同供應商；
• Prompts 把提示詞變成可重用的模板；
• Output Parsers 把文字變成程式可直接操作的結構化資料；
• Chains 則把上述所有元件串成完整的業務流程。

在實務開發時，建議先 設計 Prompt、定義輸出 Schema，再逐步把模型、解析器、Chain 組起來，最後加入 錯誤處理與日誌，即可打造出 穩定、可維護、成本可控 的生成式 AI 服務。

掌握這四個核心組件，你就能在 聊天機器人、文件處理、程式碼生成、數據分析 等多元領域，快速驗證概念、迭代產品，並將 AI 能力無縫嵌入現有系統。祝你玩得開心、寫得順利！ 🚀