LangChain 教學：安裝與環境設定（Python / JavaScript）

---

簡介

在當前的 AI 應用熱潮中，LangChain 已成為串接大型語言模型（LLM）與外部資源的核心框架。它不僅提供了簡潔的 API，還支援多種語言（Python、JavaScript/TypeScript）與多樣的工具鏈（向量資料庫、搜尋引擎、工具呼叫等），讓開發者可以快速構建「思考」與「行動」結合的智慧應用。

本單元將說明 如何在本機或雲端環境中安裝 LangChain，並完成最基本的設定。內容涵蓋：

1. 建立乾淨的虛擬環境（Python）或 Node 專案（JavaScript）
2. 安裝核心套件與常用擴充套件
3. 配置 OpenAI（或其他 LLM）金鑰
4. 透過簡單範例驗證安裝是否成功

完成本單元後，你將能在 Python 或 JavaScript 中順利呼叫 LangChain，為後續的 Chain、Agent、Tool 開發奠定基礎。

---

核心概念

1. 為什麼要使用虛擬環境？

• 依賴隔離：不同專案可能需要不同版本的 langchain、openai 或向量資料庫套件，虛擬環境可避免衝突。
• 可重現性：透過 requirements.txt（Python）或 package.json（JS）鎖定套件版本，確保團隊成員或 CI/CD 環境得到相同結果。

技巧：在 Python 中使用 venv 或 conda，在 JavaScript 中使用 npm/yarn + package-lock.json（或 pnpm-lock.yaml）。

2. 主要套件與功能

語言	核心套件	常見擴充套件	功能說明
Python	langchain	langchain-community、langchain-openai、langchain-chroma	提供 Chain、Agent、Memory、Retriever 等抽象層
JavaScript/TypeScript	@langchain/core、@langchain/openai	@langchain/community、@langchain/chroma	同樣支援 PromptTemplate、Chain、Tool 等概念，且可與前端/Node 生態整合

注意：JavaScript 仍在快速演進，若發現某功能缺少，可直接使用 @langchain/core 的低階 API，或參考官方 GitHub Issue。

3. LLM 金鑰管理

LangChain 本身不提供模型，必須透過 OpenAI、Azure OpenAI、Anthropic、Cohere 等服務的 API 金鑰。為了安全：

• 環境變數（.env）是最簡易且安全的做法。
• 在 CI/CD 中使用 Secret Manager（GitHub Actions Secrets、GitLab CI Variables）注入金鑰。

以下示範 Python 與 JavaScript 的環境變數讀取方式。

---

程式碼範例

1️⃣ 建立與啟動虛擬環境（Python）

# 1. 建立虛擬環境
python -m venv .venv

# 2. 啟動環境（Linux/macOS）
source .venv/bin/activate

# 3. 啟動環境（Windows）
.\.venv\Scripts\activate

# 4. 安裝套件
pip install --upgrade pip
pip install langchain openai python-dotenv

說明：python-dotenv 讓我們可以輕鬆載入 .env 檔案中的金鑰。

2️⃣ 建立與初始化 Node 專案（JavaScript）

# 1. 初始化 npm 專案
npm init -y

# 2. 安裝核心與 OpenAI 套件
npm install @langchain/core @langchain/openai dotenv

# 3. 建立 .env 檔案（同 Python）
echo "OPENAI_API_KEY=sk-xxxxxxxxxxxxxxxxxxxx" > .env

3️⃣ 讀取環境變數（Python）

# file: config.py
from pathlib import Path
from dotenv import load_dotenv
import os

# 載入 .env（放在專案根目錄）
env_path = Path('.') / '.env'
load_dotenv(dotenv_path=env_path)

OPENAI_API_KEY = os.getenv('OPENAI_API_KEY')
if not OPENAI_API_KEY:
    raise ValueError("請在 .env 中設定 OPENAI_API_KEY")

4️⃣ 讀取環境變數（JavaScript）

// file: config.js
require('dotenv').config();   // 會自動讀取根目錄的 .env

const OPENAI_API_KEY = process.env.OPENAI_API_KEY;
if (!OPENAI_API_KEY) {
  throw new Error('請在 .env 中設定 OPENAI_API_KEY');
}

module.exports = { OPENAI_API_KEY };

5️⃣ 測試 LangChain 與 LLM（Python）

# file: test_langchain_py.py
from langchain.llms import OpenAI
from config import OPENAI_API_KEY

# 初始化 LLM（使用 OpenAI 的 gpt-3.5-turbo）
llm = OpenAI(
    openai_api_key=OPENAI_API_KEY,
    model_name="gpt-3.5-turbo",
    temperature=0.7,
)

# 呼叫 LLM，確認能取得回應
response = llm.invoke("請用繁體中文說明什麼是 LangChain。")
print("LLM 回應:", response)

重點：若出現 Rate limit 或 AuthenticationError，請檢查金鑰是否正確、是否已超過配額。

6️⃣ 測試 LangChain 與 LLM（JavaScript）

// file: test_langchain_js.mjs
import { OpenAI } from '@langchain/openai';
import { OPENAI_API_KEY } from './config.js';

const llm = new OpenAI({
  openAIApiKey: OPENAI_API_KEY,
  modelName: 'gpt-3.5-turbo',
  temperature: 0.7,
});

async function main() {
  const response = await llm.invoke(
    '請用繁體中文說明什麼是 LangChain。'
  );
  console.log('LLM 回應:', response);
}

main().catch(console.error);

7️⃣ 建立最簡單的 Chain（Python）

# file: simple_chain.py
from langchain.prompts import PromptTemplate
from langchain.chains import LLMChain
from langchain.llms import OpenAI
from config import OPENAI_API_KEY

# PromptTemplate 讓我們把變數插入 Prompt 中
template = """以下是一段中文說明，請將它改寫成 3 個要點，並加上編號：
{input_text}
"""
prompt = PromptTemplate(template=template, input_variables=["input_text"])

llm = OpenAI(
    openai_api_key=OPENAI_API_KEY,
    model_name="gpt-3.5-turbo",
    temperature=0.5,
)

chain = LLMChain(llm=llm, prompt=prompt)

result = chain.run({"input_text": "LangChain 是一個用於構建 LLM 應用的框架，提供了 Chain、Agent、Tool 等抽象層。"})
print(result)

8️⃣ 建立最簡單的 Chain（JavaScript）

// file: simple_chain.mjs
import { PromptTemplate } from '@langchain/core/prompts';
import { LLMChain } from '@langchain/core/chains';
import { OpenAI } from '@langchain/openai';
import { OPENAI_API_KEY } from './config.js';

const template = `以下是一段中文說明，請將它改寫成 3 個要點，並加上編號：
{input_text}`;
const prompt = PromptTemplate.fromTemplate(template);

const llm = new OpenAI({
  openAIApiKey: OPENAI_API_KEY,
  modelName: 'gpt-3.5-turbo',
  temperature: 0.5,
});

const chain = new LLMChain({ llm, prompt });

async function run() {
  const result = await chain.invoke({
    input_text: 'LangChain 是一個用於構建 LLM 應用的框架，提供了 Chain、Agent、Tool 等抽象層。',
  });
  console.log(result);
}
run().catch(console.error);

小結：以上範例展示了從 安裝 → 環境變數 → 呼叫 LLM → 建立基本 Chain 的完整流程。只要環境設置正確，兩種語言的程式碼幾乎可以互相對照學習。

---

常見陷阱與最佳實踐

陷阱	說明	最佳實踐
金鑰硬編碼	直接把 sk-... 寫在程式碼裡，會導致資安風險。	使用 .env 與 dotenv，或在雲端平台使用 Secret Manager。
版本不一致	LangChain 更新頻繁，舊版 API 可能失效。	在 requirements.txt / package.json 中鎖定版本，並在每次升級前閱讀 Release Notes。
未安裝依賴的向量資料庫	想使用 Chroma、FAISS 等檢索功能卻忘了安裝相應套件。	依需求安裝 langchain-chroma、faiss-cpu（Python）或 @langchain/chroma（JS）。
模型名稱錯誤	使用 gpt-3.5-turbo 時寫成 gpt3.5，會拋出 InvalidRequestError。	參考官方文件的 model_name 列表，並使用 常數 方式管理。
同步/非同步混用	Python 示例多為同步，JavaScript 多為 async/await，混用會導致程式卡住。	明確決定執行環境：Python 使用 await（asyncio）或同步；Node.js 全部使用 async/await。
忘記啟動虛擬環境	直接在全域環境安裝套件，導致衝突。	每次開發前執行 source .venv/bin/activate 或 npm run dev 前確認 node_modules 正確。

其他實務建議

1. 使用 TypeScript（對於 JavaScript 開發者）
   • @langchain/core 已提供完整型別，能在開發階段即捕捉錯誤。
2. 把 LLM 初始化抽離成單例
   • 多個 Chain 共用同一個 LLM 實例，可減少金鑰重新驗證的開銷。
3. 加入 Logging
   • LangChain 支援 langchain.callbacks，可在開發期間觀察 Prompt、LLM 回傳與 Token 使用情況。
4. 測試（Unit Test）
   • 使用 pytest 或 jest 搭配 Mock（例如 unittest.mock、msw）模擬 LLM 回傳，避免每次測試都消耗配額。

---

實際應用場景

場景	使用的 LangChain 元件	為什麼適合
客服機器人	LLMChain + ConversationBufferMemory	讓機器人能記住對話上下文，提供連貫回應。
文件問答系統	RetrievalQAChain + Chroma 向量資料庫	先把文件向量化，再以檢索結果作為 Prompt，提升答案正確率。
自動化報告產出	LLMChain + PromptTemplate	只需要提供數據，LLM 自動產出報告文字。
代碼輔助 (Co-pilot)	AgentExecutor + Tool（如 PythonREPLTool）	Agent 能根據使用者指令呼叫工具執行程式碼，回傳結果。
多語言翻譯與校對	LLMChain + TranslationPrompt	透過 Prompt 控制翻譯風格與校對規則，支援繁體中文與其他語言。

範例：若要在企業內部建置「合約條款檢索」系統，只需將所有合約上傳至 Chroma，使用 RetrievalQAChain 讓 LLM 先檢索相關段落，再根據 Prompt 給出法律建議。整個流程可在 Python 或 Node.js 中同樣完成。

---

總結

• LangChain 為 LLM 應用提供了統一且可擴充的抽象層，讓開發者能快速從「呼叫模型」升級到「組合 Chain、Agent、Tool」的完整方案。
• 本文詳細說明了 Python 與 JavaScript 的安裝步驟、環境變數管理、最小可執行範例，以及常見的陷阱與最佳實踐。
• 只要遵守 虛擬環境、金鑰安全、版本鎖定 三大原則，即可在本機或雲端穩定運行 LangChain，進一步開發客服、問答、報告產出等實務應用。

下一步：在掌握了安裝與基本呼叫後，建議嘗試 Chain 組合（如 SequentialChain、RouterChain）或 Agent 與 Tool（如 PythonREPLTool、RequestsGetTool），逐步打造屬於自己的智慧工作流。祝開發順利，玩得開心！ 🚀