云信AI部署

LangChain与JavaScript结合：打造强大的聊天机器人系统

云信安装大师
90
AI 质量分
10 5 月, 2025
3 分钟阅读
0 阅读

LangChain与JavaScript结合：打造强大的聊天机器人系统

引言

在当今AI技术蓬勃发展的时代，聊天机器人已成为许多应用的核心功能。本文将介绍如何使用LangChain框架与JavaScript结合，快速构建一个功能强大的聊天机器人系统。LangChain是一个用于开发由语言模型驱动的应用程序的框架，它简化了与大型语言模型(LLM)的交互过程。

准备工作

在开始之前，请确保你已具备以下环境：

  1. Node.js (建议版本16或更高)
  2. npm或yarn包管理器
  3. OpenAI API密钥(或其他LLM提供商的API密钥)

安装必要的依赖包：

代码片段 
npm install langchain dotenv

项目结构

我们将创建一个简单的Node.js项目，结构如下：

代码片段 
chatbot-project/
├── .env
├── index.js
└── package.json

第一步：设置环境变量

在项目根目录创建.env文件，添加你的OpenAI API密钥：

代码片段 
OPENAI_API_KEY=你的API密钥

注意事项：
– 永远不要将API密钥直接硬编码在代码中
– 确保.env文件已添加到.gitignore中

第二步：创建基础聊天机器人

创建index.js文件，添加以下代码：

代码片段 
// 导入所需模块
require('dotenv').config();
const { ChatOpenAI } = require("langchain/chat_models/openai");
const { HumanMessage, SystemMessage } = require("langchain/schema");

// 初始化聊天模型
const chat = new ChatOpenAI({
    temperature: 0.7, // 控制回答的随机性(0-1)
    modelName: "gpt-3.5-turbo" // 使用的模型名称
});

// 定义聊天函数
async function chatWithBot(userInput) {
    try {
        // 可以添加系统消息来设定机器人的行为特征
        const systemMessage = new SystemMessage(
            "你是一个乐于助人的AI助手。回答要简洁专业。"
        );

        const humanMessage = new HumanMessage(userInput);

        // 发送消息并获取响应
        const response = await chat.call([systemMessage, humanMessage]);

        return response.content;
    } catch (error) {
        console.error("聊天出错:", error);
        return "抱歉，我遇到了些问题。";
    }
}

// 测试聊天功能
(async () => {
    console.log(await chatWithBot("你好！"));
    console.log(await chatWithBot("你能做什么？"));
})();

代码解释：
1. ChatOpenAI是LangChain提供的与OpenAI聊天模型交互的类
2. temperature参数控制回答的创造性(值越高越有创意)
3. SystemMessage用于设定机器人的角色和行为准则
4. HumanMessage代表用户的输入

第三步：添加记忆功能

为了让机器人记住对话上下文，我们需要添加对话记忆功能：

代码片段 
const { ConversationChain } = require("langchain/chains");
const { BufferMemory } = require("langchain/memory");

// 初始化带记忆的对话链
const memory = new BufferMemory();
const chain = new ConversationChain({
    llm: chat,
    memory: memory,
});

async function chatWithMemory(userInput) {
    try {
        const response = await chain.call({
            input: userInput,
        });

        return response.response;
    } catch (error) {
        console.error("对话出错:", error);
        return "抱歉，我遇到了些问题。";
    }
}

// 测试带记忆的对话
(async () => {
    console.log(await chatWithMemory("我叫小明"));
    console.log(await chatWithMemory("你还记得我叫什么吗？"));
})();

原理说明：
– BufferMemory会保存最近的对话历史记录
– ConversationChain会自动将记忆内容包含在每次请求中

第四步：集成外部数据源

让机器人能够基于特定文档内容回答问题：

代码片段 
const { PDFLoader } = require("langchain/document_loaders/fs/pdf");
const { RecursiveCharacterTextSplitter } = require("langchain/text_splitter");
const { OpenAIEmbeddings } = require("langchain/embeddings/openai");
const { MemoryVectorStore } = require("langchain/vectorstores/memory");
const { RetrievalQAChain } = require("langchain/chains");

async function setupDocumentQA() {
    // 1. 加载PDF文档 (假设有一个sample.pdf文件)
    const loader = new PDFLoader("./sample.pdf");
    const docs = await loader.load();

    // 2. 分割文档为小块 (便于嵌入和检索)
    const splitter = new RecursiveCharacterTextSplitter({
        chunkSize: 1000,
        chunkOverlap: 200,
    });

    const splitDocs = await splitter.splitDocuments(docs);

    // 3. 创建向量存储 (将文本转换为向量表示)
    const embeddings = new OpenAIEmbeddings();
    const vectorStore = await MemoryVectorStore.fromDocuments(
        splitDocs,
        embeddings
    );

    // 4. 创建检索问答链
    return RetrievalQAChain.fromLLM(
        chat,
        vectorStore.asRetriever(),
        { returnSourceDocuments: true }
    );
}

// 测试文档问答功能
(async () => {
    const qaChain = await setupDocumentQA();

    const response = await qaChain.call({
        query: "这份文档的主要内容是什么？",
    });

    console.log(response.text);
})();

实现细节：
1. PDFLoader加载PDF文档内容(也支持txt、csv等格式)
2. RecursiveCharacterTextSplitter将大文档分割为适合处理的小块
3. OpenAIEmbeddings将文本转换为向量表示以便语义搜索
4. RetrievalQAChain会先检索相关文档片段，然后让LLM基于这些片段生成答案

第五步：构建完整应用

现在我们将所有功能整合到一个简单的命令行聊天应用中：

代码片段 
const readline = require('readline');

async function main() {
    // 初始化各种组件

}

LangChain与JavaScript结合：打造强大的聊天机器人系统（续）

（接上文）

代码片段 
const readlinePromises = require('node:readline/promises');
const rl = readlinePromises.createInterface({
input: process.stdin,
output: process.stdout,
});

console.log("欢迎使用智能聊天助手！输入'exit'退出");

while (true) {
const userInput = await rl.question('你: ');
if (userInput.toLowerCase() === 'exit') break;

try {
// TODO - Implement the actual chatbot logic here based on previous steps  
} catch (error) {
console.error('处理请求时出错:', error);  
}
}

rl.close();

高级技巧与优化

1. Multi-turn Conversation Handling

For better multi-turn conversations, we can enhance our memory system:

代码片段 
import { BufferWindowMemory } from "langchain/memory";

// Only keep last K messages in memory  
const memory2= new BufferWindowMemory({k:5});

2. Adding Custom Tools

LangChain allows integrating external APIs as tools:

代码片段 
import { DynamicTool } from "langchain/tools";

const weatherTool= new DynamicTool({
name:"weather",
description:"Get current weather for a city",  
func: async (city)=> `${city} weather is sunny today!`
});

agent.addTool(weatherTool);

3. Streaming Responses

For better UX with long responses:

代码片段 
import { CallbackManager} from "langchain/callbacks";

let fullResponse="";
chat.call(input,{
callbackManager: CallbackManager.fromHandlers({
handleLLMNewToken(token){
process.stdout.write(token);  
fullResponse+=token;
}
})
});

部署建议

1. Web Application Integration:
Wrap the chatbot in an Express.js API:

代码片段 
import express from 'express';
app.post('/chat', async(req,res)=>{
const response=await chat(req.body.message);  
res.json({response});
});

2. Performance Optimization:
Cache frequent queries using Redis:

代码片段 
npm install ioredis  

import Redis from 'ioredis';
redis.set(`chat:${query}`,response);  
cached=await redis.get(`chat:${query}`);

3. Monitoring: Add logging middleware:

代码片段 
app.use((req,res,next)=>{
logRequest(req); next();  
});

常见问题解决

Q1: API请求超时怎么办？
A1:增加超时设置:

代码片段 
new ChatOpenAI({timeout:30000});

Q2: Token限制错误？
A2:
– Reduce chunk sizes for documents
– Implement message truncation

Q3: Responses too generic?
A3:
– Adjust temperature lower (~0.3)
– Provide more specific system prompts

完整示例仓库

访问GitHub获取完整项目代码:

代码片段 
git clone https://github.com/example/langchain-chatbot.git   
cd langchain-chatbot && npm install

总结

本文演示了如何利用LangChain和JavaScript构建生产级聊天机器人，关键点包括:

✓ Environment setup with API keys
✓ Basic conversation handling
✓ Contextual memory implementation
✓ Document retrieval capabilities
✓ Deployment optimizations

通过灵活组合这些模块，您可以创建适用于各种场景的智能对话系统。

原创 高质量