30 行跑通 LangChain.js RAG（Node）

原创于 2025-08-27 07:00:00 发布 · 227 阅读

1 ·

CC 4.0 BY-SA版权

文章标签：

#javascript #开发语言 #ecmascript

AI 专栏收录该内容

85 篇文章

订阅专栏

把你自己的文档喂给大模型，回答就不再“瞎编”。下面这段 30 行代码，用 MemoryVectorStore + OpenAI Embeddings + Chat LLM，一键完成检索增强生成（RAG）：

// rag-demo.mjs
import { ChatOpenAI, OpenAIEmbeddings } from "@langchain/openai";
import { MemoryVectorStore } from "langchain/vectorstores/memory";
import { RecursiveCharacterTextSplitter } from "langchain/text_splitter";
import { ChatPromptTemplate } from "@langchain/core/prompts";
import { RunnableSequence } from "@langchain/core/runnables";
import { Document } from "@langchain/core/documents";

const docs = [
  new Document({ pageContent: "LangChain.js 是用于构建 LLM 应用的 JS/TS 框架，支持 RAG、Agent、工具调用与多环境运行。" }),
  new Document({ pageContent: "它能在浏览器、Node.js 与 Cloudflare Workers 运行，生态成熟、文档完善、社区活跃。" }),
  new Document({ pageContent: "RAG 通过向量检索，把你的业务文档变成模型的外部知识，提高准确性与可控性。" }),
];

const splitter = new RecursiveCharacterTextSplitter({ chunkSize: 200, chunkOverlap: 20 });
const splitDocs = await splitter.splitDocuments(docs);

const vectorStore = await MemoryVectorStore.fromDocuments(
  splitDocs,
  new OpenAIEmbeddings({ model: "text-embedding-3-small" })
);

const retriever = vectorStore.asRetriever({ k: 3 });
const llm = new ChatOpenAI({ model: "gpt-4o-mini", temperature: 0 });

const prompt = ChatPromptTemplate.fromTemplate(
  `你是技术助手，只依据<context>回答用户问题，无法从中获得答案就说“我不知道”。\n<context>\n{context}\n</context>\n问题：{question}`
);

const chain = RunnableSequence.from([
  {
    context: async (input) => (await retriever.getRelevantDocuments(input.question))
      .map(d => d.pageContent).join("\n---\n"),
    question: (input) => input.question
  },
  prompt,
  llm
]);

const res = await chain.invoke({ question: "为什么 LangChain.js 适合 JS 开发者做 RAG？" });
console.log(res.content);

本地运行

# 1) 初始化并安装
npm init -y
npm i langchain @langchain/openai

# 2) 设置环境变量（macOS/Linux）
export OPENAI_API_KEY=你的key

# 3) 运行
node rag-demo.mjs

你会得到： 一段仅依据你提供文档生成的回答，且能复用到更大的私域知识库中（只需把 docs 替换为你的 Markdown、FAQ 或导入的 PDF 文本即可）。

—
延伸阅读

官方文档（JS 版）👉 Introduction | 🦜️🔗 Langchain
RAG 指南 👉 Build a Retrieval Augmented Generation (RAG) App: Part 1 | 🦜️🔗 Langchain
向量检索概念 👉 Conceptual guide | 🦜️🔗 Langchain