从前端到 AI：LangChain.js 入门和实战--掘金小册课程推荐/优惠

你会学到什么？

• 从 0 到 1，掌握复杂大模型应用的构建思路；
• 深入真实业务场景，打造有价值的大模型应用；
• 打破常规，趣学大模型编程范式与交互；
• 基于 JS，前端工程师也能玩转 AI 开发。

作者介绍

Kai，现某知名外企软件工程师，曾工作于字节跳动、Disney Streaming（Hulu）。GitHub 累计获得 15k+ star，《Web Worker 播客》主播，前沿技术、开源爱好者。

小册介绍

大模型时代已经到来，大量基础模型的质量、速度和价格已经到了高度可用的程度，曾经无数难以解决的语义理解、逻辑推断、复杂对话任务，现在通过非常简单的 prompt 就能解决。这给应用层近乎无限的想象力，所有应用和交互模式都值得用大模型的思考方式重新审视。这是不亚于移动互联网浪潮的机会，一次新的全民黑客松，一次新的重构现有应用格局的机会！

大模型时代的语言将是 Python 和 JavaScript（后简称 JS），这是 OpenAI 官方 API 仅支持的两种语言，也是大模型最流行的应用框架 LangChain 仅支持的两种语言。前者的地位不言而喻。而 JS 是最接近应用层的语言，无论是网页、移动端，还是桌面端都可以使用 JS 进行构建，它也是唯一的全栈语言。

通过 JS，我们可以借助各种 Sass/Pass 云服务，快速构建出极高可用度的应用给用户，迅速验证自己的 idea 并获得市场反馈。现在，在 JS 丰富的生态又加入了大模型这一强大的工具，LangChain.js 并不是 Python 版本的简单封装，而是全部由 JS 构建，可见其对 JS 生态的重视。

这是给所有前端朋友的一次新机会，我们可以充分利用各种成熟的云服务，加上我们对大模型的理解和对用户需求的洞察，迅速构建出解决垂直领域的应用，并根据反馈持续更新和改进，占领新时代的用户心智。

那么，为什么是 LangChain 呢？

LangChain 就是目前最流行的大模型应用框架，适合 JS 选手去入门和上手大模型应用的开发。其高度封装的特点将复杂隔离，我们可以利用其提供的各种高质量工具模块化地构建 App。其最新推出的 LCEL 新编程范式更是将模块化构建推到了一个全新的高度。

使用 LangChain.js 构建复杂的 RAG Chatbot 或者是 Agents，往往只需要不到百行代码，就能生成一个高度可用的大模型应用基础。然后我们就可以将更多精力投入到更熟悉的 UI 和交互的构建之中，迅速交付给用户使用了。

本小册基于面向应用侧工程师去编写，仅预设读者有 JS 相关知识。

我们会从构建大模型应用的基础概念、LangChain 基础概念讲起，循序渐进地带大家从 0 到 1 构建复杂的大模型应用。我们也会深入业务，带大家写一些实际工程会用的自定义方案，例如，如何将 LangChian 中的 Memory 接入到现有的数据库存储体系中，或者在业务初期和测试中，如何将 memory 以文件形式进行持久化等，帮助大家迅速走上大模型应用开发之路。另外，我们的小册也会贴近开发实际情况，例如带大家申请 OpenAI 的服务，以及如何在 LangChain 中接入这些非 OpenAI 官方的服务。

在实战章节，我们会突破传统的 ChatBot 常规实战，带大家尝试大模型的编程范式，讲解在图形化交互界面（GUI）下一个时代的大模型交互（LLM_UI）应该是什么样的，应该如何交互和实现，相信会给大家很多大模型时代应用模式的启发。同时，我也会带大家做一些贴合大模型优势的实战，去分享我对大模型优势和擅长点的思考，并带大家做一些好玩且有趣的实战出来。我相信大家做完后会玩得不亦乐乎，也会兴奋地去跟朋友分享，就像我一样。

最后，大模型所展示出来的强大智能和编码能力让无数程序员开始紧张。它对所有人来说都是新物种，对深入模型侧的研发和工程的背景要求较高。事实上，编程和工程的发展就是将不需要关心的复杂度封装起来，给上层工程师减少思维复杂度，将更多的精力投入到自己擅长的领域。

大模型亦是这样，我们需要迅速掌握其使用方式和特点，然后思考如何将其与我们的技能结合起来，搭配成有价值的应用给用户。用户并不关心你是如何实现的、你是否是从 0 自己训练的模型，用户只关心应用是否有价值，以及我能否在下一秒就能用到。而这恰恰是我们应用侧工程师所擅长的，我们懂用户、懂需求、懂交互，只需要掌握构建大模型应用的能力，就能 “交付” 高价值的应用。

相信这本小册能学到你所需要的，一起加油吧！

适宜人群

1. 有一定 JS 基础的前端开发者，并想动手尝试大模型应用开发；
2. 想快速落地大模型应用的独立开发者；
3. 想体验大模型开发，更深入地理解其效果和优势；
4. 想要学会大模型技能增强自己职业竞争力。

• Langchain.js 的介绍、安装和快速入门

• Prompt：构建可复用的 Prompt Template

• Deno 和 Jupyter Notebook：如何优雅地学习 LLM？

• RAG：基于私域数据进行回答

• Function Calling：使用 LLM 去调用外界 API

• OutputParser：构建格式化输出

• Embedding：多数据源加载

• Embedding：大规模数据的预处理

• Retriever：构建向量数据库

• 检索增强生成（RAG）原理和流程

• Retriever：retriever 常见优化方式

• Memory：深入 Memory 运行机制

• Memory：让 Chatbot 拥有记忆能力

• Memory：实现自定义 Memory 存储

• Function Calling：使用 LLM 进行数据标注和信息提取

• RAG：增强 RAG 能力并部署成 API

• Agent：agent 基础

• Agent：迈出 AGI 第一步，基础 Agent 实现和解析

• Agent：深入定制 Agent

• 新交互范式：用 LLM_UI 实现 MBTI chat bot

• 探索模型优势：使用 LLM 来 “算命” 的 chatbot

• 如何方便地获取 OpenAI 服务？

• 开篇：大模型时代，如何跟上节奏？

• 结语：另一个起点