LangChain & AI SDK

概念

LangChain 是构建 LLM 应用最流行的开源框架，提供了连接模型、工具、数据源的统一抽象。对于前端开发者来说，还有更贴合前端生态的 Vercel AI SDK 等替代方案。

这些框架的目标是让开发者不用关心底层 API 细节（token 管理、重试、流式处理等），专注于业务逻辑。

LangChain 核心模块

Models（模型）

统一的模型接口，支持 OpenAI、Anthropic、Google、开源模型等：

from langchain_openai import ChatOpenAI
llm = ChatOpenAI(model="gpt-4o")
response = llm.invoke("你好")

Chains（链）

将多个操作串联成流水线：

prompt 模板 + LLM + 输出解析器 = 一个 Chain

LangChain Expression Language（LCEL）是声明式链构建语法。

Agents

结合 LLM 推理和工具调用，自主决策任务执行路径。

Retrieval

文档加载 → 分块 → 嵌入 → 向量库 → 检索的完整 RAG 链路。

Memory

管理对话历史和上下文，支持多种存储后端。

Vercel AI SDK

专门面向前端/全栈开发者的 AI 框架，更贴合 Web 生态：

核心 API

import { generateText } from 'ai'
import { openai } from '@ai-sdk/openai'

const { text } = await generateText({
  model: openai('gpt-4o'),
  prompt: '用一句话解释 React 的 useState',
})

前端流式 Hook

import { useChat } from '@ai-sdk/react'

function Chat() {
  const { messages, input, handleInputChange, handleSubmit } = useChat()
  // 开箱即用：流式输出、消息管理、状态处理
}

主要特性

• 开箱即用的流式支持
• React / Vue / Svelte 原生 Hook
• 多模型提供商统一接口
• 内置 prompt 管理
• 支持 Function Calling / Tool Use

其他相关框架

框架	定位	适用
LlamaIndex	数据框架，专注 RAG/索引	Python，复杂数据管道
CrewAI	Multi-Agent 编排	Python，多 Agent 协作
LangGraph	Agent 状态机	复杂 Agent 流程
Dify / FastGPT	低代码 AI 平台	非开发者或快速原型

前端选型建议

场景	推荐
纯前端/Hook 风格	Vercel AI SDK
全栈 Node.js	LangChain.js + Vercel AI SDK
Python 后端 + 前端	LangChain (Python) + Vercel AI SDK (前端)
快速原型	Dify / FastGPT
复杂 Agent 系统	LangGraph

面试常问

• LangChain 解决了什么问题？为什么这么多 AI 应用都基于它？
• Vercel AI SDK 和 LangChain 的设计理念有什么不同？
• 你使用过哪些 AI 框架？在什么场景下选择的？

参考

• LangChain Documentation
• Vercel AI SDK
• LlamaIndex