本文详细介绍了如何使用LangChain.js，从前端开发者的角度，一步步构建一个AI Agent产品。从本地原型开发、集成到React组件，再到部署上线，全流程实战演示，帮助前端开发者快速掌握AI Agent开发技能，无需学习Python或更换语言，只需TypeScript技能和npm install langchain即可开始。

前两天学了 LangChain.js 的基础和核心组件，今天聊最实用的事——怎么把一个 AI Agent 做成能上线的产品。

前端开发者做这个有天然优势：本来就在做产品，只是现在产品里多了一个"智能组件"。

完整的产品流程

先看一个 AI Agent 产品从 0 到 1 的完整流程：

前端开发者的 AI Agent 产品流程

图片

这个过程和做一个普通前端项目没本质区别，只是多了一个"智能组件"。

步骤一：本地原型（纯 TypeScript）

先不管 UI，把 Agent 逻辑跑通。这是前端开发者最擅长的——先写纯逻辑，再考虑展示。

// agent.ts - 纯逻辑，不依赖任何 UI 框架
import { ChatOpenAI } from "@langchain/openai";
import { createReactAgent } from "@langchain/langgraph/prebuilt";
import { tool } from "@langchain/core/tools";
import { z } from "zod";

// 工具一：知识库查询（模拟）
const knowledgeTool = tool(
async ({ query }) => {
    // 实际项目里这里会连向量数据库
    const mockDocs = {
      "React": "React 是 Meta 开发的 UI 库，核心是组件化和虚拟 DOM。",
      "Vue": "Vue 是尤雨溪开发的渐进式框架，易学易用。",
    };
    return mockDocs[query] || "知识库中没有相关信息";
  },
  {
    name: "get_knowledge",
    description: "从内部知识库检索前端技术文档",
    schema: z.object({
      query: z.string().describe("技术名称，如 React、Vue"),
    }),
  }
);

// 工具二：天气查询
const weatherTool = tool(
async ({ city }) => {
    return `${city}今天晴转多云，22-30°C`;
  },
  {
    name: "get_weather",
    description: "查询指定城市的实时天气",
    schema: z.object({
      city: z.string().describe("城市名称"),
    }),
  }
);

export async function createAgent() {
const model = new ChatOpenAI({
    model: "gpt-4o-mini",
    openAIApiKey: process.env.OPENAI_API_KEY,
  });

const agent = createReactAgent({
    llm: model,
    tools: [knowledgeTool, weatherTool],
    messageModifier: {
      type: "system",
      content: "你是一个前端技术AI助手，回答问题要简洁专业。",
    },
  });

return agent;
}

测试一下：

// test.ts
import { createAgent } from "./agent";
import { HumanMessage } from "@langchain/core/messages";

async function test() {
const agent = await createAgent();

const result = await agent.invoke({
    messages: [new HumanMessage("React 是什么？")],
  });

const lastMessage = result.messages[result.messages.length - 1];
console.log(lastMessage.content);
}

test();

运行：

npx tsx test.ts
# 输出：[调用 get_knowledge: "React"] React 是 Meta 开发的 UI 库...

逻辑跑通了。接下来把它包成 React 组件。

步骤二：集成到 React（智能组件）

把 Agent 逻辑包成一个 React 组件，和普通组件没区别：

// components/SmartChat.tsx
import { useState, useRef } from "react";
import { createAgent } from "../agent";
import { HumanMessage } from "@langchain/core/messages";

export function SmartChat() {
const [input, setInput] = useState("");
const [messages, setMessages] = useState<{ role: string; content: string }[]>([]);
const [isLoading, setIsLoading] = useState(false);
const agentRef = useRef(null);

// 初始化 Agent（像初始化其他资源一样）
if (!agentRef.current) {
    createAgent().then(agent => {
      agentRef.current = agent;
    });
  }

const handleSubmit = async () => {
    if (!input.trim() || !agentRef.current) return;

    setIsLoading(true);
    const userMessage = { role: "user", content: input };
    setMessages(prev => [...prev, userMessage]);
    setInput("");

    try {
      const result = await agentRef.current.invoke({
        messages: [new HumanMessage(input)],
      });

      const lastMessage = result.messages[result.messages.length - 1];
      setMessages(prev => [
        ...prev,
        { role: "assistant", content: lastMessage.content as string },
      ]);
    } catch (error) {
      console.error("Agent 调用失败:", error);
    } finally {
      setIsLoading(false);
    }
  };

return (
    <div style={{ maxWidth: 600, margin: "0 auto" }}>
      <div style={{ height: 400, overflowY: "auto", border: "1px solid #ccc", padding: 16 }}>
        {messages.map((msg, i) => (
          <div key={i} style={{ marginBottom: 12 }}>
            <strong>{msg.role === "user" ? "👤 你" : "🤖 Agent"}</strong>
            <div>{msg.content}</div>
          </div>
        ))}
        {isLoading && <div>思考中...</div>}
      </div>
      
      <div style={{ marginTop: 16, display: "flex", gap: 8 }}>
        <input
          value={input}
          onChange={e => setInput(e.target.value)}
          onKeyPress={e => e.key === "Enter" && handleSubmit()}
          style={{ flex: 1, padding: 8 }}
          placeholder="问点什么..."
        />
        <button onClick={handleSubmit} disabled={isLoading}>
          发送
        </button>
      </div>
    </div>
  );
}

这个组件可以直接放到任何 React 项目里，像使用其他组件一样。

步骤三：部署到 Vercel（一键上线）

前端开发者最熟悉的流程——push 代码，Vercel 自动部署。

// package.json
{
"name": "ai-agent-frontend",
"version": "1.0.0",
"scripts": {
    "dev": "next dev",
    "build": "next build",
    "start": "next start"
},
"dependencies": {
    "next": "^14.0.0",
    "react": "^18.2.0",
    "langchain": "^0.2.0",
    "@langchain/openai": "^0.2.0"
}
}

环境变量配置（Vercel 控制台）：

OPENAI_API_KEY=sk-xxxx
NEXT_PUBLIC_API_URL=https://your-api.com

部署：

git init
git add .
git commit -m "Initial commit: AI Agent 智能客服"
git remote add origin https://github.com/yourname/ai-agent-frontend.git
git push -u origin main

# 然后去 Vercel 控制台导入这个仓库，自动部署

三分钟后，你的 AI Agent 就上线了。

生产环境的调整

Demo 和产品的差距：

维度 Demo 产品 前端开发者怎么搞
API Key 安全 前端硬编码 后端代理 / 环境变量 Vercel Environment Variables
模型调用 直连 OpenAI 加重试 + 限流 用 Vercel Edge Functions 做代理
对话历史 内存存着 数据库持久化 用 Supabase / Firebase
监控 console.log 分布式 Trace LangSmith + Vercel Analytics
成本 不管 每轮对话计费 用 streaming 减少 token 消耗

一个完整的实战项目：智能技术文档助手

把上面所有东西串起来，做一个能用的东西——智能技术文档助手。

功能：

  1. 用户问前端技术问题

  2. Agent 先查知识库（本地 Markdown 文档）

  3. 查不到再调搜索工具

  4. 结果展示在 React 组件里

// 知识库准备（本地 Markdown）
const docs = [
  {
    title: "React 组件化",
    content: "React 的核心是组件化...",
  },
  {
    title: "Vue 响应式原理",
    content: "Vue 通过 Object.defineProperty 实现响应式...",
  },
];

// 把文档变成 Tool（不用向量库，简单搜索）
const knowledgeTool = tool(
async ({ query }) => {
    const results = docs.filter(doc =>
      doc.content.includes(query) || doc.title.includes(query)
    );
    return results.map(r => `[${r.title}] ${r.content}`).join("/n");
  },
  {
    name: "search_docs",
    description: "搜索本地技术文档",
    schema: z.object({
      query: z.string().describe("搜索关键词"),
    }),
  }
);

部署到 Vercel 后，访问 https://your-app.vercel.app，就能用了。

三天速通总结

前端开发者的 AI Agent 学习路径

图片

  • Day 1：LangChain.js 是什么、为什么前端开发者应该用、组件化思维迁移
  • Day 2：页面交互 vs Agent 交互、Tool 定义、Chain vs Agent 选型
  • Day 3：本地原型 → React 组件 → Vercel 部署，完整产品流程

如果大家是前端开发者想做 AI Agent，不用学 Python，不用换语言，现有的 TypeScript 技能直接迁移。一个 npm install langchain 就能开始。

最后

如果说程序员已经是高薪职业，那么干AI的程序员，就是高薪中的高薪。

图片

现在的市场，已经用数据给程序员指明了方向：学AI大模型，就是冲刺高薪的最优解！

图片

看着身边越来越多的同行转型大模型、拿到高薪offer，很多人心里都动了心，但真正的难题来了：零基础小白不知道从哪入门？有基础的程序员找不到系统学习路径？实战项目练手无门？面试不知道考什么？

别慌！今天就给大家整理了一份【2026年最新版】AI大模型免费学习资源包，覆盖从入门到实战、从理论到面试、从基础到进阶的全流程，所有资料均已整理归档，无冗余、无套路，免费分享给每一位想抓住AI风口的程序员和小白！

👇👇扫码免费领取全部内容👇👇

在这里插入图片描述

1、大模型系统化学习路线

在这里插入图片描述

2、大模型学习书籍&文档

在这里插入图片描述

3、AI大模型最新行业报告

在这里插入图片描述

4、大模型项目实战&配套源码

img

5、大模型大厂面试真题

img

四阶段精细化学习规划（附时间节点，可直接照做）

结合上述资源，给大家整理了一份可直接落地的四阶段学习规划，总时长约2个月，小白可循序渐进，程序员可根据自身基础调整节奏，高效掌握大模型核心能力，快速实现从“入门”到“能落地、能面试”的跨越。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

  • 大模型 AI 能干什么？
  • 大模型是怎样获得「智能」的？
  • 用好 AI 的核心心法
  • 大模型应用业务架构
  • 大模型应用技术架构
  • 代码示例：向 GPT-3.5 灌入新知识
  • 提示工程的意义和核心思想
  • Prompt 典型构成
  • 指令调优方法论
  • 思维链和思维树
  • Prompt 攻击和防范
  • …
第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

  • 为什么要做 RAG
  • 搭建一个简单的 ChatPDF
  • 检索的基础概念
  • 什么是向量表示（Embeddings）
  • 向量数据库与向量检索
  • 基于向量检索的 RAG
  • 搭建 RAG 系统的扩展知识
  • 混合检索与 RAG-Fusion 简介
  • 向量模型本地部署
  • …
第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

  • 为什么要做 RAG
  • 什么是模型
  • 什么是模型训练
  • 求解器 & 损失函数简介
  • 小实验2：手写一个简单的神经网络并训练它
  • 什么是训练/预训练/微调/轻量化微调
  • Transformer结构简介
  • 轻量化微调
  • 实验数据集的构建
  • …
第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

  • 硬件选型
  • 带你了解全球大模型
  • 使用国产大模型服务
  • 搭建 OpenAI 代理
  • 热身：基于阿里云 PAI 部署 Stable Diffusion
  • 在本地计算机运行大模型
  • 大模型的私有化部署
  • 基于 vLLM 部署大模型
  • 案例：如何优雅地在阿里云私有部署开源大模型
  • 部署一套开源 LLM 项目
  • 内容安全
  • 互联网信息服务算法备案
  • …

👇👇扫码免费领取全部内容👇👇

在这里插入图片描述

6、这些资料真的有用吗？

这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。
在这里插入图片描述
在这里插入图片描述

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

在这里插入图片描述

# 前端 # 人工智能 # 学习
Logo
AI Agent技术社区

Agent 垂直技术社区，欢迎活跃、内容共建。

更多推荐

cover

别让你的AI助手变“内鬼”：Agent安全实战与防坑指南

avatar AI Agent技术社区
cover

短剧漫剧批量译制全流程揭秘：翻译配音到成片交付服务

avatar AI Agent技术社区
cover

当 Agent 长出身体：我用魔珐星云 SDK 让 DeepSeek 拥有了 3D 具身交互躯体

avatar AI Agent技术社区