Langchain.js

认识 Langchain.js 的定位、核心模块（langchain-core / langchain / community）与整体生态

用 npm 安装依赖、配置 API Key，并跑通第一个调用模型的链

理解 Chat Models 的消息类型、常用参数与流式调用

使用 ChatPromptTemplate 与 FewShot 模板，把提示词结构化、参数化

用 String / JSON / Structured 解析器把模型文本转为可用数据结构

理解 LLMChain 与 SequentialChain，把多个步骤组合成可复用流程

用 pipe 语法、RunnableSequence 与并行/回退，组合出灵活的 Runnable 链

用 Document Loaders 加载 PDF / 网页 / Markdown 等外部知识源

用 RecursiveCharacterTextSplitter 等切分器把长文档切成适合检索的块

用 Embeddings 把文本转为向量，并存入 MemoryVectorStore / PGVector 等向量库

用 VectorStoreRetriever 与 ParentDocumentRetriever 把知识库接进链

用 createToolCallingAgent 与自定义 Tool，让模型自主决定调用外部能力

用 BufferMemory 与 ConversationSummaryMemory 让对话记住上下文

用 CallbackHandler 监听链条事件，并接入 LangSmith 做全链路追踪

在 Next.js API Route 中调用 Langchain，并避免服务端密钥泄露

用 streamEvents / .stream() 实现逐字渲染，提升用户体验

端到端构建一个基于 RAG 的文档问答 Bot（加载→切分→向量→检索→回答）

端到端构建一个能查天气、算账、搜文档的多工具 Agent 助手

用 OutputFixingParser、RetryOutputParser、XMLOutputParser 与流式解析应对脏输出与结构化需求

用 ContextualCompressionRetriever 与 MultiQueryRetriever 提纯上下文、提升召回

用 SelfQueryRetriever 让模型生成元数据过滤，用 EnsembleRetriever 融合语义与关键词

用 StateGraph 定义节点、边与条件路由，编排可循环、可中断的多步 AI 流程

用 langserve 的 addRoute 把 Runnable 一键暴露成带流式与 Playground 的 REST 接口

用 LangSmith 数据集与 evaluate 对链做回归测试与自动化评分

用 UnstructuredLoader 解析 PDF/PPT/HTML 等多格式文件，并做元素级清洗