> ## Documentation Index
> Fetch the complete documentation index at: https://langchain-zh.cn/llms.txt
> Use this file to discover all available pages before exploring further.

# 如何设置 JavaScript 应用程序

应用程序必须配置一个[配置文件](/langsmith/cli#configuration-file)才能部署到 LangSmith（或进行自托管）。本操作指南讨论了使用 `package.json` 指定项目依赖项来设置 JavaScript 应用程序以进行部署的基本步骤。

本教程基于[此仓库](https://github.com/langchain-ai/langgraphjs-studio-starter)，你可以通过它来了解更多关于如何设置应用程序以进行部署的信息。

最终的仓库结构将类似于：

```bash theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
my-app/
├── src # 所有项目代码位于此处
│   ├── utils # 可选，用于图的工具函数
│   │   ├── tools.ts # 图的工具
│   │   ├── nodes.ts # 图的节点函数
│   │   └── state.ts # 图的状态定义
│   └── agent.ts # 构建图的代码
├── package.json # 包依赖项
├── .env # 环境变量
└── langgraph.json # LangGraph 的配置文件
```

<Tip>
  LangSmith Deployment 支持部署 [LangGraph](/oss/python/langgraph/overview) 的\_图\_。然而，图的\_节点\_实现可以包含任意代码。这意味着任何框架都可以在节点中实现并部署到 LangSmith Deployment 上。这使得您能够在不使用额外 LangGraph OSS APIs 的情况下实现核心应用逻辑，同时仍使用 LangSmith 进行 [部署](/langsmith/deployment)、扩展和 [可观测性](/langsmith/observability)。如需了解更多详情，请参阅 [使用任何框架与 LangSmith Deployment](/langsmith/application-structure#use-any-framework-with-langsmith-deployment)。
</Tip>

每个步骤后，都会提供一个示例文件目录，以演示代码如何组织。

## 指定依赖项

依赖项可以在 `package.json` 中指定。如果这些文件尚未创建，则可以在稍后的[配置文件](#创建-api-配置)中指定依赖项。

示例 `package.json` 文件：

```json theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
{
  "name": "langgraphjs-studio-starter",
  "packageManager": "yarn@1.22.22",
  "dependencies": {
    "@langchain/community": "^0.2.31",
    "@langchain/core": "^0.2.31",
    "@langchain/langgraph": "^0.2.0",
    "@langchain/openai": "^0.2.8"
  }
}
```

部署应用程序时，将使用你选择的包管理器安装依赖项，前提是它们符合以下列出的兼容版本范围：

```
"@langchain/core": "^0.3.42",
"@langchain/langgraph": "^0.2.57",
"@langchain/langgraph-checkpoint": "~0.0.16",
```

示例文件目录：

```bash theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
my-app/
└── package.json # 包依赖项
```

## 指定环境变量

环境变量可以选择性地在文件中指定（例如 `.env`）。请参阅[环境变量参考](/langsmith/env-var)以配置部署的其他变量。

示例 `.env` 文件：

```
MY_ENV_VAR_1=foo
MY_ENV_VAR_2=bar
OPENAI_API_KEY=key
TAVILY_API_KEY=key_2
```

示例文件目录：

```bash theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
my-app/
├── package.json
└── .env # 环境变量
```

## 定义图

实现你的图。图可以在单个文件或多个文件中定义。注意每个要包含在应用程序中的已编译图的变量名。这些变量名将在稍后创建[配置文件](/langsmith/cli#configuration-file)时使用。

以下是示例 `agent.ts`：

```ts theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
import type { AIMessage } from "@langchain/core/messages";
import { TavilySearchResults } from "@langchain/community/tools/tavily_search";
import { ChatOpenAI } from "@langchain/openai";

import { MessagesAnnotation, StateGraph } from "@langchain/langgraph";
import { ToolNode } from "@langchain/langgraph/prebuilt";

const tools = [new TavilySearchResults({ maxResults: 3 })];

// 定义调用模型的函数
async function callModel(state: typeof MessagesAnnotation.State) {
  /**
   * 调用驱动我们代理的 LLM。
   * 请随意自定义提示、模型和其他逻辑！
   */
  const model = new ChatOpenAI({
    model: "gpt-4.1",
  }).bindTools(tools);

  const response = await model.invoke([
    {
      role: "system",
      content: `你是一个乐于助人的助手。当前日期是 ${new Date().getTime()}。`,
    },
    ...state.messages,
  ]);

  // MessagesAnnotation 支持返回单个消息或消息数组
  return { messages: response };
}

// 定义决定是否继续的函数
function routeModelOutput(state: typeof MessagesAnnotation.State) {
  const messages = state.messages;
  const lastMessage: AIMessage = messages[messages.length - 1];
  // 如果 LLM 正在调用工具，则路由到工具节点。
  if ((lastMessage?.tool_calls?.length ?? 0) > 0) {
    return "tools";
  }
  // 否则结束图。
  return "__end__";
}

// 定义新图。
// 有关定义自定义图状态的更多信息，请参阅
// https://langchain-ai.github.io/langgraphjs/how-tos/define-state/#getting-started
const workflow = new StateGraph(MessagesAnnotation)
  // 定义我们将在其间循环的两个节点
  .addNode("callModel", callModel)
  .addNode("tools", new ToolNode(tools))
  // 将入口点设置为 `callModel`
  // 这意味着该节点是第一个被调用的节点
  .addEdge("__start__", "callModel")
  .addConditionalEdges(
    // 首先，我们定义边的源节点。我们使用 `callModel`。
    // 这意味着这些边是在 `callModel` 节点被调用后采取的。
    "callModel",
    // 接下来，我们传入将确定目标节点的函数，
    // 该函数将在源节点被调用后调用。
    routeModelOutput,
    // 条件边可以路由到的可能目的地列表。
    // 这是条件边在 Studio 中正确渲染图所必需的
    ["tools", "__end__"]
  )
  // 这意味着在 `tools` 被调用后，下一个调用 `callModel` 节点。
  .addEdge("tools", "callModel");

// 最后，我们编译它！
// 这将编译成一个你可以调用和部署的图。
export const graph = workflow.compile();
```

示例文件目录：

```bash theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
my-app/
├── src # 所有项目代码位于此处
│   ├── utils # 可选，用于图的工具函数
│   │   ├── tools.ts # 图的工具
│   │   ├── nodes.ts # 图的节点函数
│   │   └── state.ts # 图的状态定义
│   └── agent.ts # 构建图的代码
├── package.json # 包依赖项
├── .env # 环境变量
└── langgraph.json # LangGraph 的配置文件
```

## 创建 API 配置

创建一个名为 `langgraph.json` 的[配置文件](/langsmith/cli#configuration-file)。有关配置文件中 JSON 对象每个键的详细说明，请参阅[配置文件参考](/langsmith/cli#configuration-file)。

示例 `langgraph.json` 文件：

```json theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
{
  "node_version": "20",
  "dockerfile_lines": [],
  "dependencies": ["."],
  "graphs": {
    "agent": "./src/agent.ts:graph"
  },
  "env": ".env"
}
```

注意，`CompiledGraph` 的变量名出现在顶级 `graphs` 键的每个子键值的末尾（即 `:<变量名>`）。

<Info>
  **配置文件位置**
  配置文件必须放置在与包含已编译图及相关依赖项的 TypeScript 文件相同或更高级别的目录中。
</Info>

## 下一步

设置好项目并将其放入 GitHub 仓库后，就可以[部署你的应用程序](/langsmith/deployment-quickstart)了。

***

<div className="source-links">
  <Callout icon="edit">
    [Edit this page on GitHub](https://github.com/langchain-ai/docs/edit/main/src/i18n\zh-CN\langsmith\setup-javascript.mdx) or [file an issue](https://github.com/langchain-ai/docs/issues/new/choose).
  </Callout>

  <Callout icon="terminal-2">
    [Connect these docs](/use-these-docs) to Claude, VSCode, and more via MCP for real-time answers.
  </Callout>
</div>