到目前為止，我們已經學會了如何在 LangChain 中進行提示設計、輸出解析、流程控制，以及工具調用等核心技巧。當這些功能能夠靈活組合時，AI 就不再只是回答問題，而是能夠完成更具挑戰性的複雜任務。
在今天的篇章中，我們要將這些技巧整合起來，挑戰一個完整的案例：具備網路搜尋能力的 AI 部落格寫手。這不僅是對前面技術的驗證，更能展示 LangChain 如何幫助 AI 連結外部世界，成為真正實用的內容生成助手。
在進入程式碼之前，我們先從整體角度來看「AI 部落格寫手」的運作方式。這個應用的核心任務，是根據使用者輸入的主題，生成一篇結構完整的文章；同時在需要的情況下，還要能即時搜尋並整合外部資料。
整體流程可以拆解成以下幾個步驟：
graph TD
A[主題輸入] --> B[需求判斷]
B -->|需要| C[資料搜尋]
C --> D[內容整合]
B -->|不需要| D
D --> E[草稿與關鍵字]
E --> F[最終輸出]
這樣的設計能讓 AI 在處理題目時更具彈性：它不再只依賴模型訓練時的靜態知識，而是能動態補充最新資訊，輸出的文章也就更符合實際應用情境與讀者需求。
在設計 AI 部落格寫手的時候，「即時搜尋」是一個關鍵能力。模型本身的知識有時候會過時，特別是遇到需要引用最新新聞、研究或產業動態時，沒有外部搜尋的幫助就難以生成可靠的內容。這時，我們就需要一個能與 LangChain 無縫整合的搜尋服務。
在眾多搜尋服務中，Tavily 是目前 LangChain 官方推薦的選擇之一，原因有以下幾點：
@langchain/tavily 套件中提供工具類別 TavilySearch，只需要幾行程式碼就能完成 Tavily Search API 的整合。換句話說，Tavily 讓我們能快速為 AI 加上「查找並整合外部知識」的能力，而不用額外花時間處理複雜的搜尋 API 或資料清洗流程。
在開始使用 Tavily Search API 之前，我們需要先準備好 API 金鑰，才能在程式中成功呼叫服務。
以下是取得 API 金鑰的步驟說明。
打開瀏覽器，進入 Tavily 官方網站。若尚未註冊帳號，請點選右上角的「Sign Up」註冊；已有帳號則點選「Log In」。
登入成功後，系統會自動導向 Dashboard 管理頁面。在這裡可以查看 API 使用情況與相關設定。
在 Dashboard 首頁的下方，可以找到「API Keys」區域。Tavily 預設會為每個帳號建立一把可用的金鑰，開發者只需將它複製下來，並妥善保存到專案的環境變數設定中，這樣之後就能在程式中安全地呼叫 Tavily Search API 了。
準備好 Tavily API 金鑰後，我們就能開始動手實作一個具備搜尋能力的 AI 部落格寫手。這個實作的核心概念是：將 LLM 與搜尋工具結合，讓模型能先決定是否需要搜尋，再將取得的結果整合成一篇完整文章。
在開始之前，請先初始化一個新的專案，命名為 blog-writer，我們將在這個專案中完成實作內容。
Note：如果你對 Node.js 專案初始化流程還不熟悉，可以先回顧 Day 01 中「建立 Node.js 專案與 TypeScript 開發環境」的內容。
建立專案環境後，請在專案根目錄中執行以下指令，安裝所需依賴套件：
npm install @langchain/core @langchain/openai @langchain/tavily dotenv ora zod
@langchain/core：LangChain 的核心模組，提供所有開發元件的共通介面與執行邏輯。@langchain/openai：LangChain 提供的 OpenAI 模型整合套件。@langchain/tavily：LangChain 官方支援的 Tavily Search API 工具整合套件。dotenv：用來讀取 .env 檔案中的環境變數，例如 API 金鑰。inquirer：建立互動式命令列介面，讓使用者可以輸入主題、確認是否繼續產生下一篇文章等。ora：在命令列介面中顯示動態的 loading 動畫與狀態提示，提升使用者體驗。zod：用來定義資料結構並驗證輸出的資料格式，確保 JSON 回傳內容符合我們預期的欄位與型別。在專案根目錄建立 .env 檔案，填入你的 OpenAI API 與 Tavily 金鑰：
OPENAI_API_KEY=sk-...
TAVILY_API_KEY=tvly-dev-...
在程式中，我們會透過 dotenv 套件自動載入 .env 檔案中的內容，並用 process.env.OPENAI_API_KEY 與 process.env.TAVILY_API_KEY 讀取這些金鑰。
為了讓程式碼易於維護與擴充，我們會將不同職責的程式碼拆分成模組化結構，如下所示：
blog-writer/
├── src/
│ ├── tools/ # 外部工具整合模組
│ │ └── search.tool.ts # Tavily Search 工具設定
│ ├── prompts/ # LLM 提示模板模組
│ │ ├── researcher.prompt.ts # 生成背景知識
│ │ ├── writer.prompt.ts # 產生文章草稿
│ │ ├── seo.prompt.ts # 產出 SEO 關鍵字
│ │ ├── editor.prompt.ts # 組合最終 Markdown 輸出
│ ├── parsers/ # LLM 輸出解析模組
│ │ ├── researcher.parser.ts # 驗證背景知識輸出
│ │ ├── writer.parser.ts # 驗證文章草稿輸出
│ │ ├── seo.parser.ts # 驗證 SEO 關鍵字輸出
│ │ └── editor.parser.ts # 處理最終 Markdown 輸出
│ └── index.ts # 程式進入點
├── package.json # 專案設定與依賴套件清單
├── tsconfig.json # TypeScript 編譯設定
└── .env # 環境變數設定
專案結構遵循模組化原則，不同功能各自獨立，便於閱讀與維護。同時具備可擴充性，例如更換搜尋服務或新增輸出格式時，只需改動對應模組即可。index.ts 則作為單一入口，負責串接所有模組並執行完整流程。
在這個專案中，我們需要一個能即時取得網路資訊的工具，來補足 LLM 在最新事件與動態資訊上的不足。
這裡我們使用 Tavily Search API，它專為 AI 應用設計，回傳的搜尋結果是結構化的資料（包含標題、URL、摘要與原始內容），比傳統搜尋引擎更方便與 LLM 整合。
請在 tools 資料夾中建立 search.tool.ts，並加入以下程式碼：
// src/tools/search.tool.ts
import { TavilySearch } from '@langchain/tavily';
export const searchTool = new TavilySearch({
tavilyApiKey: process.env.TAVILY_API_KEY,
maxResults: 5,
topic: 'general',
includeAnswer: true,
includeRawContent: true
});
在這段程式碼中，我們設定了以下參數：
tavilyApiKey：從 .env 中讀取的 API 金鑰，用來驗證請求權限。maxResults：限制回傳結果的數量，避免資料過多造成處理負擔。topic：設定搜尋的主題類別，例如 general（一般）、news（新聞）等，能提升搜尋精準度。includeAnswer：若為 true，Tavily 會自動整合搜尋結果並提供摘要，方便直接使用。includeRawContent：若為 true，會包含原始網頁的文字內容，適合需要自行進一步分析的情境。這個 searchTool 稍後會透過 LangChain 的 Tool Calling 機制綁定到 LLM，讓模型能在需要最新資訊時，自動呼叫它並取得搜尋結果。
在這個專案中，我們將 AI 賦予不同的角色任務，讓模型在各階段能以明確的身份來執行工作。這樣的設計能幫助模型專注於單一職責，並且產出符合我們需求的格式與內容。整體規劃如下：
這樣的拆分能讓各個 Prompt 責任清晰、模組化，後續若要調整文章風格或增加輸出格式，只需要修改個別檔案即可，不會影響到整體流程。
第一步是讓模型扮演「研究員」的角色，判斷主題是否需要搜尋最新資料，並將背景知識整理成標準化的 JSON 輸出。
請在 prompts 資料夾中建立 researcher.prompt.ts，並加入以下程式碼：
// src/prompts/researcher.prompt.ts
import { ChatPromptTemplate, HumanMessagePromptTemplate, SystemMessagePromptTemplate } from '@langchain/core/prompts';
export const researcherPrompt = ChatPromptTemplate.fromMessages([
SystemMessagePromptTemplate.fromTemplate(`
你是一位技術研究員，可以根據主題提供足夠的背景知識。
任務：
1. 根據主題判斷是否需要呼叫工具搜尋最新資料。
- 涉及最新資訊、時效性話題（版本、發布、價格、趨勢等）才需要搜尋。
- 如果知識已足夠，可直接回答，不必搜尋。
2. 有搜尋時，整合結果成背景知識，並列出參考資料（title + url）。
3. 無搜尋時，依你的知識整理背景知識，references 為空陣列。
4. 輸出格式：JSON，必須符合以下格式：
{format_instructions}
`),
HumanMessagePromptTemplate.fromTemplate(`
主題：{input}
請先判斷是否需要搜尋；若需要，請呼叫工具並整理背景知識後輸出 JSON。
`),
]);
這個 Prompt 的重點在於「判斷與決策」：只有在遇到時效性或需要補充資料的主題時才會呼叫 Tavily Search，否則就直接依照模型既有知識輸出結果。如此能避免不必要的 API 呼叫，並確保輸出是一份統一格式的 JSON。
第二步是讓模型扮演「部落格寫手」，根據提供的背景知識撰寫一份結構完整的文章草稿。
請在 prompts 資料夾中建立 writer.prompt.ts，並加入以下程式碼：
// src/prompts/writer.prompt.ts
import { PromptTemplate } from '@langchain/core/prompts';
export const writerPrompt = PromptTemplate.fromTemplate(`
你是一位部落格寫手，請根據以下背景知識撰寫文章。
背景知識：
{background}
輸出格式：
{format_instructions}
`);
這個 Prompt 的任務是將背景知識轉換為完整的文章內容，但此階段尚未包含 SEO 關鍵字與引用資料，專注於生成可讀性與結構兼具的初稿。
第三步是由模型扮演「SEO 專員」，從背景知識中提取 5–10 組關鍵字，方便後續用於標註或搜尋引擎優化。
請在 prompts 資料夾中建立 seo.prompt.ts，並加入以下程式碼：
// src/prompts/seo.prompt.ts
import { PromptTemplate } from '@langchain/core/prompts';
export const seoPrompt = PromptTemplate.fromTemplate(`
根據以下背景知識，產出 5–10 組 SEO 關鍵字。
背景知識：
{background}
輸出格式：
{format_instructions}
`);
透過這個步驟，文章在完成後除了具備內容完整度，還能同時兼顧 SEO 需求，增加實際應用價值。
最後一步是「編輯」的任務，將文章草稿、SEO 關鍵字與參考資料整合起來，並輸出為 Markdown 格式的最終成品。
請在 prompts 資料夾中建立 editor.prompt.ts，並加入以下程式碼：
// src/prompts/editor.prompt.ts
import { PromptTemplate } from '@langchain/core/prompts';
export const editorPrompt = PromptTemplate.fromTemplate(`
根據提供資訊 {data}，輸出 Markdown 格式的文章。
`);
這樣的輸出方式讓結果能直接應用在部落格或任何支援 Markdown 的平台，從輸入主題到最終文章形成了一個完整的自動化流程。
LLM 在不同階段會產生不同格式的回應，例如 JSON、清單或純文字。若沒有正確的驗證與解析，後續流程可能會因格式錯誤而中斷。因此，我們需要為每個主要任務設計對應的輸出解析器，確保生成結果結構正確、可安全存取，並維持整個流程的穩定性。
背景知識是文章生成的基礎，必須保證內容足夠且格式正確。這裡我們要求 background 至少 100 個字，並讓 references 保持為標題與 URL 的清單。
請在 parsers 資料夾中建立 researcher.parser.ts，並加入以下程式碼：
// src/parsers/researcher.parser.ts
import { StructuredOutputParser } from '@langchain/core/output_parsers';
import { z } from 'zod';
export const researcherParser = StructuredOutputParser.fromZodSchema(
z.object({
topic: z.string(),
background: z.string().min(100),
references: z.array(z.object({
title: z.string(),
url: z.string().url()
})).default([])
}),
);
這樣一來，不論模型是否使用搜尋工具，輸出的背景知識都會以一致的 JSON 結構呈現，並且參考資料清單符合網址格式。
文章草稿需要包含標題與主要內容，因此這裡的結構設計相對簡單。
請在 parsers 資料夾中建立 writer.parser.ts，並加入以下程式碼：
// src/parsers/writer.parser.ts
import { StructuredOutputParser } from '@langchain/core/output_parsers';
import { z } from 'zod';
export const writerParser = StructuredOutputParser.fromZodSchema(
z.object({
title: z.string(),
content: z.string(),
}),
);
這樣能保證每篇草稿至少有標題與正文，不會出現缺欄位或格式錯誤的情況。
SEO 關鍵字通常以逗號分隔字串的形式產生，因此可以直接使用 LangChain 內建的 CommaSeparatedListOutputParser。
請在 parsers 資料夾中建立 seo.parser.ts，並加入以下程式碼：
// src/parsers/seo.parser.ts
import { CommaSeparatedListOutputParser } from '@langchain/core/output_parsers';
export const seoParser = new CommaSeparatedListOutputParser();
透過這個解析器，模型回傳的字串能立即轉換為陣列，方便後續處理與使用。
最終文章需要以 Markdown 格式輸出，因此只需要一個能處理純字串的解析器即可。
請在 parsers 資料夾中建立 editor.parser.ts，並加入以下程式碼：
// src/parsers/editor.parser.ts
import { StringOutputParser } from '@langchain/core/output_parsers';
export const editorParser = new StringOutputParser();
這讓我們能直接取得乾淨的 Markdown 文字，不必再額外處理結構化資料。
最後一步，我們要把前面設計好的工具、提示模板和輸出解析器串接在一起，形成一個完整的流程，並透過 CLI 與使用者互動。
以下是 src/index.ts 的完整程式碼：
// src/index.ts
import 'dotenv/config';
import inquirer from 'inquirer';
import ora from 'ora';
import { ChatOpenAI } from '@langchain/openai';
import { RunnableSequence, RunnableParallel, RunnableLambda } from '@langchain/core/runnables';
import { searchTool } from './tools/search.tool';
import { researcherPrompt } from './prompts/researcher.prompt';
import { writerPrompt } from './prompts/writer.prompt';
import { seoPrompt } from './prompts/seo.prompt';
import { editorPrompt } from './prompts/editor.prompt';
import { researcherParser } from './parsers/researcher.parser';
import { writerParser } from './parsers/writer.parser';
import { seoParser } from './parsers/seo.parser';
import { editorParser } from './parsers/editor.parser';
const llm = new ChatOpenAI({
model: 'gpt-4o-mini',
});
const llmWithTools = llm.bindTools([searchTool]);
const chain = RunnableSequence.from([
RunnableLambda.from(async (input: string) => {
const formatInstr = researcherParser.getFormatInstructions();
const messages = await researcherPrompt.formatMessages({ input, format_instructions: formatInstr });
const aiMessage = await llmWithTools.invoke(messages);
messages.push(aiMessage);
const toolCalls = aiMessage.tool_calls || [];
if (toolCalls.length) {
for (const toolCall of toolCalls) {
const toolMessage = await searchTool.invoke(toolCall);
messages.push(toolMessage);
}
const followup = await llmWithTools.invoke(messages);
messages.push(followup);
}
const lastMessage = messages.slice(-1)[0].content as string;
return researcherParser.parse(lastMessage);
}),
RunnableParallel.from({
draft: RunnableLambda.from(async (input) => {
return await writerPrompt
.pipe(llm)
.pipe(writerParser)
.invoke({
background: input.background,
format_instructions: writerParser.getFormatInstructions(),
});
}),
keywords: RunnableLambda.from(async (input) => {
return await seoPrompt
.pipe(llm)
.pipe(seoParser)
.invoke({
background: input.background,
format_instructions: seoParser.getFormatInstructions(),
});
}),
references: RunnableLambda.from((input) => input.references),
}),
RunnableLambda.from(async (input) => {
return await editorPrompt
.pipe(llm)
.pipe(editorParser)
.invoke({
data: JSON.stringify({
title: input.draft.title,
content: input.draft.content,
keywords: input.keywords,
references: input.references,
}),
});
}),
]);
async function main() {
console.log('=== Blog Writer 已啟動 ===');
while (true) {
const { topic } = await inquirer.prompt<{ topic: string }>([
{
type: 'input',
name: 'topic',
message: '請輸入文章主題:',
filter: (v) => (v ?? '').trim(),
},
]);
if (!topic) break;
const spinner = ora('正在產生內容, 請稍候...').start();
try {
const result = await chain.invoke(topic);
spinner.succeed('完成!');
console.log('\n=== 產出結果 ===\n');
console.log(result);
console.log('\n=================\n');
} catch (err) {
spinner.fail('發生錯誤:');
console.error(err);
}
const { again } = await inquirer.prompt<{ again: boolean }>([
{
type: 'confirm',
name: 'again',
message: '要再產生一篇嗎?',
default: false,
},
]);
if (!again) break;
}
}
main().catch((e) => {
console.error(e);
process.exit(1);
});
這段程式的流程可以分為三個部分：
searchTool，最後輸出完整的背景知識 JSON。RunnableParallel 平行處理。同時，CLI 部分使用 inquirer 來接收使用者輸入與重複執行的選項，並透過 ora 提供動態的 Loading 動畫。
這樣，我們就完成了一個可以反覆使用的 AI 部落格寫手：從主題輸入到文章輸出，全流程自動化完成。
完成所有程式碼後，就可以透過以下指令啟動專案：
npm run dev
程式啟動後，終端機會提示你輸入想要撰寫的主題，例如：AI 金融。
以下是一個完整的執行範例：
=== Blog Writer 已啟動 ===
✔ 請輸入文章主題: AI 金融
✔ 完成!
=== 產出結果 ===
# AI在金融業中的革命：2025年的展望
隨著科技的迅猛發展，人工智能（AI）在金融行業的影響力日益增強。根據最新報告，2025年全球人工智能金融市場的估值預計將達到436億美元，並以34%的年增長率蓬勃發展。AI技術正逐步優化金融流程，使風險管理能力得到了顯著提升，並通過改進詐騙檢測和信用評估實現了成本的有效節省。
## AI在金融中的應用
AI在金融中的主要應用涵蓋以下幾個方面：
- **自動化的貸款審批和風險評估系統**：AI能快速分析客戶的財務狀況，從而提高貸款審批的效率。
- **精確的預測模型**：這些模型有助於金融機構預測市場趨勢和客戶行為，從而做出更準確的決策。
- **智能化的客戶服務**：通過AI聊天機器人和自動客服系統，金融機構能提供24/7的客戶服務，提升客戶體驗。
這些應用不僅提升了金融機構的運作效率，還為客戶提供了更加個性化的服務。面對市場競爭的加劇，金融機構採用AI技術已成為保持競爭優勢的重要策略之一。
## 未來展望
隨著AI技術的不斷進步，金融行業將能更有效地處理海量數據，提高服務的個性化程度，更好地滿足客戶的需求。未來，AI預計將推動整個金融行業的革新，對信貸決策、風險管理及客戶服務等所有環節帶來新的變革。
總之，AI在金融業的應用不僅是技術的進步，更是金融領域未來發展的重要驅動力。
## 參考資料
- [AI in Finance: Applications, Examples & Benefits | Google Cloud](https://cloud.google.com/discover/finance-ai)
- [20 Challenges AI Poses For The Finance World And How ... - Forbes](https://www.forbes.com/councils/forbesfinancecouncil/2025/04/29/20-challenges-ai-poses-for-the-finance-world-and-how-to-overcome-them/)
- [24 Examples of AI in Finance 2025 | Built In](https://builtin.com/artificial-intelligence/ai-finance-banking-applications-companies)
- [Top 20 AI in Finance Case Studies [2025] - DigitalDefynd](https://digitaldefynd.com/IQ/ai-in-finance-case-studies/)
- [How artificial intelligence is reshaping the financial services industry](https://www.ey.com/en_gr/insights/financial-services/how-artificial-intelligence-is-reshaping-the-financial-services-industry)
---
關鍵字：AI金融應用, 金融風險管理, 詐騙檢測技術, 信用評估系統, 自動化貸款審批, 個性化金融服務, AI在金融市場, 金融科技創新, 預測模型應用, 金融行業數據處理
=================
? 要再產生一篇嗎? (y/N)
如上所示，程式會自動完成以下流程：
這樣，你就擁有一個可以根據任意主題快速產出文章的 AI 部落格寫手，並能依需求多次重複使用。
今天我們把前面學到的 提示模板、輸出解析、流程控制、工具調用 等技巧整合起來，完成了一個具備 即時搜尋能力的 AI 部落格寫手：
inquirer、ora）提供互動體驗。透過這個案例，我們看到 LangChain 不只是單純的 LLM 包裝，而是能把 AI、外部工具與應用流程整合起來，真正打造出實用且可持續擴充的內容生產助手。
iThome鐵人賽
看影片追技術