与 Google Cloud Platform 和 AI Studio 相关的功能。

聊天模型

Gemini 模型

通过 ChatGoogleGenerativeAI 类访问 Gemini 模型，例如 gemini-2.5-pro 和 gemini-2.0-flex。如果使用 VertexAI，则通过 ChatVertexAI 类访问。

有关安装 LangChain 包的通用说明，请参阅此部分。

GenAI

VertexAI

npm

npm install @langchain/google-genai @langchain/core

配置您的 API 密钥。

export GOOGLE_API_KEY=your-api-key

import { ChatGoogleGenerativeAI } from "@langchain/google-genai";

const model = new ChatGoogleGenerativeAI({
  model: "gemini-pro",
  maxOutputTokens: 2048,
});

// 也支持批量处理和流式处理
const res = await model.invoke([
  [
    "human",
    "What would be a good company name for a company that makes colorful socks?",
  ],
]);

较新的 Gemini 模型支持图像输入：

const visionModel = new ChatGoogleGenerativeAI({
  model: "gemini-2.5-flash-lite",
  maxOutputTokens: 2048,
});
const image = fs.readFileSync("./hotdog.jpg").toString("base64");
const input2 = [
  new HumanMessage({
    content: [
      {
        type: "text",
        text: "Describe the following image.",
      },
      {
        type: "image_url",
        image_url: `data:image/png;base64,${image}`,
      },
    ],
  }),
];

const res = await visionModel.invoke(input2);

点击此处查看 @langchain/google-genai 特定的集成文档

image_url 的值必须是 base64 编码的图像（例如，data:image/png;base64,abcd124）。

Gemma

通过 AI Studio 使用 ChatGoogle 类访问 gemma-3-27b-it 模型。 （此类是 ChatVertexAI 类的超类，可与 Vertex AI 和 AI Studio API 一起使用。）

由于 Gemma 是一个开源模型，它也可能在其他平台上可用，包括 Ollama。

npm

npm install @langchain/google-gauth @langchain/core

配置您的 API 密钥。

export GOOGLE_API_KEY=your-api-key

import { ChatGoogle } from "@langchain/google-gauth";

const model = new ChatGoogle({
  model: "gemma-3-27b-it",
});

const res = await model.invoke([
  {
    role: "user",
    content:
      "What would be a good company name for a company that makes colorful socks?",
  },
]);

第三方模型

有关通过 Vertex AI 设置身份验证以使用这些模型的信息，请参阅上文。

Anthropic 的 Claude 模型也可以通过 Vertex AI 平台使用。有关启用模型访问权限和要使用的模型名称的更多信息，请参阅此处。

PaLM 模型不再受支持。

向量存储

Vertex AI Vector Search

Vertex AI Vector Search（以前称为 Vertex AI Matching Engine）提供了业界领先的高规模、低延迟向量数据库。这些向量数据库通常被称为向量相似性匹配或近似最近邻（ANN）服务。

import { MatchingEngine } from "@langchain/community/vectorstores/googlevertexai";

Postgres 向量存储

@langchain/google-cloud-sql-pg 包中的 PostgresVectorStore 模块提供了一种使用 CloudSQL for PostgreSQL 通过该类存储向量嵌入的方法。

$ yarn add @langchain/google-cloud-sql-pg

设置您的环境变量：

PROJECT_ID="your-project-id"
REGION="your-project-region"
INSTANCE_NAME="your-instance"
DB_NAME="your-database-name"
DB_USER="your-database-user"
PASSWORD="your-database-password"

通过 PostgresEngine 类创建数据库连接：

const engine: PostgresEngine = await PostgresEngine.fromInstance(
  process.env.PROJECT_ID ?? "",
  process.env.REGION ?? "",
  process.env.INSTANCE_NAME ?? "",
  process.env.DB_NAME ?? "",
  peArgs
);

初始化向量存储表：

await engine.initVectorstoreTable(
  "my_vector_store_table",
  768,
  vectorStoreArgs
);

创建向量存储实例：

const vectorStore = await PostgresVectorStore.initialize(
  engine,
  embeddingService,
  "my_vector_store_table",
  pvectorArgs
);

工具

Google 搜索

• 按照这些说明设置自定义搜索引擎。
• 从上一步获取 API 密钥和自定义搜索引擎 ID，并分别将它们设置为环境变量 GOOGLE_API_KEY 和 GOOGLE_CSE_ID。

存在一个 GoogleCustomSearch 工具，它封装了此 API。要导入此工具：

import { GoogleCustomSearch } from "@langchain/community/tools/google_custom_search";

我们可以轻松地将此包装器作为工具加载（与智能体一起使用）。我们可以这样做：

const tools = [new GoogleCustomSearch({})];
// 将此变量传递给您的智能体。