本专题聚焦于 AI 应用开发的核心技术栈，从大语言模型基础到工程化落地，系统性讲解如何构建生产级 AI 应用。
LangChain 是当前最流行的 LLM 应用开发框架，本系列从零开始，带你掌握 LangChain 的核心组件和实战技巧。
LangChain 是一个用于开发由大语言模型（LLM）驱动的应用程序的开源框架。它提供了一套标准化的接口和组件，帮助开发者将 LLM 与外部数据源、工具和计算能力结合起来，构建复杂的 AI 应用。
简单来说，如果 LLM 是一个「大脑」，LangChain 就是连接这个大脑与外部世界的「神经系统」。
直接调用 LLM API 看起来很简单，但当你需要构建真实应用时，会面临一系列问题：
| 问题 | 直接调用 API | 使用 LangChain |
|---|---|---|
| 多模型切换 | 每次都要改代码 | 统一接口，一行切换 |
| 提示词管理 | 字符串拼接，难以维护 | 模板化管理，支持变量 |
| 上下文记忆 | 手动管理历史消息 | 内置多种记忆组件 |
| 外部数据接入 | 自己写检索和拼接逻辑 | RAG 管道开箱即用 |
| 复杂工作流 | 嵌套调用，代码混乱 | 声明式链式调用 |
| 输出格式控制 | 提示词赌运气，解析靠手写 | 结构化输出 + 自动解析 |
LangChain 的设计围绕六个核心模块展开，每个模块解决 LLM 应用开发中的一个关键问题：
| 模块 | 英文名 | 解决的问题 | 类比 |
|---|---|---|---|
| 模型 I/O | Model I/O | 如何统一调用不同模型 | 翻译官 |
| 提示词 | Prompts | 如何管理和复用提示词 | 模板 |
| 输出解析 | Output Parsers | 如何让模型输出结构化数据 | 数据校验器 |
| 链 | Chains | 如何编排多步骤工作流 | 流水线 |
| 记忆 | Memory | 如何管理对话上下文 | 笔记本 |
| 检索 | Retrieval | 如何接入外部知识 | 图书馆 |
| 代理 | Agents | 如何让模型自主决策 | 管家 |
LangChain 中有两种模型类型，现在主流使用 Chat Model：
from langchain_openai import ChatOpenAI
# Chat Model — 推荐方式
chat_model = ChatOpenAI(model="gpt-4o-mini")
# 传入字符串（会自动转为 HumanMessage）
response = chat_model.invoke("你好")
# 传入消息列表（更灵活）
from langchain_core.messages import SystemMessage, HumanMessage
response = chat_model.invoke([
SystemMessage(content="你是一个友好的助手"),
HumanMessage(content="你好"),
])
当你调用大语言模型时，模型的返回值是一个 AIMessage 对象，其中的 content 字段是一段纯文本字符串。这段文本可能包含多余的解释、格式不规范的标记、甚至一些「废话」。在简单对话场景中这没什么问题，但当你要构建一个自动化工作流时，就会遇到严重的问题：
from langchain_openai import ChatOpenAI
llm = ChatOpenAI(model="gpt-4o-mini", temperature=0)
response = llm.invoke("列出三种编程语言的名称")
print(response.content)
# 你可能期望得到：Python, Java, Go
# 但实际输出可能是：
# "当然！以下是三种常见的编程语言：\n\n1. Python\n2. Java\n3. Go\n\n这三种语言各有特色..."
在实际的 AI 应用中，单一的模型调用往往无法满足复杂的业务需求。我们通常需要将多个步骤串联起来：先格式化提示词，再调用模型，最后解析输出。这种将多个组件按顺序连接起来、前一步的输出作为后一步的输入的工作方式，就是链式调用（Chaining）。
如果说 LLM 是一个强大的「计算单元」，那么链式调用就是将这些计算单元、预处理步骤和后处理步骤组装成完整「流水线」的机制。
| 需求 | 不使用链式调用 | 使用链式调用 |
|---|---|---|
| 多步骤处理 | 手动调用、手动传参 | 自动传递数据 |
| 代码复用 | 复制粘贴，难以维护 | 组合子链，灵活拼接 |
| 流式输出 | 需要自己实现缓冲和推送 | 原生支持 stream |
| 异步执行 | 手动管理 async/await | 自动异步调度 |
| 并行分支 | 手动开线程或协程 | RunnableParallel 声明式并行 |
| 调试追踪 | 到处加 print | 内置回调与追踪 |
大语言模型本身是无状态的——每次调用都是独立的，模型不会记住上一次的对话内容。这意味着如果不做处理，模型完全不知道之前聊了什么：
from langchain_openai import ChatOpenAI
from langchain_core.messages import HumanMessage
llm = ChatOpenAI(model="gpt-4o-mini")
# 第一次对话
response1 = llm.invoke([HumanMessage(content="我叫小明，我今年25岁")])
print(response1.content)
# 输出：你好小明！很高兴认识你...
# 第二次对话——模型完全不记得之前的信息
response2 = llm.invoke([HumanMessage(content="我叫什么名字？")])
print(response2.content)
# 输出：抱歉，我不知道你的名字...（因为没有传入历史对话）
大语言模型虽然能力强大，但存在三个根本性局限：
RAG（Retrieval-Augmented Generation，检索增强生成）的核心思路：在 LLM 回答问题之前，先从外部知识库中检索相关信息，然后让 LLM 基于检索到的事实来生成回答。
| 方式 | 原理 | 类比 |
|---|---|---|
| 纯 LLM | 模型凭记忆回答 | 开卷考试（但不一定对） |
| Fine-tuning | 重新训练模型 | 重新上课学习 |
| RAG | 检索资料后回答 | 开卷考试，先查资料再答题 |
在 LangChain 的体系中，Agent（智能代理） 是一种能够自主决策、选择工具并执行操作的智能系统。与传统的 Chain（链）不同，Agent 不需要预先定义固定的执行流程，而是根据用户的输入动态决定下一步该做什么。
| 特性 | Chain（链） | Agent（代理） |
|---|---|---|
| 执行流程 | 固定、预定义 | 动态、自主决策 |
| 工具使用 | 固定步骤 | 按需选择工具 |
| 灵活性 | 低，确定性输出 | 高，根据输入自适应 |
| 适用场景 | 结构化任务 | 开放性、多步骤任务 |
| 调试难度 | 简单 | 较复杂 |
| 成本控制 | 容易预估 | 需要额外策略 |
| 典型应用 | RAG 问答、翻译流水线 | 研究助手、代码生成、数据分析 |
经过前面八个章节的学习，我们已经掌握了 LangChain 的核心概念、模型调用、提示词工程、输出解析、文档加载、向量存储、链式调用（LCEL）、记忆机制、检索增强生成（RAG）以及 Agent 智能代理等关键技能。本章将把这些知识融会贯通，从零构建一个完整的 智能知识库助手（Smart Knowledge Base Assistant）项目。
构建一个基于 RAG + Agent 架构的智能知识库助手，具备以下核心能力：