第01章：LangChain 1.2 概述

1、为什么需要LangChain？

1.1 从传统应用到智能体时代

1.2 单一的大语言模型的局限性

所以要构建真正实用的AI应用，必须将大语言模型与外部工具、数据源和记忆机制有机结合，从而催生 了LangChain框架的设计理念。

LangChain，是当前构建生产级 AI 智能体系统的首选。

1.3 LangChain框架的定位

LangChain 作为大模型与应用间的中间层，可统一调用各类大模型、管理提示词与上下文，还能 集成外部工具和数据源，快速搭建具备推理、行动能力的智能体。

核心定位三点：

1. 打通大模型与外部资源：统一接口对接数据库、检索引擎、API、文件系统等；

2. 封装底层复杂逻辑：抽象工具调用、记忆等能力，降低智能体开发难度；

3. 支撑多智能体协作：依托 LangGraph 等生态，从单智能体拓展至多智能体协作，可构建工业 级智能体。

1.4 LangChain的应用场景

1. 检索增强生成 (RAG)
   痛点： 解决大模型知识滞后（无实时数据）和幻觉问题。
   功能： 检索外部知识库（文档/数据库）并向量化，让模型基于最新、最相关的资料回答。
2. Agent 智能体构建
   痛点： 解决 LLM 无法直接执行复杂任务的问题。
   功能： 将模型作为“推理引擎”，自主规划路径并动态调用外部工具（如订票、查报告、写 SQL），
   实现复杂任务。
3. 对话系统与聊天机器人
   痛点： 解决多轮对话中的“记忆”流失问题。
   功能： 集成记忆管理系统，记住用户偏好和历史交互，并结合私有数据（如教育教材、订单库）提
   供专业服务。
4. 多模态应用开发
   痛点： 跨越单一文本交互的限制。
   功能： 融合图像识别、语音转文字等技术，让模型具备处理音视频和图片的综合推理能力。
5. 自动化写作与格式化生成
   痛点： 解决生成内容格式不标准、质量不稳定的问题。
   功能： 配合提示词模板（Templates）与输出解析器（Parsers），自动产出规范的报告、合同或
   邮件。
6. 数据连接与结构化处理
   痛点： 解决非结构化数据难以被模型直接利用的问题。
   功能： 强大的数据连接能力使大模型能够与各种数据源和结构化数据交互。比如，从 PDF、Excel
   中提取关键信息，或实现自然语言与 SQL 的自动转换。

1.5 大模型相关岗位介绍

应用开发是大模型最值得关注的方向：应用为王！

学习LangChain框架，高效开发大模型应用。