• 官网：https://www.langchain.com/
• Github 地址：https://github.com/langchain-ai
• 中文文档地址：https://docs.langchain.org.cn/oss/python/langchain/overview
• 英文文档地址：https://docs.langchain.com/oss/python/langchain/overview

大语言模型的局限性

知识受限于训练数据

大模型中的 “大”，主要指的是 语料非常庞大，但语料庞大，就会有 收集的时间节点。 例如，语料截止到 2023 年年底，基于这些语料训练产生大模型。如果问 2023 年之后 的新知识，比如后续发生的世界杯、奥运会，大模型在交互时就完全不懂。

无法直接与外部系统交互

大模型天然：

• 不能联系互联网
• 不能调用外部 API
• 不能访问数据库

Note

ChatGPT、豆包之所以可以，是因为它们是基于大模型的上层应用，实现了联网能力，而非真正意义的大模型

不具备状态保持能力

• 大模型天然不具备 上下文记忆能力，每一次原始问答都是独立的

LangChain 是什么

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、集成外部工具和数据源，快递搭建具备推理、行动能力的智能体。

LangChain 的应用场景

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。

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。

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。

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。

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。

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。