NipGeihou's blog NipGeihou's blog
  • Java

    • 开发规范
    • 进阶笔记
    • 微服务
    • 快速开始
    • 设计模式
  • 其他

    • Golang
    • Python
    • Drat
  • Redis
  • MongoDB
  • 数据结构与算法
  • 计算机网络
  • 应用

    • Grafana
    • Prometheus
  • 容器与编排

    • KubeSphere
    • Kubernetes
    • Docker Compose
    • Docker
  • 组网

    • TailScale
    • WireGuard
  • 密码生成器
  • 英文单词生成器
  • 随机端口生成器
  • 常用软件
  • Git仓库推荐
🍳烹饪
🧑‍💻关于
  • 分类
  • 标签
  • 归档
搜索

NipGeihou

我见青山多妩媚,料青山见我应如是
  • Java

    • 开发规范
    • 进阶笔记
    • 微服务
    • 快速开始
    • 设计模式
  • 其他

    • Golang
    • Python
    • Drat
  • Redis
  • MongoDB
  • 数据结构与算法
  • 计算机网络
  • 应用

    • Grafana
    • Prometheus
  • 容器与编排

    • KubeSphere
    • Kubernetes
    • Docker Compose
    • Docker
  • 组网

    • TailScale
    • WireGuard
  • 密码生成器
  • 英文单词生成器
  • 随机端口生成器
  • 常用软件
  • Git仓库推荐
🍳烹饪
🧑‍💻关于
  • 分类
  • 标签
  • 归档
搜索
  • LLM

  • LangChain

    • LangChain概述
      • 1 大语言模型的局限性
        • 1.1 知识受限于训练数据
        • 1.2 无法直接与外部系统交互
        • 1.3 不具备状态保持能力
      • 2 LangChain是什么
      • 3 LangChain的应用场景
        • 3.1 检索增强生成 (RAG)
        • 3.2 Agent 智能体构建
        • 3.3 对话系统与聊天机器人
        • 3.4 多模态应用开发
        • 3.5 自动化写作与格式化生成
        • 3.6 数据连接与结构化处理
      • 4 LangChain家族四大支柱
        • 4.1 LangChain:智能体开发的基石
        • 4.2 LangGraph:复杂工作流的编排引擎
        • 4.3 Deep Agent:智能体的执行框架
        • 4.4 LangSmith:可视化监控与测试平台
    • LangChain安装
    • 大模型应用场景
    • 模型的创建与调用
  • 分享

  • AI
  • LangChain
NipGeihou
2026-10-30
目录

LangChain概述

  • 官网:https://www.langchain.com/
  • Github 地址:https://github.com/langchain-ai (opens new window)
  • 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

# 1 大语言模型的局限性

# 1.1 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。

# 1.2 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

# 1.3 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

# 2 LangChain 是什么

image.png

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。

# 3 LangChain 的应用场景

32d8082a-fd84-49ac-eb5f-bc8e234b04fa.png

# 3.1 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。

  • 大模型的知识冻结:大模型受限于训练时间,无法得知训练时间后的知识
  • 大模型幻觉:涉及大模型未训练到的信息,大模型无法给出准确的答复,转而开始臆想和编造答案(一脸正经的胡说八道) 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。

# 3.2 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。

# 3.3 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。

# 3.4 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。

# 3.5 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。

# 3.6 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。

# 4 LangChain 家族四大支柱

60ec229a-1add-4523-ffe7-c7278a5c47c8.png

# 4.1 LangChain:智能体开发的基石

# 4.2 LangGraph:复杂工作流的编排引擎

# 4.3 Deep Agent:智能体的执行框架

# 4.4 LangSmith:可视化监控与测试平台

上次更新: 2026/11/05, 01:29:52
Prompt Engineering
LangChain安装

← Prompt Engineering LangChain安装→

最近更新
01
模型的创建与调用
11-08
02
大模型应用场景
11-06
03
多AP漫游优化
11-05
更多文章>
Theme by Vdoing | Copyright © 2018-2026 NipGeihou | 友情链接
  • 跟随系统
  • 浅色模式
  • 深色模式
  • 阅读模式