🎬 个人主页：艾莉丝努力练剑

❄专栏传送门：《C语言》《数据结构与算法》《C/C++干货分享&学习过程记录》
《Linux操作系统编程详解》《笔试/面试常见算法：从基础到进阶》《Python干货分享》

⭐️为天地立心，为生民立命，为往圣继绝学，为万世开太平

文章目录

• 一、 框架引入
• 整体学习框架导入语
• 思维导图

• 1.1 课程定位与核心命题
• 1.2 LangChain 与 AI 应用、AI 模型的关系
• 1.2.1 实际 AI 应用的典型形态
• 1.2.2 AI 应用调用模型的路径类比

• 1.3.1 DeepSeek 案例：应用与模型的分层
• 1.3.2 原生 API 调用实现方法
• 1.3.3 原生 API 返回结果结构
• 1.3.4 原生 API 调用的核心问题

• 2.1 大模型的宏观理解
• 2.2 大模型的核心能力
• 2.3 核心问题

• 核心考点深度总结

一、 框架引入

整体学习框架导入语

这篇文章为 LangChain 体系化学习的前言与宏观认知章节，核心目标是建立 “大模型 - LangChain-AI 应用” 三层架构的完整认知链路，厘清原生 API 调用与框架封装调用的本质差异，明确 LangChain 作为 AI 应用开发桥梁的核心价值，同时建立对大模型能力边界与缺陷的基础认知，为后续深入学习 LangChain 组件、智能体开发打下严谨的底层逻辑基础。本章从实际 AI 应用案例切入，通过类比方法拆解技术路径，最终落脚于 “如何将大模型转化为可融入业务流程的智能体” 这一核心命题，是整个 LangChain 知识体系的认知起点。

思维导图

+ 前言：LangChain宏观认知与学习框架
  |- 宏观认识LangChain
  |  |- 课程定位：零基础可上手
  |  |- 核心定位：连接AI模型与AI应用的桥梁
  |  |- AI应用调用模型的两类路径
  |  |  |- 原生API调用：趟水过溪
  |  |  `- 框架封装调用：走桥过溪
  |  |- 典型案例
  |  |  |- 豆包：生成类AI应用
  |  |  `- DeepSeek：客户端应用与开放API
  |  |- 概念区分：AI应用 ≠ 原生AI模型
  |  `- LangChain核心价值：封装流程、简化调用、扩展能力
  |- 宏观认识大模型
  |  |- 宏观类比：数字巨人、人类大脑、超级学霸
  |  |- 核心能力：泛化能力、逻辑推理能力
  |  `- 核心痛点：缺乏感知、行动与记忆能力，无法直接融入业务流程
  |- 大模型篇章学习要点
  |  |- 理解工作原理与能力边界
  |  |- 认知固有缺陷（如幻觉问题）
  |  `- 建立问题翻译的思维框架
  `- 补充说明：原生大模型正在逐步完善自身缺陷

1 ~> 宏观认识 LangChain

1.1 课程定位与核心命题

本课程面向零基础学习者，核心围绕 “如何基于 LangChain 开发实际 AI 应用” 展开。AI 应用的落地本质是解决 “AI 模型能力如何与业务场景结合” 的问题，而 LangChain 是衔接 AI 模型底层能力与上层 AI 应用的核心开发框架之一。

1.2 LangChain 与 AI 应用、AI 模型的关系

1.2.1 实际 AI 应用的典型形态

实际 AI 应用是面向终端用户、具备完整交互逻辑与场景功能的产品，主要分为两类典型形态：

1. 聊天类应用：如智能人工客服，核心能力是多轮对话交互与问题解答。
2. 生成类应用：如豆包、DeepSeek 客户端，覆盖文本生成、图像生成、多模态创作等能力。

以图像生成为例，终端用户只需输入自然语言描述、选择风格与比例参数，即可获得生成结果；产品层封装了参考图融合、多图拼接、模板匹配等复杂逻辑，用户无需感知底层模型的调用细节。

1.2.2 AI 应用调用模型的路径类比

AI 应用调用底层 AI 模型的过程可类比为 “过河”：AI 模型位于河的对岸，AI 应用需要抵达对岸才能调用模型能力，存在两种通行方法：

• 趟水过河：直接通过原生 API 调用 AI 模型，存在开发成本高、能力扩展难、流程封装复杂等问题，类比为 “打湿鞋子”。
• 过桥过河：通过 LangChain 等开发框架间接调用模型，框架封装了底层调用逻辑、提供了丰富的扩展组件，类比为平稳通行的桥梁。

1.3 原生 API 调用模式：趟水过溪

1.3.1 DeepSeek 案例：应用与模型的分层

DeepSeek 客户端属于面向用户的 AI 应用，而非模型本身。客户端提供了对话交互、深度思考、联网搜索等产品化功能，其底层调用的是 DeepSeek 官方提供的大模型 API。开发者可直接通过 HTTP 接口原生调用模型能力，无需依赖第三方框架。

DeepSeek 开放 API 具备以下基础特性：

• 接口格式与 OpenAI API 兼容，支持通过修改 base_url 适配现有 OpenAI 生态工具。
• 官方主接口地址为https://api.deepseek.com，兼容格式地址为https://api.deepseek.com/v1，其中v1为接口版本标识，与模型版本无关。
• 支持流式输出与非流式输出两种模式，通过stream参数控制。
• 提供模型版本迭代、Token 用量统计、密钥管理、账单结算等配套能力。

1.3.2 原生 API 调用实现方式

原生调用基于 HTTP POST 请求实现，接口路径为/chat/completions，核心配置包含请求头与请求体两部分：

1. 请求头（Headers）
Content-Type: application/json：指定请求体格式为 JSON。
2. Authorization: Bearer {api_key}：携带身份校验密钥，用于接口鉴权与用量统计。

请求体（Body）核心参数

1. model：指定调用的模型名称，如deepseek-chat。
2. messages：对话消息列表，每条消息包含role（角色，如 user、assistant）与content（消息内容）字段。

以下为标准请求体示例：

{
  "model": "deepseek-chat",
  "messages": [
    {
      "role": "user",
      "content": "你好，你是谁？"
    }
  ]
}

1.3.3 原生 API 返回结果结构

接口成功调用后返回 JSON 格式响应，核心字段包含：

• id：本次请求的唯一标识。
• object：返回对象类型，固定为chat.completion。
• created：请求时间戳。
• model：实际响应的模型名称。
• choices：模型生成结果列表，包含消息内容、做好原因等信息。
• usage：Token 用量统计，包含提示词 Token 数、补全 Token 数与总 Token 数，同时支持缓存命中明细统计。

{
  "id": "3360d43b-7e38-4d02-b8b0-b1a5e345778f",
  "object": "chat.completion",
  "created": 1759984349,
  "model": "deepseek-chat",
  "choices": [
    {
      "index": 0,
      "message": {
        "role": "assistant",
        "content": "我是DeepSeek，由深度求索公司研发的人工智能助手。\n-支持联网搜索功能(需要手动开启)\n-没有语音功能，主要通过文字交流\n\n我很乐意为你解答问题、提供帮助，或者和你聊天！有什么我可以帮你的吗？"
      },
      "finish_reason": "stop",
      "logprobs": null
    }
  ],
  "usage": {
    "prompt_tokens": 8,
    "completion_tokens": 137,
    "total_tokens": 145,
    "prompt_tokens_details": {
      "cached_tokens": 0,
      "prompt_cache_hit_tokens": 0,
      "prompt_cache_miss_tokens": 8
    }
  }
}

[批注]

原笔记中存在多处拼写疏漏，如模型名写为残缺形式、接口域名拼写错误、字段名截断等，此处已按照 DeepSeek 官方 API 规范进行完整修正。原生 API 调用是直接与模型服务端交互的最底层方式，所有参数校验、结果解析、错误处理、多轮对话上下文维护均需开发者自行实现，这正是 “趟水过溪” 模式的核心成本来源。

1.3.4 原生 API 调用的核心问题

原生直接调用模型接口虽然最直接，但存在显著的局限性，对应 “打湿鞋子” 的问题：

1. 开发效率低：需要手动处理请求封装、结果解析、异常重试、鉴权管理等大量重复逻辑。
2. 能力扩展难：若要接入联网搜索、数据库查询、工具调用等能力，需开发者从零实现。
3. 上下文管理复杂：多轮对话的记忆维护、长文本截断、Token 计数优化等干活无统一封装。
4. 模型切换成本高：不同厂商 API 格式存在差异，切换模型时需要大幅修改调用逻辑。

1.4 LangChain 框架模式：走桥过溪

LangChain 是专门面向大模型应用开发的编程框架，其核心定位是替代原生 API 的裸调用方式，通过封装底层调用流程、提供标准化组件，降低 AI 应用的开发门槛与维护成本。

LangChain 的核心价值体现在三个层面：

1. 底层封装：统一封装不同大模型厂商的 API 调用逻辑，提供一致的开发接口，大幅降低模型切换成本。
2. 组件生态：内置记忆模块、检索模块、工具调用、链式流程编排等大量预制组件，开发者可直接复用，无需从零实现。
3. 流程编排：支持通过链式结构、代理模式组织复杂的业务逻辑，实现多步骤、多工具协同的复杂 AI 任务。

简言之，LangChain 作为连接 AI 模型与实际 AI 应用的桥梁，让开发者无需关注底层调用细节，聚焦于业务逻辑本身的实现。

1.5 核心概念区分

一定要明确区分 “AI 应用” 与 “原生 AI 模型” 两个概念：

• 用户日常接触的豆包、DeepSeek 客户端等产品均属于AI 应用，而非模型本身。
• AI 应用在底层模型的基础上，额外封装了大量产品逻辑（如界面交互、上下文管理、功能入口、业务规则等），并非对原生模型的简单透传。
• 原生 AI 模型仅具备基础的文本理解与生成能力，不包含任何面向终端用户的产品化逻辑。

1.6 本节总结：LangChain 的定义

LangChain 本质是一座连接 AI 模型与 AI 应用的 “桥梁”：它以编程方式指挥和协调大模型，能够对接数据库、搜索引擎、第三方 API 等整个软件生态，将大模型的基础能力转化为可解决复杂业务问题的实际应用。

2 ~> 宏观认识大模型

2.1 大模型的宏观理解

从宏观视角理解，大模型是通过训练海量互联网数据形成的人工智能模型，核心能力是理解并生成人类自然语言。可通过三个类比建立直观认知：

1. 数字巨人：大模型训练阶段阅读了互联网中近乎全域的知识数据，具备极广的知识覆盖面，如同掌握海量信息的数字形态巨人。
2. 人类大脑：大模型具备信息收集、语义理解、逻辑处理的能力，能够基于输入信息做好推理、创作、解答等复杂任务，承担着 AI 系统的 “大脑” 角色。
3. 超级学霸：大模型能够整合海量知识资源，对各类概念进行归纳解释，对未知问题给出符合逻辑的解答，具备强大的知识整合与泛化能力。

2.2 大模型的核心能力

大模型的核心价值来源于两类基础能力：

1. 泛化能力：无需针对特定任务单独训练，即可通过自然语言指令做好不同领域的任务，适配问答、写作、翻译、代码生成等多种场景。
2. 逻辑推理能力：能够基于已知信息进行推导、分析与判断，处理具备因果关系、步骤依赖的复杂问题。

2.3 核心问题

大模型虽然具备强大的知识与推理能力，但存在天然的能力边界，这也是整个 AI 应用开发领域的核心命题：如何让大模型从一个 “知识百科全书”，升级为能够行动、能够思考、能够深度融入业务流程的智能伙伴（Agent）。

原生大模型存在三类核心短板：

1. 缺乏 “眼睛”：无法实时获取外部世界的最新信息，知识存在时效性边界，也无法直接读取业务系统数据。
2. 缺乏 “手脚”：无法主动执行操作、调用外部工具，只能输出文本结果，不能直接作用于现实系统。
3. 缺乏 “长效记忆”：单轮对话上下文长度有限，无法持久化存储业务信息与历史交互逻辑。

而 LangChain 的核心作用，正是为大模型补充上述能力：通过编程框架对接外部数据源、工具接口与记忆存储，让大模型具备感知世界、执行操作、沉淀记忆的能力，最终成为可融入业务流程的智能体。

3 ~> 大模型篇章的要点阐述

在正式学习 LangChain 之前，一定要先建立扎实的大模型基础认知，核心包含三个学习目标：

1. 深入理解大模型的干活原理与核心能力边界 掌握大模型的底层运行逻辑，明确其能做什么、不能做什么，避免对模型能力产生错误预期，是合理运用 LangChain 组件的前提。
2. 清醒认识大模型的固有缺陷 重点掌握幻觉、知识时效性、逻辑严谨性边界等固有问题，了解缺陷产生的底层原因，才能在 LangChain 开发中通过合理设计规避或缓解缺陷。
3. 建立问题翻译的思维框架 掌握将复杂业务问题拆解、转化为大模型能够理解与处理的语言的方法，这是后续设计 Prompt、编排 Chain 流程、开发 Agent 的核心基础能力。

LangChain 体系包含大量组件概念与设计模式，只有打好大模型底层认知基础，才能真正理解各组件的设计逻辑与适用场景，而非死记硬背 API 用法。

4 ~> 补充说明

大模型本身的能力也在持续演进，例如部分主流大模型产品已经逐步内置 Agent 能力、工具调用能力，原生大模型正在不断完善自身的固有缺陷。但 LangChain 等开发框架依然具备不可替代的价值：框架提供了更灵活的定制能力、更丰富的生态对接、更深度的业务流程控制力，是开发复杂企业级 AI 应用的主流选择。

总结

核心考点深度总结

本章作为 LangChain 学习的开篇，核心考点与易错点集中在认知概念、模式对比、边界定位三个维度，是后续技术学习的逻辑根基，需重点掌握以下内容：

1. 核心概念辨析（高频易错点） 一定要严格区分 AI 模型、开发框架、AI 应用三者的层级关系：AI 模型是底层能力底座，LangChain 是中间开发框架，AI 应用是面向用户的最终产品。常见误区是将客户端应用等同于模型本身 —— 豆包、DeepSeek 客户端均属于 AI 应用，其底层调用了对应的大模型，且封装了大量产品层逻辑，并非模型本身。同时必须明确：LangChain 的本质是开发框架而非模型，它不生产模型能力，而是通过封装与编排放大模型的落地价值。
2. 两种调用模式的对比（核心考点） 原生 API 调用（趟水过溪）与 LangChain 框架调用（走桥过溪）的差异是本章核心考点：

• 原生 API 调用：优势是最底层、最灵活，无额外框架依赖；劣势是开发成本高、扩展能力弱、维护成本高，仅适合极简场景或底层性能优化场景。
• LangChain 框架调用：优势是开发效率高、组件生态丰富、模型切换成本低、天然支持复杂流程编排；劣势是存在框架学习成本，底层调用逻辑被封装。 复习时需能够基于业务需求判断技术选型，明确两种模式的适用边界。

结尾

uu们，这篇文章的内容到这里就全部完成了，艾莉丝在这里再次

艾莉丝努力练剑