LangChain

🤖 一、Chain vs Agent：关键区别 表格 能力 Chain Agent ✅ 执行流程 固定顺序（你设计好） 动态决策（AI 自己规划） 工具调用 不能直接调用外部工具 可调用 Tools（

🧭 一、为什么需要 RouterChain？ 在 Day 8 中，我们构建了一条固定流水线：所有用户反馈都走“提取 → 回复 → 情绪分析”。 但真实客服场景中，问题类型多样： “怎么退货？” → 需

🔗 一、为什么需要组合多个 Chain？ 单一 Chain 只能完成一个任务，比如： 翻译一段文字 提取用户信息 生成产品描述 但真实场景往往是多步骤的： SequentialChain 就是 Lan

⏳ 一、为什么需要 Summary Memory？ 在 Day 5 中，我们用了 ConversationBufferMemory —— 它把全部对话历史塞进 prompt。 但问题来了： 模型有上下

🎯 一、为什么需要结构化输出？ 你可能遇到过这些场景： 让 AI 返回用户信息，结果它回了一段话：“张三，男，28岁……” 要求返回 JSON，它却多加了注释、用了单引号、字段名拼错 后端程序 jso

💬 一、为什么需要 Memory？ 你有没有遇到过这种情况： 问题出在哪？AI 没有记住上文！ 默认情况下，每次调用 LLM 都是“全新对话”，它看不到历史。 而 Memory 就是 LangChai

🔗 一、什么是 Chain？为什么需要它？ 在 Day 2–3 中，我们这样调用模型： 这虽然能跑通，但存在几个问题： 重复代码多：每次都要拼 prompt + 调用 llm 难以复用：换个任务就要重

🔍 一、为什么 Prompt 工程是 LangChain 的核心？ 大模型就像一个“聪明但自由散漫的学生”——你问“介绍一下 Python”，它可能写一篇万字论文，也可能只回一句“编程语言”。 而 P

🌍 一、为什么今天要切换到本地模型？ 在 Day 1 中，我们使用了 OpenAI 的 API。但很多国内开发者面临： 无法访问 OpenAI API 费用高 数据隐私顾虑

🔍 一、为什么需要 LangChain？ 你可能已经用过 OpenAI 的 API 直接调用大模型： 但当你要构建一个真正的 AI 应用（比如智能客服、知识库问答、自动写报告）时，你会发现： 需要管理