通过前面两章的学习，大致了解了大模型的工作原理以及如何跟chatGPT进行交互。
作为一个程序员肯定不满足于问答这种简单的聊天，我们肯定想做更多的事情。
你可以想一下，大模型是不是有这些问题：
-
你上周和它聊过的消息，它是不是记不住？
-
你让它帮你访问一个网页，做一些事情，它是不是只能告诉你思路让你自己做？
-
你想让它基于你公司内部的私密文档来做一些解答，它是不是不知道那是什么？
-
你问他刚发生的一个新闻，它是不是不知道？因为它训练的时候没这些数据。
这些问题的解决就需要分别给大模型加上 Memory 记忆能力、Tool 工具调用能力、RAG 文档查询能力等。
不管大模型怎么发展，它都没法解决这些：
-
它的记忆总是有限的，需要开发者做 Memory 管理
-
它可以调的特定领域的工具，需要开发者开发好 Tool 交给它
-
它没办法对不知道的私密文档做解答，需要扩展 RAG 知识库查询能力
这些就是我们要学的 AI 技术，也就是 AI Agent 的开发能力。
Agent 是什么？
其实就是给大模型扩展了 Tool 和 Memory。它本来就可以思考、规划，你给他用 Tool 扩展了能力，它就可以自动做事情了，用 Memory 管理了记忆，它就可以记住你想让它记住的东西，还可以用 RAG 查询内部知识库来获取知识。
这样一个知道内部知识、能思考规划、有记忆，能够帮你做事情的扩展后的大模型，就是一个 Agent。
你每天用的 Curosr 等 AI IDE，它是怎么读写文件、执行命令的？比如，它改代码需要读写文件，帮你运行代码需要执行命令。
如何实现的这些功能呢？很明显是扩展了 Tool。
还有，帮你做各种事情的 Manus，是怎么唤起浏览器来自动访问一些网页，怎么执行命令，怎么帮你操作各种软件的？
也是扩展了 Tool。
支付宝里的理财助手，可以帮你分析基金，推荐基金，它是怎么知道这些基金的数据的？
是大模型本身就知道么？
肯定不是啊，是基于 RAG 来访问了内部的知识库。
类似的各种需要给大模型扩展能力的场景太多了。光会和大模型聊天不行，你得能给它扩展各种能力，这样才能满足各种 AI 需求。
这就是我们学习 AI 技术的目标。
那 RAG、Memory、Tool、Agent 等用什么框架呢？
最常用的就是 LangChain，它对这些能力封装好了各种 api，可以直接用。它有 python 和 node 版，前端肯定用的是 node 版。
LangChain 是用来开发单个 Agent 的，每个 Agent 做一件事情。
但涉及到多个 Agent 协作，用 LangChain 自己维护多 Agent 的交互就比较麻烦了，这时候我们就要学习 LangGraph。
它是基于 LangChain 封装的，用于多 Agent 交互的框架。
学 AI 不要只学用 AI 做一些工具，最好是结合后端技术一起学，也就是 AI 全栈。
因为 AI 代码是在后端跑的，这时候你需要用 redis 存记忆、用 mysql 存知识等，这种就需要后端的知识了。
