模块 1：你只需要记住这些

1. LangChain 为什么存在

单独的大模型有 3 个常见短板：

  • 知识不是实时的
  • 会幻觉
  • 不能天然调用外部工具

LangChain 的作用就是做一层“应用编排层”，把模型、工具、数据、流程串起来。

2. LangChain 家族怎么分工

  • LangChain：基础能力层，负责模型调用、提示词、工具接入
  • LangGraph：流程编排层，负责状态、节点、分支、循环
  • LangSmith：调试监控层，负责追踪、评测、排查问题

理解口诀：

LangChain 管能力，LangGraph 管流程，LangSmith 管观测。

3. AI 应用常见 4 条路线

  • 纯 Prompt：直接问,适合简单问答、润色、改写、总结。
  • Agent + Tools：模型会调用外部工具
  • RAG：模型先查资料再回答
  • Fine-tuning：把能力长期写进模型

你现在学 LangChain，本质上是在学第 2 条和第 3 条路线的基础设施。

什么场景更适合用 RAG，而不是单纯 Prompt？
RAG 适合需要私有领域知识、最新知识或外部文档支撑的场景。因为模型的训练数据是冻结的，单靠 Prompt 只能优化表达方式，不能稳定补足它原本不知道的知识，所以更适合先检索相关资料，再基于资料生成答案。

为什么说 Agent 不等于“更聪明的模型”，而是“模型加一套行动系统”？
Agent 不是单纯更聪明的模型，而是在模型基础上加入规划、工具调用、记忆和执行机制，让模型不仅能回答问题，还能分步骤思考、调用外部能力并完成任务。

LangChain 是干什么的?
LangChain 是连接大模型与实际应用的中间层，它把模型、提示词、工具、数据和流程组织起来，用来解决大模型知识冻结、容易幻觉、无法直接调用外部能力的问题。

Agent = LLM + Planning + Tools + Memory + Action

第二章：
模型初始化方式：
1、专用模型类
2、chatOpenAI兼容
3、init_chat_model（langChain聊天模型对象）：
更统一
贴近LangChain的抽象方式
方便后续学习

1、为什么 init_chat_model() 很适合你当前这个学习阶段？

init_chat_model() 不只是“连接各家模型厂商的 api 函数”，更准确地说，它是 LangChain 用来统一初始化聊天模型的入口。
重点在“统一抽象”，这样你后面学 Prompt、Tools、Agent 时，关注点能放在 LangChain 的能力上，而不是每家厂商的接入差异。

2、如果以后你想少改代码就切换不同模型平台，哪种思路更适合？

更适合的是 OpenAI 兼容思路或 LangChain 的统一初始化思路，因为它们把模型切换尽量收敛成改配置，而不是大改业务代码。

3、为什么 .env 是第 2 章里一个很重要的工程习惯？

把 api_key、base_url、model 这类经常变化或敏感的配置放进 .env，可以避免硬编码，让配置和代码分离，既更安全，也更方便后续切换模型和维护项目。