🎯 课程主题
从"为什么 Learn"的角度阐述大语言模型的三大局限性，以及 LangChain 作为中间层框架如何解决这些问题，从而高效构建 AI 智能体应用。
📝 核心知识点
1. 互联网时代演进
- PC 互联网时代 → 移动互联网时代（2011年左右，安卓/iOS 崛起）→ AI 智能化时代（2022年10月，ChatGPT 爆火）
- AI 智能化时代催生了 LangChain 等大模型开发框架的产生。
2. 大语言模型的三大局限性
| 问题 | 描述 | 类比 |
|---|---|---|
| 知识受限于训练数据 | 训练语料有截止时间节点（如2023年底），之后的新知识（奥运会、世界杯等）完全不懂。 | 像一个只读到某年的学者 |
| 无外部交互能力 | 天然不能联网、不能调用外部 API、不能访问数据库和文件系统。只能提供想法，无法执行具体操作。 | 有大脑，但没有四肢和五感 |
| 不具备状态保持能力 | 无上下文记忆，上句说"我叫小明"，下句就可能忘记。 | 像每次都在跟一个陌生人对话 |
注：豆包等产品能联网是因为它们已经是具体应用而非裸大模型，本质上正是借助了类似 LangChain 的中间层能力。
3. LangChain 的定位
- 三层架构：
- 底层：大模型层（GPT、Claude、DeepSeek 等）
- 中间层：LangChain（连接大模型与应用的桥梁）
- 上层：具体应用（豆包、元宝、淘宝 AI 功能、京东客服等）
- 核心能力：
- 连接大模型与应用，使模型能检索数据库、调用 API、访问文件系统
- 一致地调用多种大模型
- 组织提示词模板
- 管理上下文状态
- 集成外部工具与数据源
- 最终目标：构建具备推理与行动能力的 Agent 智能体
4. 大模型具体应用场景
- RAG（检索增强生成）：构建企业知识库，是落地应用的第一个重要场景（如医疗知识库）。
- Agent 智能体：多智能体协作是重点方向，未来具身智能走入千家万户。
- 对话系统与聊天机器人：AI 电话客服、电商 AI 聊天机器人。
- 多模态场景：图片、语音、视频的生成与交互。
- 内容生成与自动化写作：自媒体内容创作。
- 数据连接与处理：NL2SQL（自然语言转 SQL），将大数据场景用 AI 重新实现。
5. 学习 LangChain 的战略意义
- 大模型领域新概念层出不穷（MCP、Skills、DeepAgent、Agent Harness），表面眼花缭乱，但底层框架是 LangChain。
- 学好 LangChain，回过头看各种新应用，心中就会有清晰的脉络。
- 框架设计者具有前瞻性，学习框架等于学习行业对 AI Agent 能力的顶层思考。
🏗️ 架构与工作流
- 理解 LangChain 处于 Model 与 Application 之间的中间件层，所有应用开发都通过 LangChain 的模块化能力（模型调用、提示词、记忆、工具集成）与底层大模型交互。
💻 代码实战
本节课以理论讲解为主，无代码实战。
⚠️ 常见问题与避坑指南
- 不要被每天涌现的新概念（MCP、Skills 等）扰乱节奏，它们本质都是基于框架构建的具体应用。
- 学习要聚焦框架本身，而不是追逐应用层的变化。
💡 个人总结与延伸
本课的核心逻辑是"Why"——为什么需要 LangChain。大模型的三大缺陷（知识时效、无外部交互、无记忆）恰好对应 LangChain 的三大解决方案（RAG、Tool Calling、Memory）。理解了这个对应关系，就理解了 LangChain 模块设计的底层动机。建议在后续学习中，每次学到新模块时都回溯到这三大问题，看它是解决哪个痛点的。