【LangChain】1.LLM基础认知

1.LLM基础认知

LangChain与大模型宏观认识

LangChain是一个 AI 编程框架，是连接 AI 模型与实际应用的重要桥梁：左岸（AI 模型如 DeepSeek/ChatGPT）→ 桥（LangChain）→ 右岸（实际应用如智能客服/代码助手）。

原生 API 调用的痛点在于需要手动构建 HTTP 请求、处理鉴权信息、解析响应结果，且缺乏统一抽象层。LangChain 的优势是封装原生接口，提供统一编程接口，集成数据库、搜索引擎等外部工具。

从宏观视角看，大模型像一个数字巨人——阅读并学会了互联网上的几乎所有知识，具备泛化能力（处理多种问题）和逻辑推理能力（深度思考）。

核心问题：如何让大模型从"能言善辩的百科全书"变成能行动、能思考、能融入业务流程的智能伙伴（Agent）？大模型是大脑（核心推理），需要实时信息作为眼睛（获取最新数据），操作能力作为手脚（调用 API、操作数据库），记忆作为记忆（记住上下文）。LangChain 正是用来编程方式指挥和协调这一切的框架。

模型的工作原理

模型是一个数学函数或程序，用于从数据中学习规律：

以"找三个数的中间数"为例：输入 (16, 96, 3) → 输出 96（最大值）；输入 (18, 23, 26) → 输出 26（最大值）；输入 (63, 4, 42) → 输出 4（最小值？）。模型通过大量数据输入从中找出规律，当输入新数据时根据已学规则输出结果。

普通模型的特点：单任务（只擅长一件事）、需标注数据（需要提前标注输入输出）、参数较少（从数据中学到的知识要点少）。参数即模型从数据中学到的知识要点，参数越多模型越复杂、能力越强。

大语言模型 vs 普通模型

大语言模型（LLM）：基于大规模神经网络，通过自监督或半监督方式，对海量文本进行训练的语言模型。

神经网络与学习范式

神经网络是模仿人脑工作方式的分层决策系统。类比教小朋友识别猫：大脑中不同的视觉神经协同工作——有的识别尖耳朵，有的识别胡须，有的识别毛绒尾巴。无数个神经元分成多层，前一层输出作为后一层输入，通过训练海量数据自动调整每个神经元的参数。

自监督学习：模型自己从数据中学习，无需人工标注。例如遮盖文本中的某个词让模型预测。半监督学习：少量标注数据 + 大量未标注数据结合训练。语言模型：专门针对人类语言建模，能够理解并生成自然语言。

主流LLM与核心能力

市场主流大语言模型一览：

大语言模型有四大核心能力：