Licardo

写在最前面：我对 LangChain 的理解

LangChain 是一个集成的、封装的 AI 开发框架，为 AI 编程开发优化了效率。它通过 Chain 机制，为 LLM 执行任务编排出一套清晰的行为流程，借此优化 LLM 的输出，增强了提示词约束的便利性和可靠性。

对于简单的任务，直接调 API 也能拿到回答，代码甚至更轻量；但对于多步骤的复杂任务（比如 RAG），裸 API 调用需要手写大量胶水代码，导致代码复杂度升高、可读性下降。LangChain 正好填补了这个空白。

在最初学习大模型时，需要调用大模型 API 时我会选择 requests。对于简单对话，直接调 API 很方便。但当我后来在学习搭建 RAG 的过程中，发现这样的调用代码量大，可读性也差。随着继续深入学习，我在 B 站了解到了 LangChain。

后来我意识到，我的需求不是"怎么发 HTTP 请求"，而是：

LangChain 恰好解决了我的问题。

LangChain 最打动我的不是它的 API 有多全，而是它的设计模式：一切皆 Chain。你可以把一次与 LLM 的交互拆成若干个小步骤，然后用 | 把它们连接起来，形成一个固定的工作流程。

比如一个简单的问答：接收用户问题 → 从字典里查产品信息 → 拼接到提示词 → 发给 LLM → 返回字符串。

如果用原生 API，我会写一个函数，里面包含检索、拼接、调用、解析——代码量大，写着写着头晕眼花。但用 LangChain，我可以这样表达：

检索产品 -> 格式化提示 -> 调用 LLM -> 解析输出

每一步都是独立的组件，可以单独测试、替换或复用。这种声明式的写法让代码读起来就像流程图。

一开始我用字典做检索（if "笔记本" in query），这显然很粗糙。后来我把产品信息向量化，存入 ChromaDB，用语义相似度来检索。

有意思的是，LangChain 的 Chain 几乎不需要改——我只需要替换掉"检索产品"这个组件，上层的提示模板、LLM 调用、输出解析完全不用动。这让我体会到框架抽象带来的便利。

我的判断是：