LangChain 与 LangGraph 介绍

LangChain 可以解决 LLM 哪些问题？

问题	原因	解决方案
无法快速切换模型	不同厂商 API 的路径/参数 是不同的	提供一个统一封装的接口
幻觉问题	训练的数据质量差/训练数据陈旧的等等	通过调用 RAG 来获取最新的知识库数据
需要编写规范的提示词	提示词不规范将会导致安全/结果不准确等问题	通过调用 RAG 来获取 提示词模板
无法结构化地获取数据	LLM 结果一般是一段文字，而不是像 JSON 这样的结构化数据	可以强制结构化输出
不会调用权威的数据库	当涉及到专业领域的知识，LLM 不会调用权威的数据库，而是很可能会出现幻觉问题	设计相关的搜索引擎来调用外部的数据库

LangChain 由哪些问题呢？

• 问题：

  1. 单向的，不能循环/选择
  2. 如果要实现上诉条件，需要添加状态，增加了代码的复杂性/维护成本，还需要一堆 if-else 代码僵化
  3. 如果需要人工介入，需要编写一大堆复杂的通知语句

• 解决方案：通过 LangGraph 解决

  1. 它内置的 条件/通知 等组件，