对于复杂场景，LLM的问题主要有6种，分别为

1.幻觉问题，在使用LLM的时候，可能会发现，LLM开始回答的不合理了；举个例子：明明这个厂商没有提供这个API接口，但是竟然被LLM幻觉出来了这个接口

2.统一提示词，提示词的质量和风格直接决定输出结果的准确性和安全性。没有统⼀的规范会导致应⽤行为不可预测、难以调试，且⽆法规模化地优化效果

3.切换模型的成本，可能对于同一套提示词，不同模型给我们的输出就不同了。

4.非结构化输出难以与程序接口交互。应用程序需要将模型分析的“可能疾病”结果，结构化地展示在前端UI 的列表里。

5.实效性问题，大模型的训练是有截止日期的，这就说明LLM的实时性不高，可能获取不到最新的知识。

6.对于非常专业的知识（医学），只能参考LLM的结果，不一定能直接采用

而LangChain就是解决这些LLM的问题的

对于问题1：可以通过RAG或者Agent就能解决幻觉问题。

3.LangChain提供了统一的模型调用姿势

4.LangChain可以提供结构化的数据，比如json，html，xml...

5.类似于coze中的插件，LangChain可以使用很多工具，通过实时的搜索引擎来获取实时性数据        

所以，什么是LangChain？
LangChain 是⼀个用于开发由大语⾔模型 (LLM) 驱动的应用程序的框架。它通过将自然语言处理（NLP）流程拆解为标准化组件，让开发者能够自由组合并高效定制工作流

自然语言处理流程（NLP）：指的是完成⼀个特定 NLP 任务所需的⼀系列步骤。例如，构建⼀

个“基于公司文档的问答机器人”的流程可能包括：

读取文档、

分割文本、

将文本转换为向（嵌入）、

存储向量、

接收用户问题并转换为向量、

搜索相关文本段、

将问题和文本段组合发送给大语言模型（LLM）、

解析模型输出并返回答案等。

LangChain基本对于层对于所有的LLM厂家，都在上层实现了一份自已的统一姿势，举个例子：

LangChain 定义了几个核心的抽象类，所有厂家的模型都必须实现这些类的方法。

• BaseChatModel: 针对对话型模型（如 GPT-4）。无论厂家要求的是 messages 数组还是特殊的 Prompt 格式，在 LangChain 里你统一使用 HumanMessage, AIMessage, SystemMessage。

• BaseLLM: 针对传统的补全型模型（以文本输入，文本输出）

LangChain通过在上层，对于各个LLM的封装，最后给我们提供了统一调用LLM的姿势。

用langChain完成一个最简单的链：

对于 LangChain，它给我们提供了链式执行的能力，即我们只需要定义各个“组件”，将它们“链起来”，一次性执行即可得到最终效果

什么是一个合法的组件呢？

我们先了解一下Runnable接口：

Runnable 接口是使用 LangChain Components（组件）的基础。Runnable 接口定义了一个标准的接口，允许Runnable 组件进行Invoked（调用），Batched（批处理），Streamed（流式传输）
Inspected（检查），Composed（组合）
而我们上述定义链过程中的语言模型（model）、输出解析器（StrOutputParser）都是

Runnable 接口的实例！他们都使用了 Invoked（调用）的能力

换句话说，只要满足Runnable的实力，都可以链起来。

任何两个 Runnable 实例都可以“链”在⼀起成序列。上⼀个可运行对象的 .invoke（） 调用的输出作为输入传递给下⼀个可运行对象。方法就是使用 | （管道/运算符），这其实就是LCEL编排解决方案。