我的个人语言：

模型的api调用指的是，程序通过api-key与云端部署的大模型进行单次的对话交互。

langchain框架是一种llm的开发框架。

大多数人经常使用诸如豆包、千问等app，但是这和大语言模型有很大区别。

最原始的大语言模型，大多数基于transform网络中的解码器，实现基于输入的token序列，对下一个token进行预测，再把新生成的token和输入token序列组成新的输入，预测下一个token。这种自回归生成式的模型，才是真正原始面貌的大语言模型。

像豆包，千问这类app已经经过了很多封装，准确的来说已经是智能体agent。他们拥有记忆、函数调用，rag和智能体的能力。

langchain就是一种呢能够开发llm，使得原始的大语言模型具备智能体能力的框架。比如；1、设计提示词模板，实现大模型信息抽取，固定格式回答等。2、记忆模块，通过不同的方式报错对话上下文，在每次新的问题发送前，拼接历史上下文，在输出回复前，构建新的历史对话。3、agent，通过react等框架，使得模型能够实现自主思考、决策、执行、观察的一个循环，最终得到输出。

函数调用与agent的区别就在于，举个例子，用户询问天气，模型说需要查询，于是给出查询天气参数的输出，传入查询天气的函数模块，返回天气信息给模型，模型最终给出完整答复。智能体则是函数调用加自我决策的结合，模型会在调用函数得到天气信息给出回复的基础上，观察决策是否需要继续循环得到终极版的答案。

rag:检索增强生成，对pdf等文本数据，分块，词嵌入，存储在数据库中。当用户询问相关问题时，根据相似度取出相关向量，和用户问题拼接成完整上下文，在输入模型生成回复。

修改润色：

一、基础入门：大语言模型与API调用

在讲复杂概念前，我们先明确两个基础认知：原始大语言模型的本质，以及我们如何与它交互——也就是API调用。

最原始的大语言模型，核心基于Transformer架构中的解码器，工作原理非常纯粹：接收输入的token序列后，预测下一个最可能的token，再将新生成的token与原始输入序列拼接，重复这一过程，直至生成完整响应。这种自回归生成模式，决定了原始大语言模型本质上是“文本生成器”，只具备基础的文本续写、理解能力，缺乏记忆、逻辑决策、外部交互等复杂能力。

而我们开发中常用的API调用，就是程序与云端部署的原始大语言模型（或封装后的模型服务）进行交互的核心方式。具体来说，开发者通过自身的API-Key进行身份验证，向模型服务发送HTTP请求（携带输入文本、参数配置等），模型处理后返回响应结果，整个过程属于“单次请求-响应式”的交互，不存在上下文记忆，每次调用都是独立的。

这里要特别区分：我们日常使用的豆包、千问等APP，并非原始大语言模型，而是基于原始模型封装后的完整AI应用——它们已经集成了记忆、函数调用、RAG等能力，本质上属于“智能体（Agent）”范畴，而非单纯的大语言模型。

二、核心工具：LangChain框架——让原始LLM拥有“智能体能力”

原始大语言模型的能力有限，而LangChain框架的核心价值，就是为开发者提供一套标准化工具，快速扩展原始LLM的能力，让其具备成为智能体的基础，无需从零开发复杂功能。LangChain并非替代LLM，而是作为“连接器”，将LLM与各类工具、数据、记忆模块整合，降低AI应用开发门槛。

其中，开发者最常用的两个核心功能的如下：

1. 提示词模板（Prompt Template）

原始LLM的输出质量高度依赖输入提示（Prompt），而手动编写Prompt效率低、一致性差。LangChain的提示词模板功能，允许开发者预先定义固定格式、固定逻辑的Prompt模板，将变量（如用户输入、上下文信息）动态注入模板中，实现标准化的交互。

典型应用场景：信息抽取（如从文本中提取姓名、手机号等关键信息）、固定格式输出（如生成JSON、表格、报告模板）、引导LLM遵循特定逻辑（如“作为技术顾问，用简洁的语言解答问题，不冗余”），大幅提升开发效率和输出一致性。

2. 记忆模块（Memory）

原始LLM不具备上下文记忆能力，每次API调用都是独立的，无法记住上一轮的对话内容。LangChain的记忆模块，核心作用就是“保存对话上下文”，并在每次新请求发送前，自动将历史对话上下文与当前用户问题拼接，形成完整的输入，再传递给LLM；同时，在LLM生成响应后，更新对话历史，为下一轮交互做准备。

简单来说，记忆模块让LLM拥有了“短期记忆”，实现了多轮对话的连贯性——这也是我们使用豆包、千问等APP时，能够连续对话的核心原理之一。LangChain提供了多种记忆实现方式（如会话缓冲记忆、摘要记忆等），开发者可根据需求选择。

除了上述两个核心功能，LangChain还集成了Agent、RAG、函数调用等工具，形成了完整的AI应用开发生态，后续我们逐一拆解。

三、易混淆点：函数调用与Agent的区别

很多开发者会将函数调用与Agent混为一谈，认为两者是一回事，实则两者有本质区别——函数调用是“工具使用能力”，而Agent是“具备决策能力的完整智能体”，前者是后者的基础组件之一。

1. 函数调用（Function Calling）

函数调用的核心是：LLM根据用户需求，判断是否需要调用外部工具（如天气查询API、数据库查询函数、文件读取工具等），并输出符合指定格式的调用参数，由程序执行工具调用，再将工具返回的结果反馈给LLM，最终由LLM整理成自然语言响应。

举个实际例子：用户询问“今天北京的天气”，原始LLM无法直接获取实时天气数据，此时会触发函数调用——输出天气查询函数的参数（如城市“北京”、日期“今天”），程序调用天气API获取数据后，将“北京今日晴，气温10-22℃”反馈给LLM，LLM再将该信息整理成自然语言回复用户。

关键点：函数调用是“被动执行”，LLM只负责判断是否调用、如何调用，不负责决策“是否需要再次调用”“调用后是否需要调整参数”，全程需要开发者预设逻辑引导。

2. Agent（智能体）

Agent的核心是“自主决策+工具使用”，是在函数调用基础上的升级——它不仅能调用外部工具，还能通过React等框架，实现“思考-决策-执行-观察”的闭环，自主判断下一步动作，无需开发者预设所有逻辑。

还是以“查询北京天气”为例：Agent接收用户需求后，会先思考“我需要获取实时天气数据，因此需要调用天气查询工具”，然后决策“调用工具需要哪些参数（城市、日期）”，执行调用后，观察工具返回的结果，判断“是否需要补充信息（如是否需要查询未来几天的天气）”，若用户没有进一步需求，则整理结果回复；若有潜在需求（如用户可能想知道穿衣建议），则会继续调用相关工具，直至给出完整、精准的响应。

总结区别：函数调用是“工具调用的能力”，是单一环节的执行；Agent是“具备自主决策的完整系统”，包含了函数调用、逻辑判断、循环优化等能力，是更高级的AI应用形态。

四、关键能力：RAG（检索增强生成）——解决LLM的核心痛点

原始LLM存在两个核心痛点：一是知识时效性差（训练数据有截止日期，无法获取最新信息）；二是易产生“幻觉”（生成不存在的信息）。而RAG（Retrieval-Augmented Generation，检索增强生成），就是解决这两个痛点的核心技术，也是AI应用开发中最常用的能力之一。

RAG的核心逻辑是“先检索、再生成”，将外部知识库（如PDF、文档、网页内容等）与LLM结合，让LLM基于检索到的真实、最新数据生成响应，具体流程分为两步：

1. 知识库构建：将PDF、Word、网页等文本数据，按照一定规则进行分块（避免单块文本过长，影响检索精度），然后通过词嵌入（Embedding）技术，将每块文本转化为向量，存储到向量数据库中（如Milvus、Pinecone等）；

2. 检索与生成：当用户提出相关问题时，程序先将用户问题转化为向量，在向量数据库中通过相似度匹配，检索出与问题最相关的若干文本块，将这些文本块与用户问题拼接成完整的上下文，再输入到LLM中，让LLM基于检索到的真实数据生成响应。

举个应用场景：开发一个企业知识库问答APP，将企业的员工手册、产品文档、规章制度等上传到知识库，用户询问“员工年假天数”时，RAG会检索到员工手册中关于年假的相关内容，再让LLM基于该内容生成准确回复，避免LLM因未训练过该数据而产生幻觉。

补充：LangChain已内置了RAG相关的工具，开发者无需从零实现分块、嵌入、检索等逻辑，只需配置相关参数，即可快速集成RAG能力。

五、总结：核心概念逻辑梳理

结合前文内容，我们用一句话梳理所有概念的逻辑关系，帮你快速记忆：

原始大语言模型（LLM）是基础，API调用是我们与LLM交互的方式；LangChain框架为LLM提供了提示词模板、记忆模块等工具，扩展其能力；函数调用是LLM调用外部工具的基础能力，Agent则是集成了函数调用、自主决策的完整智能体；RAG通过检索外部知识库，解决LLM的时效性和幻觉问题，是AI应用中提升响应准确性的关键。

作为AI应用开发工程师，掌握这些核心概念，能帮我们更清晰地设计开发方案，快速定位问题，提升开发效率。后续将结合实际代码案例，拆解如何基于LangChain实现API调用、Agent和RAG的集成，感兴趣的可以关注后续内容