1、大模型种类
大模型工程师必须会的模型：
|-------------|-----------------------------------|--------------------------------------------------------------|
| 大模型的种类 | 特点 | 常用大模型 |
| 通用语音模型 | 通用能力强，文本推理，文本生成，深度思考等 | DeepSeek, Qwen3, kimi-k2, MiniMax-M2，GPT-4.5, Claude 3系列, 等等 |
| 多模态模型 | 多模态支持（文本/图像/音频/视频），跨媒体理解能力强 | GPT-4o, Qwen3-VL, Qwen3-Omni, GLM-4.5V等 |
| 文本嵌入模型 | 将文本转换成计算机能理解的数值向量，对文本进行降维处理。 | BGE系列（small, base, large），OpenAI Embedding, Qwen3-Embedding等 |
| 多模态嵌入模型 | 将文本、图像、音频、视频等不同模态的数据向量化，同一个向量空间中。 | GME-Qwen3-VL, openai-CLIP, Chinese-CLIP等 |
| 多模态解析模型 | 负责解析复杂结构的数据 | DeepSeek-OCR，Dolphin, Dots.OCR, MonkeyOCR, Unstructured等等 |
| 垂直领域大模型 | 专注于某一个领域的复杂问题，如蛋白质结构预测 | DeepMind-AlphaFold, 360安全大模型，讯飞星火4.0（医疗）等等 |
各种国内外的大模型Token购买：建议：不要买多 ，不要超过60元。
|-----------|---------------------------------------------------------------------------------------------------------------------------------------|-------------------|
| 名字 | 建议购买的地址 | 特点 |
| 百炼平台 | https://bailian.console.aliyun.com/ | 国内的模型很全面 |
| 智普AI | https://open.bigmodel.cn/ | 最新的4.5和4.6，还有搜索工具 |
| Xiaoai中转商 | https://xiaoai.plus/register?aff=3TIp | 国外的模型很丰富 |
| Kimi | https://platform.moonshot.cn/docs/overview | 月之暗面，有潜力，有搜索工具 |
2、Langchain-V1版本介绍
LangChain 于 2022 年 10 月左右由机器学习工程师 Harrison Chase 发起。最初是 Harrison 的一个副业，当时他大约写了 800 行代码，是一个体量不大的单文件 Python 包，于同年秋季发布到了他个人的 GitHub 账户上。在 2024 年初正式推出LangGraph：允许开发者以更底层的方式编排每一步智能体逻辑。
2025年10月20日，LangChain 团队正式发布 LangChain 1.0 与LangGraph 1.0------这是这两大框架的首个主要版本，标志着 AI Agent 开发正式进入"工程化"阶段。
Harrison 本人曾这样定义："LangChain 是一个构建 LLM 应用程序的框架，但这说法很模糊，也不够具体。我认为部分原因在于 LangChain 的功能实在太丰富了，所以很难用一句话具体说明。
LangChain本质上是一个用于构建大模型驱动应用的开源框架，它通过标准化的接口将大语言模型（LLM）与外部工具、数据存储、工作流逻辑等组件串联起来，让开发者无需从零搭建复杂的集成架构，就能快速构建具备"思考、记忆、行动"能力的智能体（Agent）。
不同于直接调用LLM API的简单开发模式，LangChain的核心价值在于解决了大模型的三大痛点：一是"信息孤岛"问题 ，通过检索模块连接私有数据、互联网信息等外部资源，弥补大模型知识库的局限性；二是"行动能力缺失"问题 ，通过工具调用机制让模型能够操作数据库、执行代码、发送邮件等实际任务；三是"上下文断裂"问题，通过记忆模块保存对话历史和中间状态，支持复杂的多轮交互和长期任务。
LangChainV1.0 vs LangGraphV1.0：分工与定位
- LangChain ：构建 AI 智能体的最快方式。提供标准的工具调用架构、供应商无关设计和可插拔的中间件系统，让开发者高效构建通用 Agent。
- LangGraph ：一个底层运行时框架，专为需要长期运行、可控且高定制化的生产级智能体设计。
LangChainV1.0的Agent是构建在 LangGraph 之上，以提供持久的执行、流、人机交互、持久性等。
3、LangChain 1.0重大革新
LangChain 1.0的更新并非简单的功能叠加，而是基于生产级应用需求的底层重构。其核心革新可以概括为"更统一、更可控、更生产就绪"三大特性，具体体现在以下几个方面：
一、核心入口：create_agent() 统一Agent构建流程
在LangChain 1.0之前，开发者构建Agent主要依赖create_react_agent()方法，该方法需要手动配置提示词模板、工具列表、执行器等多个组件，且不同类型的Agent（如React Agent、Self-Ask Agent）有着不同的构建接口，学习成本高且代码复用性差。
1.0版本彻底重构了Agent层，推出了create_agent()作为构建智能体的标准入口，其核心优势在于：
- 底层封装LangGraph执行机制：create_agent()默认基于LangGraph引擎实现，将"模型调用→工具决策→工具执行→结果整合"的闭环流程封装为高阶接口，开发者无需关注底层的图执行逻辑，只需传入核心组件即可快速构建Agent。这种设计不仅简化了代码，还提升了流程的稳定性和可扩展性，支持复杂的分支逻辑和循环执行。
- 告别繁琐的提示词模板：旧版本需要从LangChain Hub导入大段的提示词模板，包含工具调用格式、对话历史注入等复杂配置，且模型容易出现格式输出错误。1.0版本中，开发者只需传入简洁的system_prompt（系统提示词），LangChain会自动结合工具信息、对话上下文生成完整的提示词，大幅降低了提示词设计的难度。
- 兼容Function Calling标准：create_agent()原生支持OpenAI定义的Function Calling格式，能够自动将工具信息转化为结构化的函数描述，传递给支持该格式的LLM。在国内模型中，通义千问对这一特性的适配性最佳，这也是很多开发者选择其作为LangChain默认模型的重要原因。
二、扩展了middleware（中间件）
旧版本中，开发者若想自定义Agent的执行逻辑（如添加日志记录、敏感信息过滤、用户确认步骤等），需要修改核心代码或通过复杂的钩子函数（Hook）实现，不仅难度大，还容易破坏原有流程的稳定性。LangChain 1.0引入的middleware（中间件）机制，彻底解决了这一问题。
中间件的作用：
中间件本质上是一组可插拔的钩子函数，能够嵌入到Agent的执行流程中，对每个步骤进行自定义处理，且无需修改Agent的核心逻辑。其工作原理类似于Web开发中的中间件，通过"链式调用"的方式依次处理请求和响应，实现功能的灵活扩展。
内置的中间件：
LangChain 1.0提供了多个内置中间件，覆盖生产环境中的常见需求：
- 人机交互中间件：在工具执行前暂停流程，让用户批准、编辑或拒绝工具调用请求，适用于涉及敏感操作（如转账、发送邮件）的场景，提升应用的安全性。
- 脱敏中间件：自动识别并遮盖对话中的电子邮件、电话号码、身份证号等敏感信息，确保符合数据隐私法规，避免用户信息泄露。
- 记忆优化中间件：自动裁剪过长的对话历史，防止令牌溢出错误，同时保持关键信息不丢失，提升长期运行会话的性能。
自定义中间件：
开发者也可以自定义中间件，通过连接到Agent循环中的多个节点（如before_model、wrap_tool_call、after_tool等），实现个性化需求。例如，自定义一个日志中间件，记录每次工具调用的参数、结果和执行时间，用于后续的性能分析和问题排查。
三、标准化和旧版本兼容
- 标准化内容块：所有LLM输出（文本、工具调用、引用、推理轨迹）统一为.content_blocks结构，无论使用哪个厂商的模型，输出格式保持一致，彻底解决了跨模型开发中的格式兼容问题。
- 结构化输出集成：将JSON Schema等结构化输出能力直接集成到主循环中，无需额外的LLM调用，不仅降低了延迟和成本，还提升了结构化输出的准确性。
- 向后兼容与功能迁移：为了照顾旧版本用户，LangChain将create_react_agent()、LLMChain、ConversationBufferMemory等旧功能迁移至langchain-classic包中，开发者可以逐步迁移代码，避免一次性重构的风险。
