大家好，我是飞哥！👋
欢迎来到吴恩达《LangChain LLM 应用开发》系列课程的第一讲。这一讲的内容非常基础，但也很关键，因为它解释了为什么 我们需要 LangChain，以及它到底是用来干什么的。
我们将紧跟随 Andrew Ng（吴恩达）和 LangChain 创始人 Harrison Chase 的对话，原汁原味地还原课程内容。
1. 为什么：AI 开发的新范式 💡
在课程的开头，吴恩达老师提到了一个非常重要的观点：
"虽然我们可以通过直接调用 OpenAI 的 API 来构建应用，但在实际开发中，我们需要大量的'胶水代码'来连接各个环节。"
比如：
- 你需要处理提示词 (Prompts) 📝。
- 你需要解析模型的输出 (Parsers) 🧹。
- 你需要把前一个步骤的输出作为下一个步骤的输入 🔗。
如果你每次都从零开始写这些代码，效率会非常低。Harrison Chase 正是在与许多开发者交流后发现，大家都在重复造轮子，都在做同样的抽象工作。
于是，LangChain 诞生了。它的核心价值就在于提供了一套模块化 (Modularity) 和 可组合 (Composability) 的工具，帮你把这些"胶水代码"标准化。
2. 是什么：课程核心模块概览 🗺️
在这门课中，Harrison Chase 将 LangChain 的核心功能拆解为了六大模块，这也是我们后续学习的路线图：
-
Models, Prompts and Parsers (模型、提示与解析器) 🧱
- 这是最基础的单元。
- Models：各大语言模型（如 GPT-3.5, GPT-4）。
- Prompts：怎么给模型发指令。
- Parsers：怎么把模型回回来的"废话"去掉，提取出结构化的数据（比如 JSON）。
-
Memory (记忆) 🧠
- 大模型天生是"健忘"的（Stateless）。
- LangChain 提供了多种"记忆组件"，让模型能记住之前的对话，从而实现多轮对话。
-
Chains (链) 🔗
- 这是 LangChain 的名字来源。
- 把多个操作（比如：先搜索 -> 再总结 -> 再翻译）串成一条链，自动化执行。
-
Question Answering over Documents (基于文档的问答) 📚
- 这就是现在最火的 RAG (检索增强生成)。
- 让 AI 读懂你自己的 PDF、文档，然后回答相关问题。
-
Agents (代理) 🤖
- 这是最激动人心的部分。
- 不再是"人让 AI 做什么"，而是让 AI 自己思考该用什么工具（搜素引擎、计算器）来解决问题。
-
Evaluation (评估) ⚖️
- AI 写得好不好？不能光靠肉眼看。
- 我们需要一套机制来评估 AI 应用的效果。
3. 怎么用：实战演示 (海盗邮件) 🏴☠️
为了展示 LangChain 的魅力，Harrison 举了一个非常有趣的例子：将客户邮件翻译成"海盗风格"的英语。
场景描述 🎬
假设你收到了一封客户投诉邮件（可能还是另一种语言），你想把它翻译成英语，而且要是海盗风格 (Pirate English) 的英语。
核心代码逻辑 🧩
在 LangChain 中，这个过程被抽象为三个步骤的组合：
- PromptTemplate (提示模板) ：
- 定义一个模板："请把下面这段文字翻译成{style}风格：{text}"
- ChatModel (模型) ：
- 调用 OpenAI 的 GPT 模型。
- OutputParser (解析器) ：
- 处理返回结果。
(具体的代码实现我们将在下一讲详细展开)
📝 飞哥总结
这一讲其实就是个开胃菜，Harrison Chase 亲自为我们描绘了 LangChain 的蓝图。
核心三要点 🔑：
- 起源：LangChain 源于开发者对"胶水代码"的厌倦，旨在提供标准化的抽象。
- 核心 ：Composability (可组合性) 是 LangChain 的灵魂，把各种积木搭在一起。
- 路线：从最基础的 Prompt 到复杂的 Agent，我们将一步步构建强大的 AI 应用。
准备好了吗？下一讲，我们将正式开始写代码，去体验 Models, Prompts and Parsers 的威力！🚀