框架
Spring：封装了Java EE开发的复杂性，如依赖注⼊、事务管理、MVC。开发者不需要⼿动管理对象⽣命周期或处理繁琐的Servlet API。
libcurl：封装了⽹络协议的复杂性（HTTP, FTP, SMTP 等）。开发者不需要使⽤底层的socket API来⼿动构建HTTP请求。
LangChain：封装了与不同 LLM（OpenAI, Anthropic 等）、向量数据库（Chroma, Pinecone）、⼯具（Tools）交互的复杂性。开发者不需要为每个供应商编写不同的 API 调⽤代码。LangChain为不同大模型提供了统一的接入方式，也封装了底层的复杂向量数据库的接入方式
框架功能：
• 架构：让我们知道代码应该组织成什么样⼦。
• 质量：让我们能判断 AI ⽣成的代码是否合格。
• 安全：框架内置的最佳实践和模式能规避许多基础⻛险。
• 集成：让我们能⾼效地将 AI ⽣成的“零件”组装到经过验证的、可靠的⼤系统中。LLM驱动的应用程序框架
Python生态
丰富的库支持
1.机器学习框架
2.数据处理的库
3.web和api的集成
4.向量数据库客户端多
5.模型提供商sdk主流的6大使用原生LLM的场景问题
1.幻觉问题：回答不合理的答案，如吞噬电池喝水排出
Redis本身提供了一些接入接口，a() b() c() z()调不通（被LLM幻觉出来的接口）
2.统一提示词
3.切换模型 GPT、Gemini、DeepSeek（封装好统一的接入方式）
4.编码时，需要获取对应的能力，更希望通过接口来完成，接口可以提供结构化数据（JSON、XML、HTML）
5.大模型训练截止日期 GPT-5 2024.9.30(无法获取实时日期)---解决---->（工具：搜索引擎）[联网搜索]
6.针对非常专业对的知识（医学），只能参考LLM的结果LangChain
讲解
用于开发大语言模型（LLM）驱动的应用程序的框架。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。
以链式（Chain）的⽅式整合多个组件
Agent（智能体）：自动推导
NLP：自然语言处理流程（读取文档、切割文本、将文本转换为向量[嵌入]、存储向量->接收用户问题、转换成向量、搜索相关文本段、将问题和文本段组合发送给大预言模型[LLM]、解析模型输出并返回答案等）LangGraph
LangChain链式无法满足复杂应用的开发---解决--->LangGraph
例如：用户提交客服工单：链式局限性
1.用户提供错误信息，链式流程单向，结果让整个链失败
2.僵化的流程
3.手动维护系统状态（节点执行到哪里了？收集用户信息？流程是否完成？）
4.想要人工参与AI流程困难
如何解决：
1.打破链式思维，手动写一堆if-else
LangGraph改进：
技术特点
图结构
-
灵活控制：支持节点自我循环（信息不完整就重试）和动态路由（根据分类走不同流程）。
-
自带记忆：自动维护状态对象，能记住对话历史和中间信息，支持长时任务。
-
高可靠性：支持任务中断恢复（持久执行）和人工介入修改。
-
工程化：提供可视化调试工具和生产级部署能力。
