一：AI时代下的编程范式
1.Vibe codeing氛围编程
目前有cursor，claude code,trae等，写好提示词，可以通过聊天来实现代码
优势是提升了开发效率，降低开发门槛，专注创意，标志着从代码开发者变成代码审核者，提示词开发者。
但是缺陷也有，代码质量与架构的黑箱困境，上下文长度的金鱼记忆和知识滞后性，安全性和可靠性的隐形地雷
2.AI开发框架
LangChain封装了与不同LLM，向量数据库，工具交互的复杂性，开发者不需要为每个供应商编写不同的API调用，它的核心就是链，它将不同的模块像乐高积木一样组合起来，，构建复杂的AI工作流
AI开发框架知识为我们提供了：
1.架构
2.质量
3.安全
4.集成
二：LangChain：LLM应用开发的主流
Python生态（绝对主流）
有非常多的库支持：机器学习框架，数据处理的库，WEB和API集成......
JavaScript/TypeScript 生态(前端与全栈)
1.主流的6大使用原生LLM的场景问题：
1.幻觉问题
2.统一提示词
3.切换模型
4.编码时，需要获取对应能力，更希望通过接口来完成，接口可以提供结构化数据
5.大模型训练是有截止日期的，无法获取实时信息
6.针对于非常专业的知识，只能参考LLM的信息有了上面的问题我们就开始引入LangChain。
2.LangChain的技术特点
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(NIP）流程拆解为标准化组件，让开发者能够自由组合并且高效定制工作流。
**组件：**用来帮助当我们在构建应用程序的时候，提供一系列的核心构建块，例如语言模型，输出解析器，检索器
**自然语言处理流程：**指的是完成一个特定NLP任务所需要的一系列步骤
举一个最简单的例子，若我们想借助提示词完成一次对于LLM的提问，在LangChain中至少需要定义两个组件：1.提示词模版组件，2.大模型组件
安装：
三：LangGraph
LangChain是链式，无法满足复杂应用的开发，有以下局限性：
于是我们引入了LangGraph，支持条件分支、循环和并行执行，适用于需要灵活逻辑的场景，如多轮对话或决策流程。
