1.LLM基础认知LangChain与大模型宏观认识LangChain是一个 AI 编程框架是连接 AI 模型与实际应用的重要桥梁左岸AI 模型如 DeepSeek/ChatGPT→ 桥LangChain→ 右岸实际应用如智能客服/代码助手。原生 API 调用的痛点在于需要手动构建 HTTP 请求、处理鉴权信息、解析响应结果且缺乏统一抽象层。LangChain 的优势是封装原生接口提供统一编程接口集成数据库、搜索引擎等外部工具。从宏观视角看大模型像一个数字巨人——阅读并学会了互联网上的几乎所有知识具备泛化能力处理多种问题和逻辑推理能力深度思考。核心问题如何让大模型从能言善辩的百科全书变成能行动、能思考、能融入业务流程的智能伙伴Agent大模型是大脑核心推理需要实时信息作为眼睛获取最新数据操作能力作为手脚调用 API、操作数据库记忆作为记忆记住上下文。LangChain 正是用来编程方式指挥和协调这一切的框架。模型的工作原理模型是一个数学函数或程序用于从数据中学习规律输入数据模型数学函数/程序输出结果迭代优化找规律以找三个数的中间数为例输入 (16, 96, 3) → 输出 96最大值输入 (18, 23, 26) → 输出 26最大值输入 (63, 4, 42) → 输出 4最小值。模型通过大量数据输入从中找出规律当输入新数据时根据已学规则输出结果。普通模型的特点单任务只擅长一件事、需标注数据需要提前标注输入输出、参数较少从数据中学到的知识要点少。参数即模型从数据中学到的知识要点参数越多模型越复杂、能力越强。大语言模型 vs 普通模型大语言模型LLM基于大规模神经网络通过自监督或半监督方式对海量文本进行训练的语言模型。对比维度普通模型小模型大模型任务范围单任务或单类任务多任务可处理多种问题训练方式需要标注数据自监督 / 半监督参数数量少复杂度低海量参数复杂度极高能力边界窄只能做特定事情广泛可回答各类问题神经网络与学习范式神经网络是模仿人脑工作方式的分层决策系统。类比教小朋友识别猫大脑中不同的视觉神经协同工作——有的识别尖耳朵有的识别胡须有的识别毛绒尾巴。无数个神经元分成多层前一层输出作为后一层输入通过训练海量数据自动调整每个神经元的参数。输入层原始数据隐藏层1特征提取隐藏层2特征组合...输出层最终判断自监督学习模型自己从数据中学习无需人工标注。例如遮盖文本中的某个词让模型预测。半监督学习少量标注数据 大量未标注数据结合训练。语言模型专门针对人类语言建模能够理解并生成自然语言。主流LLM与核心能力市场主流大语言模型一览模型/产品所属公司特点DeepSeek深度求索深度思考能力、中文优化ChatGPT (GPT 系列)OpenAI通用能力最强、生态最完善豆包字节跳动多模态、图像生成通义千问阿里巴巴中文理解优秀GeminiGoogle多模态能力强ClaudeAnthropic代码生成能力突出大语言模型有四大核心能力能力核心价值应用场景理解与创造解放脑力劳动写论文、邮件、文案知识问答百科问答与科普专业问答、对比分析代码生成编程效率提升算法实现、项目开发多模态视觉文本融合文生图、图生文、风格转换