我挖掘了一个巨牛的人工智能学习网站通俗易懂风趣幽默忍不住分享一下给大家。点击跳转到网站。前言我们上一节讲解了大语言模型LLM这节课我们来讲解嵌入模型~一、什么是嵌入模型Embedding Model核心定义嵌入模型是把文字、图片、音频等非结构化数据转换成固定长度稠密数字向量Embedding 向量的轻量神经网络模型。一句话把语义变成一串数字语义相近的文本向量距离更近。工作逻辑输入句子 → 模型编码 → 输出一维浮点数组如 [0.12, -0.35, 0.78…]常见维度 384/768/1536语义相似猫和小猫咪向量欧氏距离很小语义无关猫和汽车向量距离很大典型用途向量数据库检索RAG 知识库召回、文档搜索文本相似度计算、聚类、分类推荐系统、多模态图文匹配大模型前置召回RAG 流程必备欧式距离和余弦相似度欧式距离其实就是衡量两个向量空间直线距离直线距离越短相似度越高。余弦相似度关注的是方向差异。只衡量两个向量夹角大小完全忽略向量长度幅值。核心特点只看方向不看长短向量[1,2]和[2,4]余弦相似度 1视为完全相似欧式距离却很大高维文本嵌入场景首选嵌入模型输出向量一般都会归一化此时相似度越高欧式距离越小两者差别维度欧式距离余弦相似度衡量对象空间绝对距离长度 方向向量夹角仅方向向量长度影响影响极大完全无影响数值含义越大越不相似越接近 1 越相似适用场景坐标值有实际大小含义用户年龄、销量文本嵌入、语义匹配推荐、RAG 检索代表模型文本嵌入BGE、text-embedding-ada、m3e、all-MiniLM多模态嵌入CLIP图文二、什么是大语言模型 LLM大模型LLM 是自回归生成式大模型核心能力是理解 连贯生成完整文本基于 Transformer 解码器架构参数量巨大十亿 / 千亿级。核心能力理解上下文、逻辑推理、问答、总结、翻译、写代码逐 Token 生成文字输出变长自然语言具备对话、思考、工具调用、复杂任务规划能力代表模型GPT 系列、Llama、Qwen、GLM、DeepSeek 等三、嵌入模型 vs 大语言模型核心区别1. 任务目标完全不同表格维度嵌入模型 Embedding大语言模型 LLM核心任务语义表征、相似度匹配编码文本生成、推理、问答解码输出形式固定长度数字向量无文字不定长自然语言文本输出长度固定384/768 维永远一样长随需求变长可几百 / 几千字推理逻辑单向编码无生成过程逐 token 自回归生成有上下文续写2. 模型结构、规模差异参数量嵌入模型百万亿级轻量小模型推理极快、成本极低LLM几十亿万亿参数算力消耗大、推理贵、速度慢架构嵌入多为编码器 EncoderBERT 类只做编码不生成LLM解码器 DecoderGPT 类主打文本生成3. 能力边界嵌入模型不会说话、不能回答问题、没有逻辑推理只会算语义相似度你输入 “介绍人工智能”它只会返回一串数字不会给解释LLM擅长思考、写作、问答但原生不会做精准文档检索长文本容易遗忘信息4. 适用场景嵌入知识库检索、查重、文本聚类、语义搜索、匹配LLM对话、写作、解题、摘要、复杂逻辑问答5. 训练目标嵌入训练目标是相似文本向量靠近无关文本远离对比学习LLM训练目标是预测下一个字拟合人类语言分布四、两者的紧密联系最常用组合RAG1. 标准 RAG 完整流程嵌入 LLM 协同工作文档预处理 → 嵌入模型知识库所有文档片段转为向量存入向量库用户提问 → 嵌入模型用户问题同样转向量向量检索在向量库找出语义最相近的几段原文拼接原文 用户问题 → 送入 LLM大语言模型基于检索到的真实资料回答减少幻觉分工总结嵌入模型负责 “找资料”快速从海量文档挑相关内容大语言模型负责 “讲道理、写答案”基于找到的资料组织语言回答2. 其他关联点部分大模型附带轻量嵌入模块但主业仍是生成单独嵌入模型专门优化检索速度与精度两者输入都是文本都能理解基础语义但侧重不同嵌入是 LLM 的前置工具弥补大模型记不住海量外部知识的缺陷3. 极简总结嵌入模型文字→数字做语义匹配、检索大语言模型文字→更长文字做推理、生成、问答关系检索靠嵌入回答靠 LLM二者搭配实现知识库问答RAG五、举个通俗例子帮助理解场景图书馆问答机器人嵌入模型 图书索引系统把每本书摘要转成编号你说问题它快速找出 3 本相关书LLM 讲解员拿着找到的 3 本书整理内容用通顺话回答你的问题只靠讲解员LLM记不住整座图书馆只靠索引嵌入只会找书不会讲解。已经有了LLM为什么还需要langchain和langgraph一句话总纲LLM 只是一颗 “只会说话的大脑”LangChain 是配套工具库给大脑装记忆、手脚、知识库LangGraph 是高级流程编排引擎用来控制大脑做多步循环、分支、自主决策的复杂任务。三者不是替代是层层互补。一、先搞懂只靠原生 LLM 有哪些天生硬伤为什么必须额外框架原生直接调用 LLM API存在无法靠 Prompt、微调解决的底层缺陷知识静态、有截止时间模型知识冻结在训练数据不知道实时新闻、企业内部 PDF、数据库业务数据极易产生幻觉原生没有检索私有文档的能力。无记忆、无状态每次 API 调用完全独立不会自动保存多轮对话历史长对话会无限膨胀上下文没有自动压缩、滑动窗口裁剪逻辑。没有行动能力LLM 只能输出文字不能真的调用工具查天气、执行 SQL、调用接口、运行代码、联网搜索它只会嘴上说 “我帮你查”不会发起真实请求。流程无法自动化串联复杂任务需要多步骤文档分片→向量化存储→检索→整理参考资料→LLM 生成→格式化输出。纯手写胶水代码耦合严重、难以复用。输出不可控很难稳定输出 JSON/SQL 等结构化格式缺少统一的输出解析、校验、重试机制。复杂推理流程无法自主流转遇到 “检索不到信息要重新搜索”“工具调用失败要重试”“需要人工审核再继续” 这类循环 / 分支逻辑纯手写 if-else 会彻底失控。二、LangChain 解决什么LLM 应用标准化工具箱定位LLM 应用基础组件库提供统一抽象把 RAG、记忆、工具、Prompt、模型封装成可复用积木主打快速搭建线性流程简单问答、基础 RAG、单步工具 Agent。核心价值弥补 LLM 短板统一模型接入层一套代码兼容 GPT、Claude、通义千问、Llama 等所有 LLM切换模型不用重写业务逻辑。完整 RAG 标准化组件内置文档加载器、文本分割、嵌入调用、向量库对接、检索器几行代码搭建知识库问答解决模型知识陈旧、幻觉问题。对话记忆系统多种记忆封装缓冲记忆、摘要记忆、向量记忆自动管理历史对话、压缩超长上下文避免窗口溢出。工具调用标准化Tool/Agent统一封装搜索、SQL、计算器、自定义 API让 LLM 具备调用外部系统的 “手脚”。链式流程Chain把多步任务线性串联检索链、摘要链、翻译链、NL2SQL 链开箱即用不用手写大量拼接逻辑。提示词工程封装PromptTemplate、FewShot 示例、动态变量注入规范提示词管理。局限也是 LangGraph 诞生的原因LangChain 原生 Chain/AgentExecutor 以线性、单次循环为主不支持复杂条件分支、并行节点状态管理零散多步骤数据传递混乱无法原生支持循环重试、人工介入断点续跑复杂多智能体、多轮反思检索很难实现代码大量堆砌 if-else 难以维护。三、LangGraph 解决什么复杂智能体状态图编排引擎定位LangGraph 官方配套的流程运行时基于状态机 图结构设计专门处理 LangChain 搞不定的复杂 Agent 业务和 LangChain 共享底层组件LLM、Tool、Retriever二者配套使用而非替代。核心独有能力全局统一 State 状态容器所有节点共享一份结构化状态消息、检索结果、迭代次数、中间数据全流程数据统一管理不会变量满天飞。自由图拓扑节点 条件边 循环线性流程LangChain Chain 就能搞定循环流程检索信息不足→重新生成 query 二次检索工具调用报错→重试分支流程判断问题是否需要联网走搜索节点 / 直接回答节点并行流程同时执行多个工具、多路检索再合并结果。原生人机交互Human-in-the-loop流程运行中可主动暂停交给人工审核、修改内容后再恢复执行适合审批、高风险业务。断点持久化Checkpointer流程中断、服务重启后可从上次状态继续执行不用从头跑完整链路。全流程透明可控每一步节点逻辑显式定义没有黑盒封装调试、日志追踪、错误定位更简单。典型使用场景反思式 RAG一次检索不足自动多轮重搜多工具多步骤复杂 Agent数据分析搜数据→跑 SQL→画图→写报告多智能体协作规划 Agent、检索 Agent、写作 Agent 分工流转需要人工审批、断点续跑的生产级业务四、三者完整关系对比表表格对象定位核心能力流程能力适用场景LLM 大语言模型推理生成大脑理解文本、生成文字、基础推理无流程、无外部交互能力单纯单轮对话、短句问答LangChain组件工具箱、基础链式框架RAG、记忆、工具、统一模型封装线性流程、简单单次循环简单知识库问答、单工具助手、快速 Demo 原型LangGraph状态图编排运行时全局状态、循环 / 分支 / 并行、人工介入、断点续跑任意复杂图流程、多轮自主反思生产级复杂 Agent、多步骤循环任务、多智能体协作五、通俗比喻理解LLM 只会读书思考的大脑能听懂话、写文字但记不住长期聊天内容、看不到公司内部文件、不会查天气、不会操作数据库只会空想。LangChain 配套外设套装给大脑配笔记本记忆、图书馆RAG 知识库、手机工具调用、标准化纸笔Prompt / 输出解析让大脑能读取外部信息、保存对话、调用工具简单任务可以直接完成。LangGraph 总控调度中心当任务很复杂比如 “写行业报告”搜资料→分析数据→初稿→自查缺信息→二次检索→修改→人工审核→定稿LangChain 线性链条兜不住来回循环、分支判断LangGraph 作为调度器控制每一步流转、记录全局进度、缺资料自动回头重搜、中途暂停交给人修改实现自主闭环工作流。六、工程落地标准分层架构生产环境组合使用用户输入 ↓ LangGraph流程调度分支/循环/状态/断点 ↓ 调用底层组件 LangChain Core统一LLM、嵌入、检索、工具、记忆 ↓ LLM / 嵌入模型 / 向量库 / 第三方API总结只有 LLM只能做最简单对话无法落地业务系统LLM LangChain可实现绝大多数简单 AI 应用快速开发原型LLM LangChain LangGraph支撑企业级复杂智能体、多步骤自主决策业务。