LangChain 是 LLM 业务开发的集大成 Python 库，提供全套开箱即用 API。覆盖能力：提示词工程、模型调用、会话记忆、文档处理、链式执行、Agent 智能体。学习路径：后续 RAG 开发全部基于 LangChain 框架完成。RAG（Retrieval‑Augmented Generation）检索增强生成RAG = 检索技术 + LLM 提示含义：从外部数据源检索相关信息，补充

单个 Agent：一个人啥都干，又聊天、又查资料、又算数、又写文案，容易不专业、顾不过来。分工干活，一个团队每个人（每个 Agent）只负责自己擅长的一件事，互相配合、传任务、交结果，最后一起把整件事做完。就像公司团队：产品、开发、测试、设计，各干各的，配合完成项目。

大白话：大模型本身，出了训练时间就啥也不知道，也不会操作外部东西。就是给 Agent 装各种，遇到搞不定的事，主动喊外挂帮忙干活。一句话定义：Agent 为了完成任务，主动调用获取信息、执行操作，这个过程就叫。

所有现代大模型底层都是。Transformer 核心是自注意力机制，擅长理解上下文。参数 = 模型的记忆和推理能力，参数越强越聪明。参数不是越大越好，要兼顾速度、成本、场景。上下文窗口：模型一次能处理和记住的文本长度。

公开模型权重，可免费下载，能在个人电脑、服务器本地部署、自己二次微调。常见：Qwen 通义千问开源版、DeepSeek、Llama、GLM。简单理解：用海量互联网文本、代码、书籍语料，训练出的超大参数规模 AI 模型，具备语言理解、内容生成、逻辑推理、代码编写四大能力。用全网海量通用数据，让模型自学人类语言常识、语法逻辑、知识体系、代码规范。，就能控制大模型的输出内容、格式、风格。前端日常写代码、

闭源：只能调 API，不能本地部署、不能私自微调；开源：可下权重、本地部署、可二次微调；前端快速开发优先用闭源 API，私有化用开源；7B 小模型个人电脑就能跑，写前端代码完全够用；大模型对接本质就是调 HTTP 接口，和前端调后端接口逻辑一样。

一、RAG 核心必背 RAG：检索增强生成，先检索私有文档，再给大模型参考生成答案。RAG 流程：文档加载→文本分块→向量化→向量库存储→相似度检索→大模型生成。RAG 作用：解决知识滞后、私有文档问答、降低幻觉、无需重训模型、成本低。向量库：存储文本向量，按相似度快速检索相关片段。幻觉成因：大模型仅靠训练知识凭空编造。幻觉解决：RAG 给上下文、优化提示词、调分块、调检索阈值、换 Embeddi

python运行def 函数名(参数):逻辑代码return 返回值。

大模型出厂时，是个什么都懂一点的 “通用学霸”。。一句话总结：微调 = 用你的数据，给大模型 “做专项培训”，让它更贴合你的场景。

会更新大模型每一层的所有权重参数。，这也是模型学习风格、语义、领域知识的关键位置。应运而生，是目前轻量化微调的主流方案。完整流程和标准 SFT 大体一致，仅多了。大模型的核心计算集中在。