本文介绍了LangChain支持的多种模型类型及其特点。主要内容包括： 模型类型概览 分为基础语言模型(BaseLanguageModel)及其子类：传统语言模型(LLM)、聊天模型(ChatModel)和嵌入模型(Embeddings) 推荐优先使用Chat Models而非传统LLMs Chat Models详解 通过不同角色消息(System/Human/AI)与LLM交互 详细参数说明：模

LangChain 是一个用于开发由大语言模型（LLM）驱动的应用程序的开源框架。你可以把它想象成LLM 的"乐高积木"– 就像乐高积木可以拼搭出各种造型一样，LangChain 提供了各种标准化的组件，让你可以灵活地组合它们，构建出强大的 AI 应用。类比理解如果说大语言模型（如 GPT-4）是一台发动机，那么 LangChain 就是方向盘、轮胎、底盘等配件单独的发动机无法直接驾驶，但装上配件

本教程系统介绍LangChain框架，从基础到进阶共13个部分。要求学习者具备Python基础、pip包管理等前置知识。教程特色包括零基础友好、完整代码示例、参数全覆盖、可视化图表等。内容涵盖模型调用、提示工程、输出解析、LCEL表达式语言、链式调用、文档处理、向量存储、RAG技术、记忆系统、工具集成、智能体开发等核心模块，每个部分都包含最佳实践建议。适合希望系统学习LangChain框架的开发者

LangChain 是一套用于构建 AI 智能体（AI Agent）和大语言模型（LLM）应用的开发框架。LangChain 可以帮助开发者快速构建基于 GPT、Claude、Gemini 等大模型的复杂 AI 应用。LangChain 由 Harrison Chase 于 2022 年 10 月推出，核心目标是：简化大语言模型应用开发流程。LangChain提供统一接口，可连接：大模型、Prom

摘要 模型评估与选择是机器学习的关键环节。模型评估关注单一模型性能（如准确率、F1分数），而模型选择侧重不同模型的比较。由于无法获得真实误差，只能基于有限样本计算经验误差（训练误差）。损失函数（如0-1损失、平方损失等）是衡量模型好坏的基础工具。欠拟合（高偏差）和过拟合（高方差）是模型复杂度不匹配的表现：欠拟合模型简单导致训练/测试误差都高，过拟合则训练误差低但测试误差高。解决策略包括调整模型复杂

特征工程是从原始数据中提取、转换、选择最有效特征的过程。本质是将业务知识、领域洞察转化为机器可理解的数值表达。核心本质：数据预处理 + 领域知识建模 + 模型能力适配的桥梁关键认知：特征决定模型上限，算法只负责逼近这个上限好的特征让简单模型表现优异，坏的特征让复杂模型徒劳无功是"数据科学中最依赖人类智能"的环节。

机器学习（Machine Learning, ML）主要研究计算机系统对于特定任务的性能，逐步进行改善的算法和统计模型。通过输入海量训练数据对模型进行训练，使模型掌握数据所蕴含的潜在规律，进而对新输入的数据进行准确的分类或预测。机器学习是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸优化、算法复杂度理论等多门学科。可以看到，机器学习是由数据驱动的，核心是利用数据来“训练模型”；模型训练的结果需

Gson（又称Google Gson）是Google公司发布的一个开放源代码的Java库，主要用途为序列化Java对象为JSON字符串，或反序列化JSON字符串成Java对象。而JSON(JavaScriptObject Notation) 是一种轻量级的数据交换格式，易于人阅读和编写，同时也易于机器解析和生成，广泛应用于各种数据的交互中，尤其是服务器与客户端的交互。引入依赖：</</</</二.