LangChain 将提示词、模型调用、输出解析、链式编排、记忆、工具、智能体和检索封装成可组合组件。围绕这些组件讲清大模型应用从简单调用到 RAG 和 Agent 的实现方式、适用场景与常见坑。
大语言模型在复杂任务中容易遇到幻觉、信息过期、规划不足和错误传播问题。ReAct 通过“推理 + 行动 + 观察”让模型调用外部工具完成多步任务，Reflexion 再加入评估、反思和记忆，让 Agent 能从失败轨迹中改进下一次尝试。
围绕 AI 工程中最常见的训练、推理、Transformer 架构和性能优化手段展开，讲清模型从数据到服务的完整链路，以及并行、量化、蒸馏、缓存等方案分别解决什么问题。
RAG 通过“先检索外部知识，再让大语言模型生成回答”的方式缓解幻觉、知识过期和私有数据接入问题。内容覆盖 RAG 的基础架构、常见故障、RAG-Fusion、多路检索、索引优化、安全防护和未来演进方向。
